R multiple သို့မဟုတ် r စတုရန်း- ကွာခြားချက်ကား အဘယ်နည်း။

စာရင်းအင်းဆော့ဖ်ဝဲအများစုကို အသုံးပြု၍ ဆုတ်ယုတ်မှုပုံစံ တစ်ခုကို သင်အံကိုက်လိုက်သောအခါ ရလဒ်တွင် အောက်ပါတန်ဖိုးနှစ်ခုကို သင်မကြာခဏ သတိပြုမိလိမ့်မည်-

Multiple R- ကိန်းရှင် သုံးခု သို့မဟုတ် ထို့ထက်ပိုသော ကိန်းရှင်များကြားတွင် များစွာသော ဆက်စပ်ကိန်း။

R-Square- ၎င်းကို (Multiple R) ² အဖြစ် တွက်ချက်ပြီး ခန့်မှန်းသူကိန်းရှင်များဖြင့် ရှင်းပြနိုင်သော ဆုတ်ယုတ်မှု ပုံစံ၏ တုံ့ပြန်မှုကိန်း ရှင်၏ ကွဲလွဲမှုအချိုးအစားကို ကိုယ်စားပြုသည်။ ဤတန်ဖိုးသည် 0 မှ 1 အထိ ကွဲပြားသည်။

လက်တွေ့တွင်၊ ကျွန်ုပ်တို့သည် တုံ့ပြန်မှုကိန်းရှင်၏တန်ဖိုးကို ခန့်မှန်းရာတွင် ခန့်မှန်းသူကိန်းရှင်များသည် မည်မျှအသုံးဝင်ကြောင်းပြောပြသောကြောင့် R-squared တန်ဖိုးကို ကျွန်ုပ်တို့စိတ်ဝင်စားလေ့ရှိပါသည်။

သို့သော်၊ ကျွန်ုပ်တို့သည် မော်ဒယ်သို့ ကြိုတင်ခန့်မှန်းကိန်းရှင်အသစ်ကို ထည့်လိုက်တိုင်း၊ ခန့်မှန်းသူကိန်းရှင်သည် အသုံးမဝင်သော်လည်း R-squared သည် တိုးလာမည်ဟု အာမခံပါသည်။

Adjusted R-squared သည် regression model ရှိ ကြိုတင်ခန့်မှန်းသူအရေအတွက်အတွက် ချိန်ညှိပေးသော R-squared ၏ မွမ်းမံထားသောဗားရှင်းတစ်ခုဖြစ်သည်။ အောက်ပါအတိုင်း တွက်ချက်သည်။

ချိန်ညှိထားသော R ² = 1 – [(1-R ² )*(n-1)/(nk-1)]

ရွှေ-

• R ² : မော်ဒယ်၏ R ²
• n : လေ့လာတွေ့ရှိချက်အရေအတွက်
• k : ကြိုတင်ခန့်မှန်းကိန်းရှင် အရေအတွက်

R-squared သည် မော်ဒယ်တစ်ခုသို့ သင် နောက်ထပ် ခန့်မှန်းချက်များကို ပေါင်းထည့်လိုက်သည်နှင့်အမျှ ချိန်ညှိထားသော R-squared သည် သင့်အား မော်ဒယ်တစ်ခုအတွင်း မည်မျှအသုံးဝင်သည်ကို ပြောပြသည့် မက်ထရစ်တစ်ခုအဖြစ် လုပ်ဆောင်နိုင်သည်၊ မော်ဒယ်တစ်ခုအတွင်းရှိ ခန့်မှန်းသူအရေအတွက်ပေါ်မူတည်၍ ချိန်ညှိထားသည် ။

ဤအသုံးအနှုန်းတစ်ခုစီကို ပိုနားလည်ရန် အောက်ပါဥပမာကို သုံးသပ်ကြည့်ပါ။

ဥပမာ- R များစွာ၊ R-စတုရန်းနှင့် ချိန်ညှိထားသော R-စတုရန်း

ကျွန်ုပ်တို့တွင် မတူညီသော ကျောင်းသား 12 ဦးအတွက် အောက်ဖော်ပြပါ ကိန်းရှင်သုံးမျိုးပါ၀င်သော အောက်ပါဒေတာအစုံရှိသည်ဆိုပါစို့။

ကျွန်ုပ်တို့သည် တုံ့ပြန်မှုကိန်းရှင်အဖြစ် ကြိုတင်ခန့်မှန်းကိန်းရှင်များနှင့် စာမေးပွဲရမှတ်များအဖြစ် လေ့လာမှုနာရီများ နှင့် လက်ရှိအဆင့်ကို အသုံးပြု၍ မျိုးစုံမျဉ်းကြောင်းဆုတ်ယုတ်မှုပုံစံကို အံဝင်ခွင်ကျဖြစ်စေသည်ဆိုပါစို့။

အောက်ဖော်ပြပါ မက်ထရစ်သုံးခု၏ တန်ဖိုးများကို ကျွန်ုပ်တို့ ကြည့်ရှုနိုင်သည်-

များစွာသော R- 0.978 ။ ၎င်းသည် တုံ့ပြန်မှုကိန်းရှင်နှင့် ကြိုတင်ခန့်မှန်းကိန်းရှင်နှစ်ခုကြား အများအပြားဆက်စပ်မှုကို ကိုယ်စားပြုသည်။

R စတုရန်း- 0.956 ။ ၎င်းကို (Multiple R) ² = (0.978) ² = 0.956 အဖြစ် တွက်ချက်သည်။ ၎င်းသည် ကျွန်ုပ်တို့အား စာမေးပွဲရမှတ်များ ကွဲလွဲမှု၏ 95.6% ကို လေ့လာနေခဲ့သော ကျောင်းသားများနှင့် သင်တန်းတွင် ၎င်းတို့၏ လက်ရှိအဆင့်ဖြင့် ရှင်းပြနိုင်ပါသည်။

ချိန်ညှိထားသော R-စတုရန်း- 0.946 ။ ၎င်းကို အောက်ပါအတိုင်း တွက်ချက်သည်။

ချိန်ညှိထားသော R ² = 1 – [(1-R ² )*(n-1)/(nk-1)] = 1 – [(1-.956)*(12-1)/(12-2-1) ] = 0.946 ။

၎င်းသည် မော်ဒယ်ရှိ ကြိုတင်ခန့်မှန်းကိန်းရှင် အရေအတွက်အတွက် ချိန်ညှိထားသော R-squared တန်ဖိုးကို ကိုယ်စားပြုသည်။

ဥပမာအားဖြင့်၊ ကျွန်ုပ်တို့သည် နောက်ထပ် ဆုတ်ယုတ်မှုပုံစံကို ကြိုတင်ခန့်မှန်းသူ 10 ဦးနှင့် ကိုက်ညီပြီး ထိုမော်ဒယ်၏ ချိန်ညှိထားသော R-squared သည် 0.88 ဖြစ်ကြောင်း တွေ့ရှိပါက ဤအတိုင်းအတာသည် အသုံးဝင်မည်ဖြစ်သည်။ ၎င်းသည် ကြိုတင်ခန့်မှန်းမှုနှစ်ခုသာပါရှိသော ဆုတ်ယုတ်မှုပုံစံသည် ပိုမိုမြင့်မားသော ချိန်ညှိထားသော R စတုရန်းတန်ဖိုးရှိသောကြောင့် ပိုမိုကောင်းမွန်ကြောင်း ညွှန်ပြမည်ဖြစ်သည်။

ထပ်လောင်းအရင်းအမြစ်များ

Multiple Linear Regression အကြောင်း နိဒါန်း
ကောင်းသော R-squared တန်ဖိုးဆိုသည်မှာ အဘယ်နည်း။