တစ်စိတ်တစ်ပိုင်းဆုတ်ယုတ်မှုကိန်းဂဏန်း- အဓိပ္ပါယ်နှင့် ဥပမာ

partial regression coefficient သည် multi linear regression model တစ်ခုတွင် regression coefficients ကိုပေးသော အမည်ဖြစ်သည်။

၎င်းသည် ရိုးရှင်းသော linear regression model တစ်ခုတွင် regression coefficient မှပေးသော အမည်ဖြစ်သည့် “ regression coefficient” နှင့် ဆန့်ကျင်ဘက်ဖြစ်သည်။

တစ်စိတ်တစ်ပိုင်းဆုတ်ယုတ်မှုကိန်းဂဏာန်းကိုအနက်ပြန်ဆိုရန်နည်းလမ်းမှာ အောက်ပါအတိုင်းဖြစ်သည်- ပေးထားသောကြိုတင်ခန့်မှန်းကိန်းရှင်တစ်ခုအတွင်း တစ်ယူနစ်တိုးလာခြင်းနှင့်ဆက်စပ်နေသည့် တုံ့ပြန်မှုကိန်းရှင် ၏ပျမ်းမျှပြောင်းလဲမှုသည် အခြားကြိုတင်ခန့်မှန်းသူကိန်းရှင်အားလုံးသည် အမြဲမပြတ်ရှိနေသည်ဟု ယူဆပါသည်။

အောက်ဖော်ပြပါ ဥပမာသည် မျဉ်းကြောင်းအတိုင်း ဆုတ်ယုတ်မှုပုံစံတစ်ခုတွင် တစ်စိတ်တစ်ပိုင်းဆုတ်ယုတ်မှုကိန်းများကို ခွဲခြားသတ်မှတ်ပြီး အဓိပ္ပာယ်ပြန်ဆိုနည်းကို ရှင်းပြထားသည်။

ဥပမာ- တစ်စိတ်တစ်ပိုင်းဆုတ်ယုတ်မှု ကိန်းဂဏာန်းများကို အဓိပ္ပာယ်ပြန်ဆိုခြင်း။

ကျောင်းတက်ခဲ့ရတဲ့ နာရီအရေအတွက်နဲ့ ကြိုတင်ပြင်ဆင်တဲ့ စာမေးပွဲအရေအတွက်က ကောလိပ်ဝင်ခွင့်စာမေးပွဲမှာ ကျောင်းသားတစ်ယောက်ရဲ့ အတန်းကို သက်ရောက်မှုရှိမရှိ သိချင်တယ်ဆိုပါစို့။

ဤဆက်နွယ်မှုကို စူးစမ်းလေ့လာရန်၊ ကျွန်ုပ်တို့သည် တုံ့ပြန်မှုကိန်းရှင်အဖြစ် ကြိုတင်ခန့်မှန်းကိန်းရှင်များနှင့် စာမေးပွဲရမှတ်များအဖြစ် ပြုလုပ်ထားသော နာရီများ နှင့် ကြိုတင်ပြင်ဆင်ထားသော စာမေးပွဲများကို အသုံးပြု၍ အများအပြားမျဉ်းအတိုင်း ဆုတ်ယုတ်မှုပုံစံကို အံကိုက်ပြုလုပ်နိုင်သည်။

အောက်ဖော်ပြပါ ဆုတ်ယုတ်မှုဇယားသည် မော်ဒယ်၏ရလဒ်ကို ပြသသည်-

ဤသည်မှာ တစ်စိတ်တစ်ပိုင်း ဆုတ်ယုတ်မှုကိန်းများကို အဓိပ္ပာယ်ဖွင့်ဆိုပုံဖြစ်သည်

အလုပ်ချိန်- စာကျက်ချိန် နောက်ထပ်တစ်နာရီစီအတွက်၊ စာမေးပွဲရမှတ်သည် ပျမ်းမျှ 5.56 မှတ်ဖြင့် တိုးလာပြီး အလေ့အကျင့်စာမေးပွဲ အရေအတွက်သည် စဉ်ဆက်မပြတ်ရှိနေမည်ဟု ယူဆပါသည်။

အဲဒါကိုကြည့်ဖို့ နောက်ထပ်နည်းလမ်းတစ်ခုကတော့ ကျောင်းသား A နဲ့ ကျောင်းသား B နှစ်ခုလုံးက ကြိုတင်ပြင်ဆင်တဲ့ စာမေးပွဲအရေအတွက် တူညီပေမယ့် ကျောင်းသား A က တစ်နာရီကြာအောင် စာသင်ရင် ကျောင်းသား A က ကျောင်းသား B ထက် ရမှတ် 5.56 မှတ် ပိုမြင့်သင့်တယ်။

ကြိုတင်ပြင်ဆင်မှုစာမေးပွဲများ- ဖြေဆိုထားသော နောက်ထပ်အကြိုပြင်ဆင်မှုစာမေးပွဲတစ်ခုစီအတွက်၊ စာမေးပွဲရမှတ်သည် ပျမ်းမျှအားဖြင့် 0.60 မှတ်ဖြင့် ကျဆင်းသွားကာ ဖြေဆိုရသည့် နာရီအရေအတွက်သည် ဆက်တိုက်ဖြစ်နေပါသည်။

၎င်းကိုကြည့်ရန် အခြားနည်းလမ်း- ကျောင်းသား A နှင့် ကျောင်းသား B နှစ်ခုစလုံးသည် နာရီပေါင်းများစွာ တူညီသော်လည်း ကျောင်းသား A သည် နောက်ထပ် ကြိုတင်ပြင်ဆင်မှု စာမေးပွဲဖြေဆိုပါက ကျောင်းသား A သည် ကျောင်းသား B ထက် ရမှတ် 0.60 မှတ် နိမ့်သင့်သည်။

ဆုတ်ယုတ်မှုရလဒ်မှ ကိန်းဂဏန်းများကို အသုံးပြု၍ ခန့်မှန်းခြေများစွာသော မျဉ်းကြောင်းဆုတ်ယုတ်မှုညီမျှခြင်းကို ကျွန်ုပ်တို့ ရေးသားနိုင်သည်-

စာမေးပွဲရမှတ် = 67.67 + 5.56*(နာရီ) – 0.60*(အကြိုစာမေးပွဲများ)

ကျောင်းသားတစ်ဦးအတွက် မျှော်မှန်းထားသော စာမေးပွဲရမှတ်ကို တွက်ချက်ရန် ဤခန့်မှန်းခြေဆုတ်ခြင်းညီမျှခြင်းကို အသုံးပြု၍ စာသင်ချိန်နာရီအရေအတွက်နှင့် ၎င်းတို့ဖြေဆိုသော အလေ့အကျင့် စာမေးပွဲအရေအတွက်အပေါ် အခြေခံ၍ ကျွန်ုပ်တို့ အသုံးပြုနိုင်ပါသည်။

ဥပမာအားဖြင့်၊ သုံးနာရီကြာလေ့လာပြီး ကြိုတင်စာမေးပွဲဖြေဆိုသော ကျောင်းသားတစ်ဦးသည် 83.75 အဆင့်ကို ရသင့်သည်-

စာမေးပွဲရမှတ် = 67.67 + 5.56*(3) – 0.60*(1) = 83.75

ထပ်လောင်းအရင်းအမြစ်များ

Simple Linear Regression နိဒါန်း
Multiple Linear Regression အကြောင်း နိဒါန်း
Regression Table ကို ဘယ်လိုဖတ်ပြီး အဓိပါယ်ရမလဲ