Linear regression တွင် t-test ကို နားလည်ခြင်း။

Linear regression ကို ခန့်မှန်းသူကိန်းရှင်နှင့် တုံ့ပြန်မှုကိန်းရှင်ကြားရှိ ဆက်နွယ်မှုကို အရေအတွက်သတ်မှတ်ရန်အတွက် အသုံးပြုသည်။

ကျွန်ုပ်တို့သည် linear regression ကိုလုပ်ဆောင်သည့်အခါတိုင်း၊ ခန့်မှန်းသူ variable နှင့် response variable အကြား ကိန်းဂဏန်းဆိုင်ရာ သိသာထင်ရှားသော ဆက်နွယ်မှုရှိမရှိ သိလိုပါသည်။

regression slope အတွက် t-test ကို လုပ်ဆောင်ခြင်းဖြင့် အရေးပါမှုကို ကျွန်ုပ်တို့ စမ်းသပ်ပါသည်။ ဤ t-test အတွက် ကျွန်ုပ်တို့သည် အောက်ပါ null နှင့် အခြား သီအိုရီကို အသုံးပြုသည်-

• H ₀ : β ₁ = 0 (လျှောစောက်သည် သုညနှင့် ညီသည်)
• H _A : β ₁ ≠ 0 (လျှောစောက်သည် သုညနှင့် မညီပါ)

ထို့နောက် စမ်းသပ်စာရင်းအင်းကို အောက်ပါအတိုင်း တွက်ချက်ပါသည်။

t = b / SE _b

ရွှေ-

• b : coefficient ၏ ခန့်မှန်းချက်
• SE _b : ကိန်းဂဏန်းခန့်မှန်းချက်၏ စံအမှား

t နှင့် သက်ဆိုင်သော p-value သည် သတ်မှတ်ထားသော အတိုင်းအတာတစ်ခုအောက်၌ ရှိနေပါက (ဥပမာ α = 0.05)၊ ထို့နောက် null hypothesis ကို ငြင်းပယ်ပြီး ခန့်မှန်းသူ variable နှင့် response variable အကြား ကိန်းဂဏန်းဆိုင်ရာ သိသာထင်ရှားသော ဆက်နွယ်မှုရှိကြောင်း ကောက်ချက်ချပါသည်။

အောက်ပါဥပမာသည် လက်တွေ့တွင် linear regression model အတွက် t-test ကို မည်သို့လုပ်ဆောင်ရမည်ကို ပြသထားသည်။

ဥပမာ- linear regression အတွက် t-test ကို လုပ်ဆောင်ခြင်း။

ပါမောက္ခတစ်ဦးသည် ၎င်း၏ကျောင်းသား ၄၀ အတွက် စာသင်ချိန်နှင့် စာမေးပွဲအဆင့်များကြား ဆက်စပ်မှုကို ခွဲခြမ်းစိတ်ဖြာလိုသည်ဆိုပါစို့။

၎င်းသည် ခန့်မှန်းသူကိန်းရှင်နှင့် တုံ့ပြန်မှုကိန်းရှင်အဖြစ် လက်ခံရရှိသော စာမေးပွဲရမှတ်များအဖြစ် လေ့လာထားသော နာရီများကို အသုံးပြု၍ ရိုးရှင်းသောမျဉ်းကြောင်းဆုတ်ယုတ်မှုကို လုပ်ဆောင်သည်။

အောက်ပါဇယားသည် ဆုတ်ယုတ်မှုပုံစံ၏ ရလဒ်များကို ပြသသည်-

သင်ကြားသည့်နာရီများသည် နောက်ဆုံးစာမေးပွဲအဆင့်နှင့် စာရင်းအင်းဆိုင်ရာ သိသာထင်ရှားသော ဆက်စပ်မှုရှိမရှိ ဆုံးဖြတ်ရန်၊ ကျွန်ုပ်တို့သည် t-test ကို လုပ်ဆောင်နိုင်ပါသည်။

ဤ t-test အတွက် ကျွန်ုပ်တို့သည် အောက်ပါ null နှင့် အခြား သီအိုရီကို အသုံးပြုသည်-

• H ₀ : β ₁ = 0 (လေ့လာခဲ့သော နာရီများ၏ လျှောစောက်သည် သုညနှင့် ညီမျှသည်)
• H _A : β ₁ ≠ 0 (လေ့လာထားသော နာရီများ၏ လျှောစောက်သည် သုညနှင့် ညီမျှသည်မဟုတ်ပါ)

ထို့နောက် စမ်းသပ်စာရင်းအင်းကို အောက်ပါအတိုင်း တွက်ချက်ပါသည်။

• t = b / SE _b
• t = 1.117 / 1.025
• t = 1.089

df=n-2=40–2=38 နှင့် t = 1.089 နှင့် သက်ဆိုင်သော p-တန်ဖိုးသည် 0.283 ဖြစ်သည်။

ဤ p တန်ဖိုးကိုတွက်ချက်ရန် ကျွန်ုပ်တို့သည် T ရမှတ်မှ P တန်ဖိုးဂဏန်းတွက်စက် ကိုလည်း အသုံးပြုနိုင်ကြောင်း သတိပြုပါ။

ဤ p-value သည် 0.05 ထက်မနည်းသောကြောင့်၊ null hypothesis ကို ငြင်းပယ်ရန် ပျက်ကွက်ပါသည်။

ဆိုလိုသည်မှာ လေ့လာမှုနာရီများသည် နောက်ဆုံးစာမေးပွဲရလဒ်များကြားတွင် ကိန်းဂဏန်းအရ သိသာထင်ရှားသော ဆက်စပ်မှု မရှိပါ ။

ထပ်လောင်းအရင်းအမြစ်များ

အောက်ဖော်ပြပါ သင်ခန်းစာများသည် linear regression နှင့်ပတ်သက်သော နောက်ထပ်အချက်အလက်များကို ပေးဆောင်သည်-

Simple Linear Regression နိဒါန်း
Multiple Linear Regression အကြောင်း နိဒါန်း
regression coefficient ကို ဘယ်လိုအဓိပ္ပာယ်ဖွင့်မလဲ။
ဆုတ်ယုတ်မှုတွင် အလုံးစုံအရေးပါမှုအတွက် F စစ်ဆေးမှုအား မည်သို့အဓိပ္ပာယ်ဖွင့်ဆိုမည်နည်း။