Nested model ဆိုတာ ဘာလဲ။ (အဓိပ္ပါယ် & #038; ဥပမာ)
nested model သည် ရိုးရှင်းစွာပင် ဆုတ်ယုတ်မှုပုံစံ တစ်ခုဖြစ်ပြီး အခြားသော regression model တွင် ကြိုတင်ခန့်မှန်းနိုင်သော ကိန်းရှင်များ ပါဝင်ပါသည်။
ဥပမာအားဖြင့်၊ ကျွန်ုပ်တို့တွင် ခန့်မှန်းသူကိန်းရှင်လေးခုအပေါ်အခြေခံ၍ ဘတ်စကက်ဘောကစားသမားမှ ရမှတ်အရေအတွက်ကို ခန့်မှန်းပေးသည့် အောက်ပါဆုတ်ယုတ်မှုပုံစံ ( Model A ဟုခေါ်ကြပါစို့) ဆိုပါစို့။
အမှတ်များ = β 0 + β 1 (မိနစ်) + β 2 (အမြင့်) + β 3 (အနေအထား) + β 4 (ရိုက်ချက်) + ε
nested မော်ဒယ်တစ်ခု၏ ဥပမာတစ်ခု (၎င်းကို Model B ဟုခေါ်ကြပါစို့) သည် Model A မှ ကြိုတင်ခန့်မှန်းနိုင်သော ကိန်းရှင်နှစ်ခုသာရှိသည့် အောက်ပါမော်ဒယ်ဖြစ်လိမ့်မည်-
အမှတ်များ = β 0 + β 1 (မိနစ်) + β 2 (အမြင့်) + ε
Model B သည် Model A တွင် ကိန်းအောင်းနေသည်ဟု ဆိုရမည်ဖြစ်ပြီး Model B တွင် Model A မှ ကြိုတင်ခန့်မှန်းနိုင်သော ကိန်းရှင်များ၏ အစုခွဲတစ်ခုပါရှိသည်။
သို့သော်၊ ကျွန်ုပ်တို့တွင် ခန့်မှန်းနိုင်သောကိန်းရှင် သုံးခုပါရှိသော အခြားမော်ဒယ်ရှိလျှင် (၎င်းကို Model C ဟုခေါ်ကြပါစို့)။
အမှတ်များ = β 0 + β 1 (မိနစ်) + β 2 (အမြင့်) + β 3 (အခမဲ့ ပစ်လွှတ်ရန် ကြိုးစားသည်)
Model C သည် Model A တွင် nested ရှိသည်ဟု ကျွန်ုပ်တို့ မပြောနိုင်သော ကြောင့် model တစ်ခုစီတွင် အခြား model တွင်မပါဝင်နိုင်သော ခန့်မှန်းနိုင်သော variable များပါရှိသည်။
nested မော်ဒယ်များ၏အရေးပါမှု
ကြိုတင်ခန့်မှန်းကိန်းရှင်များ အစုံအလင်ပါရှိသော မော်ဒယ်တစ်ခုသည် ခန့်မှန်းသူကိန်းရှင်များ၏ အစုခွဲတစ်ခုပါရှိသော မော်ဒယ်တစ်ခုထက် ဒေတာအတွဲတစ်ခုထက်ပို၍ ကိုက်ညီမှုရှိမရှိ သိလိုသည့်အခါ လက်တွေ့တွင် nested မော်ဒယ်များကို အသုံးပြုလေ့ရှိပါသည်။
ဥပမာအားဖြင့်၊ အထက်ဖော်ပြပါအခြေအနေတွင်၊ ကျွန်ုပ်တို့သည် ဘတ်စကက်ဘောကစားသမားများမှ ရမှတ်အရေအတွက်ကို ခန့်မှန်းရန် ကြိုးစားသည့် မိနစ်များ၊ အမြင့်၊ အနေအထားနှင့် ရိုက်ချက်များကို အသုံးပြု၍ ပြည့်စုံသောပုံစံကို တပ်ဆင်နိုင်သည်။
သို့သော်၊ အနေအထားနှင့် ကြိုးစားရိုက်ချက်များသည် ရမှတ်များကို ကောင်းစွာ မခန့်မှန်းနိုင်ဟု ကျွန်ုပ်တို့ သံသယဖြစ်နိုင်ပါသည်။
ထို့ကြောင့် ရမှတ်ရမှတ်များကို ခန့်မှန်းရန် မိနစ်ပိုင်းနှင့် ကွင်းအတွင်းသာ အသုံးပြုနိုင်သော အသိုက်ပုံစံပုံစံကို ကျွန်ုပ်တို့ အံဝင်ခွင်ကျဖြစ်စေနိုင်သည်။
ထို့နောက် စာရင်းအင်းအရ သိသာထင်ရှားသော ခြားနားချက်ရှိမရှိ ဆုံးဖြတ်ရန် မော်ဒယ်နှစ်ခုကို နှိုင်းယှဉ်နိုင်သည်။
မော်ဒယ်များအကြား သိသာထင်ရှားသော ခြားနားမှု မရှိပါက၊ ၎င်းတို့သည် မော်ဒယ်ကို သိသိသာသာ မတိုးတက်နိုင်သောကြောင့် ကြိုတင်ခန့်မှန်းနိုင်သော ကိန်းရှင်များအဖြစ် ကြိုးစားထားသော အနေအထားနှင့် ရိုက်ချက်များကို ဖယ်ရှားနိုင်ပါသည်။
nested မော်ဒယ်များကို ခွဲခြမ်းစိတ်ဖြာနည်း
nested model သည် “ full” model နှင့် သိသိသာသာကွာခြားမှုရှိမရှိ ဆုံးဖြတ်ရန်၊ အောက်ပါ null နှင့် အခြားအခြားသော အယူအဆများကို အသုံးပြုသည့် ဖြစ်နိုင်ခြေအချိုးစစ်ဆေးမှုကို ကျွန်ုပ်တို့ ပုံမှန်အားဖြင့် လုပ်ဆောင်သည်-
H 0 : မော်ဒယ်အပြည့်အစုံနှင့် nested မော်ဒယ်သည် ဒေတာကို အညီအမျှ ကောင်းစွာ လိုက်ဖက်ပါသည်။ ဒါကြောင့် nested model ကိုသုံး သင့်ပါတယ်။
H A : မော်ဒယ်အပြည့်အစုံသည် nested မော်ဒယ်ထက် ဒေတာကို သိသိသာသာ ကိုက်ညီပါသည်။ ဒါကြောင့် template အပြည့်အစုံကို သုံး ရပါမယ်။
ဖြစ်နိုင်ခြေအချိုးစမ်းသပ်မှုသည် Chi-square စမ်းသပ်မှုကိန်းဂဏန်းနှင့် သက်ဆိုင်သော p-value ကို ထုတ်လုပ်သည်။
အကယ်၍ စမ်းသပ်မှု၏ p-တန်ဖိုးသည် အချို့သော အရေးပါမှုအဆင့် (ဥပမာ 0.05) အောက်တွင် ရှိနေပါက၊ ကျွန်ုပ်တို့သည် null hypothesis ကို ငြင်းပယ်နိုင်ပြီး မော်ဒယ်အပြည့်အစုံသည် သိသိသာသာ ပိုမိုကောင်းမွန်သော ကိုက်ညီမှုရှိကြောင်း ကောက်ချက်ချနိုင်ပါသည်။
အောက်ဖော်ပြပါ သင်ခန်းစာများသည် R နှင့် Python ကို အသုံးပြု၍ ဖြစ်နိုင်ခြေ အချိုးကို စမ်းသပ်နည်းကို ရှင်းပြသည် ။
စာရေးသူအကြောင်း
Benjamin Anderson
မင်္ဂလာပါ၊ ကျွန်ုပ်သည် အငြိမ်းစား စာရင်းအင်း ပါမောက္ခ ဘင်ဂျမင်ဖြစ်ပြီး သီးသန့် Statorials ဆရာအဖြစ် လှည့်ပတ်ပါသည်။ စာရင်းဇယားနယ်ပယ်တွင် ကျယ်ပြန့်သောအတွေ့အကြုံနှင့် ကျွမ်းကျင်မှုနှင့်အတူ၊ Statorials မှတစ်ဆင့် ကျောင်းသားများကို ခွန်အားဖြစ်စေရန်အတွက် ကျွန်ုပ်၏အသိပညာကို မျှဝေလိုပါသည်။ ပိုသိတယ်။