Logistic regression coefficients (ဥပမာဖြင့်) အဓိပ္ပာယ်ပြန်ဆိုပုံ

Logistic regression သည် response variable binary ဖြစ်သောအခါ regression model နှင့် ကိုက်ညီရန် ကျွန်ုပ်တို့သုံးနိုင်သော method တစ်ခုဖြစ်သည်။

ကျွန်ုပ်တို့သည် ထောက်ပံ့ပို့ဆောင်ရေးဆိုင်ရာ ဆုတ်ယုတ်မှုပုံစံကို အံဝင်ခွင်ကျဖြစ်စေသောအခါ၊ မော်ဒယ်ရလဒ်များ၏ ကိန်းဂဏန်းများသည် ခန့်မှန်းတွက်ချက်သောကိန်းရှင်တွင် တစ်ယူနစ်တိုးလာခြင်းနှင့် ဆက်စပ်တုံ့ပြန်မှုကိန်းရှင်၏ မှတ်တမ်းဖြစ်နိုင်ခြေကို ပျမ်းမျှပြောင်းလဲမှုကို ကိုယ်စားပြုသည်။

 β = Average Change in Log Odds of Response Variable

ကျွန်ုပ်တို့သည် ဖော်မြူလာ e ^β ကို အသုံးပြု၍ တွေ့ရှိနိုင်သည့် ခန့်မှန်းကိန်းရှင်ကိန်းရှင်၏ တစ်ယူနစ် တိုးလာမှုနှင့် ဆက်စပ်နေသော တုံ့ပြန်မှုကိန်းရှင်၏ ပျမ်းမျှပြောင်းလဲမှု ဖြစ်နိုင်ခြေကို နားလည်လိုကြသည်။

 e β = Average Change in Odds of Response Variable

အောက်ဖော်ပြပါ ဥပမာသည် လက်တွေ့တွင် logistic regression coefficients ကို မည်သို့အဓိပ္ပာယ်ဖွင့်ဆိုသည်ကို ပြသထားသည်။

ဥပမာ- logistic regression coefficients ကို ဘယ်လိုအဓိပ္ပာယ်ဖွင့်မလဲ။

ကျောင်းသားတစ်ဦးသည် အတန်းတစ်တန်းတွင် နောက်ဆုံးစာမေးပွဲကို ဖြေဆိုနိုင်သည်ရှိ၊ မရှိ ခန့်မှန်းရန် ကျား / မ နှင့် လေ့ကျင့်မှု စာမေးပွဲများကို အသုံးပြု၍ ထောက်ပံ့ပို့ဆောင်ရေးဆိုင်ရာ ဆုတ်ယုတ်မှုပုံစံကို ဖြည့်ဆည်းပေးလိုသည်ဆိုပါစို့။

ကျွန်ုပ်တို့သည် စာရင်းအင်းဆော့ဖ်ဝဲ (ဥပမာ R၊ Python ၊ Excel သို့မဟုတ် SAS ကဲ့သို့) ကို အသုံးပြု၍ မော်ဒယ်နှင့် အံကိုက်ဖြစ်ပြီး အောက်ပါရလဒ်ကို ရရှိသည်ဆိုပါစို့။

ကျား၊မ အဓိပ္ပာယ်ဖွင့်ဆိုပုံ (ဒွိကိန်းဂဏန်းကိန်းရှင်)

ကျား-မ ဆိုင်ရာ ကိန်းဂဏန်း ခန့်မှန်းချက်သည် အနုတ်လက္ခဏာဖြစ်ပြီး အမျိုးသားဖြစ်ခြင်းသည် စာမေးပွဲဖြေဆိုရန် အခွင့်အလမ်း လျော့နည်းကြောင်း ညွှန်ပြပါသည်။

ကျားမအတွက် p-တန်ဖိုးသည် 0.05 ထက်နည်းသည်ကို ကျွန်ုပ်တို့တွေ့မြင်နိုင်သည်၊ ဆိုလိုသည်မှာ ၎င်းသည် လူတစ်ဦးချင်းစီ စာမေးပွဲအောင်သည်ဖြစ်စေ မအောင်မြင်သည်ဖြစ်စေ ကိန်းဂဏန်းအရ သိသာထင်ရှားသောအကျိုးသက်ရောက်မှုရှိသည်ကို ကျွန်ုပ်တို့တွေ့မြင်နိုင်ပါသည်။

အမျိုးသားတစ်ဦးသည် စာမေးပွဲအောင်သည်ဖြစ်စေ မအောင်မြင်သည်ဖြစ်စေ မည်ကဲ့သို့အကျိုးသက်ရောက်သည်ကို အတိအကျနားလည်ရန်၊ ကျွန်ုပ်တို့သည် ဖော်မြူလာ e ^{β ကို} အသုံးပြုနိုင်သည်။

e ^-0.56 = 0.57

အလေ့အကျင့် စာမေးပွဲ အရေအတွက်သည် စဉ်ဆက်မပြတ် ရှိနေသည်ဟု ယူဆကာ အမျိုးသားများ စာမေးပွဲအောင်ရန် အမျိုးသမီးများထက် 0.57 ဆ ပိုများသည်ဟု ကျွန်ုပ်တို့ ဆိုလိုပါသည်။

အမျိုးသားများသည် (1 – 0.57) သည် အမျိုးသမီးများထက် စာမေးပွဲဖြေဆိုနိုင်ခြေ 43% နည်းပါး သည်ဟုလည်း ဆိုနိုင်သည်၊၊ လက်တွေ့ စာမေးပွဲ အရေအတွက်သည် စဉ်ဆက်မပြတ် ရှိနေသည်ဟု ယူဆပြန်သည် ။

လက်တွေ့စာမေးပွဲများကို အဓိပ္ပာယ်ဖွင့်ဆိုပုံ (အဆက်မပြတ် ခန့်မှန်းနိုင်သော ကိန်းရှင်)

လက်တွေ့စာမေးပွဲများ အတွက် ကိန်းဂဏန်းခန့်မှန်းချက်သည် အပြုသဘောဆောင်ကြောင်း ကျွန်ုပ်တို့တွေ့မြင်နိုင်သည်၊ အပိုလက်တွေ့စာမေးပွဲတစ်ခုစီသည် နောက်ဆုံးစာမေးပွဲအောင်မြင်ရန် အခွင့်အလမ်းကို တိုးပွားစေကြောင်း ညွှန်ပြပါသည်။

ဖြေဆိုခဲ့သော အလေ့အကျင့်စာမေးပွဲ အရေအတွက်အတွက် p-တန်ဖိုးသည် 0.05 ထက်နည်းသည်ကို ကျွန်ုပ်တို့တွေ့မြင်နိုင်သည်၊ ဆိုလိုသည်မှာ တစ်ဦးတစ်ယောက်သည် နောက်ဆုံးစာမေးပွဲကို အောင်မြင်သည်ဖြစ်စေ မအောင်မြင်သည်ဖြစ်စေ ကိန်းဂဏန်းအရ သိသာထင်ရှားသော အကျိုးသက်ရောက်မှုကို ဖြစ်ပေါ်စေပါသည်။

တစ်ဦးချင်းစီနောက်ဆုံးစာမေးပွဲကိုအောင်မြင်သည်ဖြစ်စေနောက်ထပ်လက်တွေ့စာမေးပွဲတစ်ခုစီ၏အကျိုးသက်ရောက်မှုကိုတွက်ချက်ရန်ကျွန်ုပ်တို့သည်ဖော်မြူလာ e ^β ကို သုံးနိုင်သည်။

e ^1.13 = 3.09

ကျားမ က အမြဲမပြတ် ရှိနေသည်ဟု ယူဆကာ နောက်ဆုံးစာမေးပွဲကို 3.09 ဖြင့် အောင်နိုင်ခြေကို တိုးမြင့်စေသည်ဟု ဆိုလိုခြင်းဖြစ်သည်ဟု ဆိုလိုခြင်းဖြစ်သည်ဟု ကျွန်ုပ်တို့ အဓိပ္ပာယ်ဖွင့်ဆိုပါသည်။

ထပ်မံဖြေဆိုခဲ့သော အလေ့အကျင့်စာမေးပွဲတစ်ခုစီသည် နောက်ဆုံးစာမေးပွဲအောင်မြင်ရန် အလားအလာများတွင် (3.09 – 1) 209% တိုးလာခြင်း နှင့် ဆက်နွှယ်နေသည်ဟုလည်း ဆိုနိုင်သည်၊၊ ကျား-မ ဆက်လက်တည်ရှိနေသည်ဟု ဆိုနိုင်သည်။

မှတ်ချက် – ထောက်ပံ့ပို့ဆောင်ရေး ဆုတ်ယုတ်မှုပုံစံတွင် မူရင်းအသုံးအနှုန်းကို မည်သို့အနက်ပြန်ဆိုရမည်ကို လေ့လာရန် ဤဆောင်းပါးကို ကိုးကားပါ။

ထပ်လောင်းအရင်းအမြစ်များ

အောက်ဖော်ပြပါ သင်ခန်းစာများသည် ထောက်ပံ့ပို့ဆောင်ရေး ဆုတ်ယုတ်မှုဆိုင်ရာ နောက်ထပ်အချက်အလက်များကို ပေးဆောင်သည်-

ထောက်ပံ့ပို့ဆောင်ရေးဆုတ်ယုတ်မှုရလဒ်များကို မည်သို့အစီရင်ခံမည်နည်း။
Logistic Regression အတွက် Null Hypothesis ကို နားလည်ခြင်း။
Logistic regression နှင့် linear regression အကြား ခြားနားချက်