Stata တွင် မျဉ်းကြောင်းကြောင်း ဆုတ်ယုတ်မှု အများအပြားကို လုပ်ဆောင်နည်း

Multiple linear regression သည် များစွာသော explanatory variables နှင့် response variable အကြား ဆက်နွယ်မှုကို နားလည်ရန် သင်အသုံးပြုသည့် နည်းလမ်းတစ်ခုဖြစ်သည်။

ဤသင်ခန်းစာသည် Stata တွင် မျဉ်းကြောင်းပြန်ဆုတ်ခြင်းကို မည်သို့လုပ်ဆောင်ရမည်ကို ရှင်းပြထားသည်။

ဥပမာ- Stata တွင် မျဉ်းကြောင်း ဆုတ်ယုတ်မှု အများအပြား

တစ်ဂါလံလျှင် မိုင်နှင့် အလေးချိန်သည် ကားတစ်စီး၏စျေးနှုန်းအပေါ် သက်ရောက်မှုရှိမရှိ သိလိုသည်ဆိုကြပါစို့။ ၎င်းကို စမ်းသပ်ရန်အတွက်၊ တုံ့ပြန်မှုကိန်းရှင်အဖြစ် တုံ့ပြန်မှုကိန်းရှင်နှစ်ခုနှင့် စျေးနှုန်းအဖြစ် ဂါလံတစ်မိုင်နှင့် အလေးချိန်တို့ကို အသုံးပြု၍ မျဉ်းကြောင်းအတိုင်း ဆုတ်ယုတ်မှုတစ်ခုကို လုပ်ဆောင်နိုင်သည်။

မတူညီသောကား 74 စီးတွင် ဒေတာပါရှိသော auto ဟုခေါ်သော ဒေတာအတွဲကို အသုံးပြု၍ မျဉ်းကြောင်းပြန်ဆုတ်ခြင်းကို လုပ်ဆောင်ရန် Stata တွင် အောက်ပါအဆင့်များကို ပြီးအောင်လုပ်ပါ။

အဆင့် 1: ဒေတာကို တင်ပါ။

command box တွင် အောက်ပါတို့ကို ရိုက်ထည့်ခြင်းဖြင့် ဒေတာကို တင်ပါ-

https://www.stata-press.com/data/r13/auto ကို အသုံးပြုပါ။

အဆင့် 2- ဒေတာအကျဉ်းချုပ်ကို ရယူပါ။

Command box တွင် အောက်ပါတို့ကို ရိုက်ထည့်ခြင်းဖြင့် သင်လုပ်ဆောင်နေသော ဒေတာကို လျင်မြန်စွာ နားလည်နိုင်သည်-

အကျဉ်းချုပ်ရန်

dataset တွင် မတူညီသော variable 12 ခုရှိသည်ကိုကျွန်ုပ်တို့တွေ့မြင်နိုင်သော်လည်းကျွန်ုပ်တို့စိတ်ဝင်စားသောအရာများမှာ mpg ၊ အလေးချိန် နှင့် စျေးနှုန်းများ ဖြစ်သည်။

ဤကိန်းရှင်သုံးခုရှိ အောက်ပါအခြေခံအကျဉ်းချုပ်ကိန်းဂဏန်းများကို ကျွန်ုပ်တို့ကြည့်ရှုနိုင်သည်-

ဈေးနှုန်း | ပျမ်းမျှ = $6,165၊ အနည်းဆုံး = $3,291၊ အမြင့်ဆုံး $15,906

စိုင်းစိုင်းခမ်းလှိုင် | ပျမ်းမျှ = 21.29၊ မိနစ် = 12၊ အများဆုံး = 41

ကိုယ်အလေးချိန် | ပျမ်းမျှ = 3,019 ပေါင်, အနည်းဆုံး = 1,760 ပေါင်, အမြင့်ဆုံး = 4,840 ပေါင်

အဆင့် 3- မျဉ်းကြောင်းအတိုင်း ဆုတ်ယုတ်မှုများစွာကို လုပ်ဆောင်ပါ။

တုံ့ပြန်မှုကိန်းရှင်အဖြစ် mpg နှင့် အလေးချိန်ကို တုံ့ပြန်မှုကိန်းရှင်အဖြစ် အမျိုးမျိုးသောမျဉ်းကြောင်းဆုတ်ယုတ်မှုလုပ်ဆောင်ရန် အောက်ပါတို့ကို Command box တွင် ရိုက်ထည့်ပါ။

regression price စိုင်းစိုင်းခမ်းလှိုင် အလေးချိန်

ရလဒ်တွင် စိတ်ဝင်စားစရာအကောင်းဆုံးဂဏန်းများကို အဓိပ္ပာယ်ဖွင့်ဆိုပုံမှာ အောက်ပါအတိုင်းဖြစ်သည်။

Prob > F: 0,000။ ဤသည်မှာ အလုံးစုံဆုတ်ယုတ်ခြင်းအတွက် p-တန်ဖိုးဖြစ်သည်။ ဤတန်ဖိုးသည် 0.05 ထက်နည်းသောကြောင့်၊ ၎င်းသည် mpg နှင့် weight တို့၏ ပေါင်းစပ်ရှင်းလင်းချက်ပြောင်းနိုင်သောကိန်းရှင်များသည် တုံ့ပြန်မှုမပြောင်းလဲနိုင်သော စျေးနှုန်း နှင့် ကိန်းဂဏန်းအရ သိသာထင်ရှားသော ဆက်ဆံရေးရှိကြောင်း ညွှန်ပြနေပါသည်။

R နှစ်ထပ်ကိန်း- 0.2934။ ဤသည်မှာ ရှင်းလင်းချက် ကိန်းရှင်များဖြင့် ရှင်းပြနိုင်သော တုံ့ပြန်မှုကိန်းရှင်ရှိ ကွဲလွဲမှု၏ အချိုးအစားဖြစ်သည်။ ဤဥပမာတွင်၊ စျေးနှုန်းပြောင်းလဲမှု၏ 29.34% ကို စိုင်းစိုင်းခမ်းလှိုင်နှင့် အလေးချိန်ဖြင့် ရှင်းပြနိုင်သည်။

Coef (စိုင်းစိုင်းခမ်းလှိုင်): -49.512။ ၎င်းသည် အလေးချိန်မမြဲဟု ယူဆရသည့် စိုင်းစိုင်းခမ်းလှိုင်၏ တစ်ယူနစ် တိုးမြှင့်မှုနှင့် ဆက်စပ်နေသော ပျမ်းမျှစျေးနှုန်းပြောင်းလဲမှုကို ကျွန်ုပ်တို့အား ပြောပြသည်။ ဤဥပမာတွင်၊ စိုင်းစိုင်းခမ်းလှိုင်သည် တစ်ယူနစ်တိုးလာမှုတစ်ခုစီသည် အလေးချိန်မမြဲဟု ယူဆကာ ပျမ်းမျှစျေးနှုန်း $49.51 ခန့်ကျဆင်းမှုနှင့် ဆက်စပ်နေသည်။

ဥပမာအားဖြင့်၊ A နှင့် B နှစ်ခုလုံးသည် ပေါင် ၂၀၀၀ အလေးချိန်ရှိသည်ဟု ယူဆပါ။ ကား A သည် 20 mpg ရရှိပြီး ကား B သည် 19 mpg သာရပါက ကား A ၏စျေးနှုန်းသည် ကား B စျေးနှုန်းထက် $49.51 လျော့နည်းမည်ဟု ကျွန်ုပ်တို့မျှော်လင့်ပါသည်။

P>|t| (စိုင်းစိုင်းခမ်းလှိုင်): 0.567။ ၎င်းသည် စိုင်းစိုင်းခမ်းလှိုင်အတွက် စမ်းသပ်စာရင်းအင်းနှင့် ဆက်စပ်နေသည့် p-တန်ဖိုးဖြစ်သည်။ ဤတန်ဖိုးသည် 0.05 ထက်မနည်းသောကြောင့်၊ စိုင်းစိုင်းခမ်းလှိုင်သည် ဈေးနှုန်းနှင့် ကိန်းဂဏန်းအရ သိသာထင်ရှားသော ဆက်နွယ်မှုရှိကြောင်း ကျွန်ုပ်တို့တွင် အထောက်အထားမရှိပါ။

Coef (အလေးချိန်) : 1,746 ။ ၎င်းသည် စိုင်းစိုင်းခမ်းလှိုင်သည် စဉ်ဆက်မပြတ်ရှိနေသောကြောင့် အလေးချိန်တစ်ယူနစ်တိုးခြင်းနှင့်ဆက်စပ်နေသော ပျမ်းမျှစျေးနှုန်းပြောင်းလဲမှုကို ကျွန်ုပ်တို့အားပြောပြသည်။ ဤဥပမာတွင်၊ တစ်ယူနစ်အလေးချိန်တိုးလာမှုတစ်ခုစီသည် စိုင်းစိုင်းခမ်းလှိုင်သည် အဆက်မပြတ်ရှိနေသောကြောင့် ပျမ်းမျှအားဖြင့် စျေးနှုန်း $1.74 ခန့်တိုးလာခြင်းနှင့် ဆက်စပ်နေသည်။

ဥပမာအားဖြင့်၊ A နှင့် B နှစ်ခုစလုံးသည် 20 mpg ရသည်ဆိုကြပါစို့။ ကား A သည် ကား B ထက် အလေးချိန် တစ်ပေါင် ပိုနေပါက ကား A သည် ဒေါ်လာ ၁.၇၄ ပိုကျသင့်သည်။

P>|t| (အလေးချိန်) : 0.008 ။ ၎င်းသည် ကိုယ်အလေးချိန်အတွက် စမ်းသပ်မှုစာရင်းအင်းနှင့် ဆက်စပ်နေသည့် p-တန်ဖိုးဖြစ်သည်။ ဤတန်ဖိုးသည် 0.05 ထက်နည်းသောကြောင့်၊ အလေးချိန်သည် စျေးနှုန်းနှင့် ကိန်းဂဏန်းအရ သိသာထင်ရှားသော ဆက်နွယ်မှုရှိသည်ဟု ဆိုရန် လုံလောက်သော အထောက်အထားရှိသည်။

Coef (_cons): 1946.069။ ၎င်းသည် စိုင်းစိုင်းခမ်းလှိုင်နှင့် အလေးချိန် သုညဖြစ်နေသော ကားတစ်စီး၏ ပျမ်းမျှစျေးနှုန်းကို ပြောပြသည်။ ဤဥပမာတွင်၊ အလေးချိန်နှင့် စိုင်းစိုင်းခမ်းလှိုင်သည် သုညဖြစ်သောအခါ ပျမ်းမျှစျေးနှုန်းမှာ $1,946 ဖြစ်သည်။ ကားတစ်စီး၏အလေးချိန်နှင့် စိုင်းစိုင်းခမ်းလှိုင်သည် သုညမဖြစ်နိုင်ပါ၊ သို့သော် ဆုတ်ယုတ်မှုညီမျှခြင်းကို ပုံဖော်ရန်အတွက် နံပါတ် 1946.069 သည် အဓိပ္ပါယ်ဖွင့်ဆိုရန် အမှန်တကယ် အဓိပ္ပါယ်မရှိပေ။

အဆင့် 4- ရလဒ်များကို သတင်းပို့ပါ။

နောက်ဆုံးတွင်၊ ကျွန်ုပ်တို့သည် ကျွန်ုပ်တို့၏ multiple linear regression ၏ရလဒ်များကို အစီရင်ခံလိုပါသည်။ ဤသည်မှာ ဤအရာကို ပြုလုပ်ပုံ၏ ဥပမာတစ်ခုဖြစ်သည်။

ကားတစ်စီး၏အလေးချိန်နှင့် စိုင်းစိုင်းခမ်းလှိုင်နှင့် ၎င်း၏စျေးနှုန်းအကြား ဆက်နွယ်မှုကို တွက်ချက်ရန်အတွက် မျဉ်းကြောင်းအတိုင်း ဆုတ်ယုတ်မှုများစွာကို လုပ်ဆောင်ခဲ့သည်။ ခွဲခြမ်းစိတ်ဖြာမှုတွင် နမူနာကား ၇၄ စီးကို အသုံးပြုခဲ့သည်။

ရလဒ်များက အလေးချိန်နှင့် ဈေးနှုန်းကြားတွင် ကိန်းဂဏန်းအချက်အလတ် သိသာထင်ရှားသော ဆက်နွယ်မှုရှိကြောင်း ပြသခဲ့သည် (t = 2.72၊ p = 0.008)၊ သို့သော် စိုင်းစိုင်းခမ်းလှိုင်နှင့် ဈေးနှုန်း (နှင့် စိုင်းစိုင်းခမ်းလှိုင် (t = -0.57၊ p = 0.567)) အကြား ကိန်းဂဏန်းဆိုင်ရာ သိသာထင်ရှားသော ဆက်စပ်မှု မရှိပေ။