R တွင် တစ်စိတ်တစ်ပိုင်းကျန်နေသော မြေကွက်များ ဖန်တီးနည်း

Multiple linear regression သည် များစွာသော ကြိုတင်ခန့်မှန်းကိန်းရှင်များနှင့် တုံ့ပြန်မှု variable အကြား ဆက်နွယ်မှုကို နားလည်ရန် ကျွန်ုပ်တို့ အသုံးပြုနိုင်သည့် ကိန်းဂဏန်းဆိုင်ရာ နည်းလမ်းတစ်ခုဖြစ်သည်။

သို့သော်၊ များစွာသောမျဉ်းကြောင်းဆုတ်ယုတ်မှု၏ အဓိက ယူဆချက် တစ်ခုမှာ ခန့်မှန်းသူကိန်းရှင်တစ်ခုစီနှင့် တုံ့ပြန်မှုကိန်းရှင်ကြားတွင် မျဉ်းကြောင်းဆက်နွယ်မှုရှိကြောင်းဖြစ်သည်။

ဤယူဆချက်နှင့် မကိုက်ညီပါက၊ ဆုတ်ယုတ်မှုပုံစံ၏ ရလဒ်များသည် ယုံကြည်စိတ်ချနိုင်မည်မဟုတ်ပေ။

ဤယူဆချက်ကို စမ်းသပ်ရန် နည်းလမ်းတစ်ခုမှာ တုံ့ပြန်မှုကိန်းရှင်နှင့် ဆက်စပ်နေသည့် ခန့်မှန်းသူကိန်းရှင်၏ ကျန်ရှိသော အကြွင်းအကျန်များကို ပြသသည့် တစ်စိတ်တစ်ပိုင်းကျန်ကြွင်းသောကွက်ကွက်ကို ဖန်တီးရန်ဖြစ်သည်။

အောက်ဖော်ပြပါ ဥပမာသည် R တွင် ဆုတ်ယုတ်မှုပုံစံအတွက် တစ်စိတ်တစ်ပိုင်းကျန်နေသောကွက်များကို မည်သို့ဖန်တီးရမည်ကို ပြသထားသည်။

ဥပမာ- R တွင် တစ်စိတ်တစ်ပိုင်းကျန်နေသော မြေကွက်များကို ဖန်တီးနည်း

ကျွန်ုပ်တို့သည် R တွင် ခန့်မှန်းနိုင်သော ကိန်းရှင်သုံးခုပါသော ဆုတ်ယုတ်မှုပုံစံတစ်ခုကို အံကိုက်ဆိုပါစို့။

 #make this example reproducible
set. seeds (0)

#define response variable
y <- c(1:1000)

#define three predictor variables
x1 <- c(1:1000)*runif(n=1000)
x2 <- (c(1:1000)*rnorm(n=1000))^2
x3 <- (c(1:1000)*rnorm(n=1000))^3

#fit multiple linear regression model
model <- lm(y~x1+x2+x3))

ကျွန်ုပ်တို့သည် မော်ဒယ်ရှိ ခန့်မှန်းသူ ကိန်းရှင်တစ်ခုစီအတွက် တစ်စိတ်တစ်ပိုင်းကျန်နေသော မြေကွက်များကို ဖန်တီးရန် R ရှိ ကား ပက်ကေ့ခ်ျမှ crPlots() လုပ်ဆောင်ချက်ကို အသုံးပြုနိုင်ပါသည်။

 library (car)

#create partial residual plots
crPlots(model)

အပြာရောင်မျဉ်းသည် ခန့်မှန်းသူနှင့် တုံ့ပြန်မှုကိန်းရှင်ကြားတွင် မျဉ်းကြောင်းညီပါက မျှော်မှန်းထားသည့်ကျန်နေမှုများကို ပြသသည်။ ပန်းရောင်မျဉ်းသည် တကယ့်လက်ကျန်များကို ပြသသည်။

မျဉ်းနှစ်ကြောင်း သိသိသာသာကွာခြားပါက၊ ၎င်းသည် လိုင်းမဟုတ်သော ဆက်နွယ်မှုကို ညွှန်ပြသည်။

အထက်ဖော်ပြပါဂရပ်များမှ x2 နှင့် x3 အတွက် အကြွင်းအကျန်များသည် မျဉ်းကြောင်းမဟုတ်ကြောင်း တွေ့ရှိနိုင်ပါသည်။

၎င်းသည် မျဉ်းဖြောင့် ဆုတ်ယုတ်မှု အများအပြား၏ မျဉ်းဖြောင့်ခြင်း ယူဆချက်ကို ချိုးဖောက်သည်။ ဤပြဿနာကိုဖြေရှင်းရန် နည်းလမ်းတစ်ခုမှာ ကြိုတင်ခန့်မှန်းကိန်းရှင်များပေါ်တွင် စတုရန်း သို့မဟုတ် ကုဗအမြစ်အသွင်ပြောင်းခြင်းကို အသုံးပြုခြင်းဖြစ်သည်-

 library (car)

#fit new model with transformed predictor variables
model_transformed <- lm(y~x1+sqrt(x2)+log10(x3^(1/3)))

#create partial residual plots for new model
crPlots(model_transformed)

တစ်စိတ်တစ်ပိုင်းကျန်နေသောကွက်များမှ၊ ယခု x2 သည် တုံ့ပြန်မှုကိန်းရှင်နှင့် ပိုမိုမျဉ်းသားသောဆက်ဆံရေးရှိကြောင်း ကျွန်ုပ်တို့တွေ့မြင်နိုင်ပါသည်။

x3 ကြိုတင်ခန့်မှန်းနိုင်သော ကိန်းရှင်သည် အနည်းအကျဉ်းမဟုတ်သေးသောကြောင့် ကျွန်ုပ်တို့သည် အခြားအသွင်ပြောင်းမှုကို စမ်းကြည့်ရန် သို့မဟုတ် ကိန်းရှင်ကို မော်ဒယ်မှ လုံးလုံးဖယ်ရှားပစ်ရန် ဆုံးဖြတ်နိုင်ပါသည်။

ထပ်လောင်းအရင်းအမြစ်များ

အောက်ဖော်ပြပါ သင်ခန်းစာများသည် R တွင် အခြားဘုံကွက်များကို ဖန်တီးနည်းကို ရှင်းပြသည်-

R တွင် ရောဂါရှာဖွေရေးကွက်များ ဖန်တီးနည်း
R တွင် စကေးနှင့် တည်နေရာကွက်ကွက် ဖန်တီးနည်း
R တွင်ကျန်ရှိသောကွက်ကွက်ဖန်တီးနည်း