Regressor ဆိုတာဘာလဲ။ (အဓိပ္ပါယ်နှင့် ဥပမာများ)

စာရင်းဇယားများတွင်၊ regressor သည် တုံ့ပြန်မှုကိန်းရှင်ကို ခန့်မှန်းရန်အသုံးပြုသည့် regression model ရှိ မည်သည့် variable ကိုမဆို ပေးထားသော အမည်ဖြစ်သည်။

regressor ကို လည်း ခေါ်သည် ။

• ရှင်းပြချက် တစ်ခု
• သီးခြားကိန်းရှင် တစ်ခု
• ခြယ်လှယ်ထားသော ကိန်းရှင် တစ်ခု
• ပြောင်းလဲနိုင်သော ခန့်မှန်းချက်
• ဝိသေသတစ်ခု

ဤဝေါဟာရများအားလုံးကို သင်အလုပ်လုပ်သည့်နယ်ပယ်အမျိုးအစားပေါ်မူတည်၍ အပြန်အလှန်အသုံးပြုနိုင်သည်- စာရင်းဇယားများ၊ စက်သင်ယူမှု၊ ဘောဂဗေဒ၊

မှတ်ချက်- တစ်ခါတစ်ရံတွင် တုံ့ပြန်မှုကိန်းရှင်ကို “ ပြန်ယူနိုင်သော” ဟုခေါ်သည်။

ဆုတ်ယုတ်မှုပုံစံများတွင် Regressors

ဆုတ်ယုတ်မှုပုံစံအများစုသည် အောက်ပါပုံစံကို ယူသည်။

Y = β ₀ + B ₁ x ₁ + B ₂ x ₂ + B ₃ x ₃ + ε

ရွှေ-

• Y- တုံ့ပြန်မှု ကိန်းရှင်
• β _i : regressors အတွက် coefficients
• x _i : နောက်ပြန်ဆွဲသူများ
• ε: အမှားအယွင်းကိန်း

ဆုတ်ယုတ်မှုပုံစံတစ်ခုတည်ဆောက်ခြင်း၏အချက်မှာ regressor တွင်ပြောင်းလဲမှုများသည် တုံ့ပြန်မှုကိန်းရှင် (သို့မဟုတ် “ regressor” ) တွင် အပြောင်းအလဲများဖြစ်ပေါ်လာပုံကို နားလည်ရန်ဖြစ်သည်။

ဆုတ်ယုတ်မှုပုံစံများတွင် တစ်ခု သို့မဟုတ် တစ်ခုထက်ပိုသော regressor ရှိနိုင်သည်ကို သတိပြုပါ။

regressor တစ်ခုသာရှိသောအခါ၊ မော်ဒယ်ကို ရိုးရိုး linear regression model ဟုခေါ်ပြီး အများအပြား regressors များရှိနေသောအခါ model ကို multiple linear regression model ဟုခေါ်သည်။

အောက်ဖော်ပြပါနမူနာများသည် မတူညီသော ဆုတ်ယုတ်မှုပုံစံများတွင် regressor များကို အဓိပ္ပာယ်ပြန်ဆိုပုံများကို ဖော်ပြသည်။

ဥပမာ 1- သီးနှံအထွက်နှုန်း

လယ်သမားတစ်ဦးသည် စုစုပေါင်းသီးနှံအထွက်နှုန်း (ပေါင်) ကို အကျိုးသက်ရောက်စေသည့်အချက်များကို နားလည်လိုသည်ဆိုပါစို့။ ၎င်းသည် ဒေတာများကို စုဆောင်းပြီး အောက်ဖော်ပြပါ ဆုတ်ယုတ်မှုပုံစံကို တည်ဆောက်သည်-

သီးနှံအထွက်နှုန်း = 154.34 + 3.56*(မြေသြဇာပေါင်) + 1.89*(မြေဆီပေါင်)

ဤပုံစံတွင် ဓာတ်မြေသြဇာနှင့် မြေဆီလွှာကို ပြန်လည်ပြုပြင်ပေးသည့်ပစ္စည်း နှစ်မျိုးရှိသည်။

ဤနေရာတွင် ဤ regressors နှစ်ခုကို အဓိပ္ပာယ်ဖွင့်ဆိုပုံမှာ အောက်ပါအတိုင်းဖြစ်သည်။

• ဓာတ်မြေသြဇာ- မြေဆီလွှာပမာဏ မတည်မြဲသောကြောင့် မြေဆီလွှာပမာဏသည် ပျမ်းမျှအားဖြင့် ၃.၅၆ ပေါင်အထိ တိုးလာပါသည်။
• မြေဆီလွှာ- နောက်ထပ်အသုံးပြုသောမြေဆီတစ်ပေါင်စီအတွက် ဓာတ်မြေသြဇာပမာဏသည် မတည်မြဲသောကြောင့် သီးနှံအထွက်နှုန်းသည် ပျမ်းမျှ ၁.၈၉ ပေါင် တိုးလာသည်။

ဥပမာ 2- စာမေးပွဲရလဒ်များ

ပါမောက္ခတစ်ဦးသည် စာမေးပွဲရမှတ်များအပေါ် မည်ကဲ့သို့လေ့လာခဲ့သည်ကို နားလည်လိုသည်ဆိုပါစို့။ ၎င်းသည် ဒေတာများကို စုဆောင်းပြီး အောက်ဖော်ပြပါ ဆုတ်ယုတ်မှုပုံစံကို တည်ဆောက်သည်-

စာမေးပွဲရမှတ် = 68.34 + 3.44* (စာသင်ချိန်)

ဤမော်ဒယ်တွင် regressor ပါ၀င်သည်- နာရီများကို လေ့လာခဲ့သည်။ ထပ်လောင်းလေ့လာထားသော နာရီတိုင်းအတွက် စာမေးပွဲရမှတ်သည် ပျမ်းမျှ 3.44 မှတ်အထိ တိုးလာသည်ဟု ဆိုလိုရန်အတွက် ဤ regressor ၏ coefficient ကို ဘာသာပြန်ဆိုပါသည်။

ထပ်လောင်းအရင်းအမြစ်များ

regression coefficient ကို ဘယ်လိုအဓိပ္ပာယ်ဖွင့်မလဲ။
Regression Slope ၏ အရေးပါပုံကို စမ်းသပ်နည်း
Regression Table ကို ဘယ်လိုဖတ်ပြီး အဓိပါယ်ရမလဲ