R တွင် အဓိပ္ပါယ်ဖွင့်ဆိုပုံ


ဆုတ်ယုတ်မှု ခွဲခြမ်းစိတ်ဖြာမှု သို့မဟုတ် R တွင် ANOVA ကို သင် လုပ်ဆောင်သောအခါ၊ အထွက်ဇယားများတွင် ခွဲခြမ်းစိတ်ဖြာမှုတွင် အသုံးပြုသည့် ကိန်းရှင်များအတွက် p-တန်ဖိုးများ ပါ၀င်သည်။

ကိန်းရှင်များသည် စာရင်းအင်းအရ သိသာထင်ရှားပါက ဤအဓိပ္ပယ်ကုဒ်များကို ကြယ်အတွဲများ သို့မဟုတ် ဒဿမအမှတ်အဖြစ် ပြသပါသည်။

ဤသည်မှာ မတူညီသော အဓိပ္ပါယ်ကုဒ်များကို အဓိပ္ပာယ်ဖွင့်ဆိုပုံဖြစ်သည် ။

 significance code p-value
   *** [0, 0.001]
    **(0.001, 0.01]
     * (0.01, 0.05]
     . (0.05, 0.1]
                         (0.1, 1]

အောက်ဖော်ပြပါနမူနာများသည် ဤအဓိပ္ပါယ်ကုဒ်များကို လက်တွေ့တွင် မည်သို့အဓိပ္ပာယ်ဖွင့်ဆိုသည်ကို ပြသထားသည်။

ဥပမာ- Regression Significance Codes

အောက်ပါကုဒ်သည် hp , drat နှင့် wt ကို ခန့်မှန်းသူကိန်းရှင်များအဖြစ် တုံ့ပြန်မှုကိန်းရှင်အဖြစ် hp , drat နှင့် wt ကို အသုံးပြုထားသော ပေါင်းစပ် mtcars ဒေ တာ အတွဲနှင့် များစွာသောမျဉ်းကြောင်းဆုတ်ယုတ်မှုပုံစံကို မည်သို့အံဝင်ခွင်ကျဖြစ်စေရန် ဖော်ပြသည်-

 #fit regression model using hp, drat, and wt as predictors
model <- lm(mpg ~ hp + drat + wt, data = mtcars)

#view model summary
summary(model)

Call:
lm(formula = mpg ~ hp + drat + wt, data = mtcars)

Residuals:
    Min 1Q Median 3Q Max 
-3.3598 -1.8374 -0.5099 0.9681 5.7078 

Coefficients:
             Estimate Std. Error t value Pr(>|t|)    
(Intercept) 29.394934 6.156303 4.775 5.13e-05 ***
hp -0.032230 0.008925 -3.611 0.001178 ** 
drat 1.615049 1.226983 1.316 0.198755    
wt -3.227954 0.796398 -4.053 0.000364 ***
---
Significant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 2.561 on 28 degrees of freedom
Multiple R-squared: 0.8369, Adjusted R-squared: 0.8194 
F-statistic: 47.88 on 3 and 28 DF, p-value: 3.768e-11

ဤသည်မှာ ကြိုတင်ခန့်မှန်းကိန်းရှင် သုံးခုအတွက် အရေးပါသောကုဒ်များကို အဓိပ္ပာယ်ဖွင့်ဆိုပုံဖြစ်သည် ။

  • hp တွင် p-value သည် 0.001178 ရှိသည်။ ဤတန်ဖိုးသည် အကွာအဝေး (0.001၊ 0.01] တွင် ရှိနေသောကြောင့်၊ ၎င်းတွင် အဓိပ္ပါယ်ကုဒ် **
  • drat တွင် p-value သည် 0.198755 ရှိသည်။ ဤတန်ဖိုးသည် အကွာအဝေး (0,1, 1] တွင် ရှိနေသောကြောင့်၊ ၎င်းတွင် အဓိပ္ပါယ်ကုဒ်မရှိပါ။
  • wt တွင် p-value သည် .000364 ရှိသည်။ ဤတန်ဖိုးသည် အကွာအဝေး [0, 0.001] တွင်ရှိသောကြောင့်၊ ၎င်းတွင် အဓိပ္ပါယ်ကုဒ်တစ်ခုရှိသည် ***

အကယ်၍ ကျွန်ုပ်တို့သည် ဤဆုတ်ယုတ်မှုပုံစံတွင် မည်သည့်ကြိုတင်ခန့်မှန်းချက်များကို သိသာထင်ရှားစေသည်ကို ဆုံးဖြတ်ရန် α = 0.05 ၏ အယ်လ်ဖါအဆင့်ကို အသုံးပြုပါက၊ hp နှင့် wt တို့သည် drat မဟုတ်သော်လည်း ကိန်းဂဏန်းအရ သိသာထင်ရှားသော ကြိုတင်ခန့်မှန်းသူများဖြစ်သည်ဟု ကျွန်ုပ်တို့ပြောနိုင်သည်။

ဥပမာ- ANOVA ရှိ အရေးပါသောကုဒ်များ

အောက်ဖော်ပြပါ ကုဒ်သည် အချက်ပြကိန်း ရှင် အဖြစ် ဂီယာကို အသုံးပြု၍ တစ်လမ်းသွား ANOVA မော်ဒယ်နှင့် မည်သို့ အံဝင်ခွင်ကျ ဖြစ်သည်ကို ပြသသည်-

 #fit one-way ANOVA
model <- aov(mpg ~ gear, data = mtcars)

#view the model output
summary(model)

            Df Sum Sq Mean Sq F value Pr(>F)   
gear 1 259.7 259.75 8.995 0.0054 **
Residuals 30 866.3 28.88                  
---
Significant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

ဤသည်မှာ အထွက်ရှိ အဓိပ္ပါယ်ကုဒ်ကို မည်သို့အဓိပ္ပာယ်ပြန်ဆိုရမည်ကို ဤသည်မှာ၊

  • ဂီယာ တွင် p-value 0.0054 ရှိသည်။ ဤတန်ဖိုးသည် အကွာအဝေး (0.001၊ 0.01] တွင် ရှိနေသောကြောင့်၊ ၎င်းတွင် အဓိပ္ပါယ်ကုဒ် **

α = 0.05 ၏ အယ်လ်ဖာအဆင့်ကို အသုံးပြု၍ ဂီယာထိုးခြင်းသည် ကိန်းဂဏန်းအရ သိသာထင်ရှားသည်ဟု ဆိုနိုင်သည်။ တစ်နည်းဆိုရသော်၊ ၎င်းတို့၏ စက်ကိရိယာ တန်ဖိုးအပေါ်အခြေခံ၍ ကားတစ်စီး၏ပျမ်းမျှ mpg အကြား ကိန်းဂဏန်းအရ သိသာထင်ရှားသော ကွာခြားချက်ရှိသည်။

မှတ်ချက်တစ်ခုထည့်ပါ။

သင့် email လိပ်စာကို ဖော်ပြမည် မဟုတ်ပါ။ လိုအပ်သော ကွက်လပ်များကို * ဖြင့်မှတ်သားထားသည်