R တွင် နောက်ဆက်တွဲ variable ကွက်များကို ဖန်တီးနည်း

ကိန်းဂဏန်းစာရင်းဇယားများတွင် ပေါင်းထည့်ထားသော variable plot များသည် တုံ့ပြန်မှုကိန်းရှင် တစ်ခုနှင့် multiple linear regression model တွင် ကြိုတင်ခန့်မှန်းနိုင်သော variable များအကြား ဆက်စပ်မှုကို ပြသသည့် ကွက်ကွက်များဖြစ်ပြီး မော်ဒယ်ရှိ အခြားကြိုတင်ခန့်မှန်းသူကိန်းရှင်များရှိနေခြင်းကို ထိန်းချုပ်နေစဉ်။

မှတ်ချက်- တစ်ခါတစ်ရံ ဤကွက်များကို “ တစ်စိတ်တစ်ပိုင်းဆုတ်ယုတ်မှုကွက်များ” ဟုလည်း ခေါ်သည်။

ဤကြံစည်မှုအမျိုးအစားသည် ကျွန်ုပ်တို့အား ခန့်မှန်းသူကိန်းရှင်တစ်ခုစီနှင့် အခြားကြိုတင်ခန့်မှန်းကိန်းရှင်များကို ကိန်းသေထားစဉ်တွင် နမူနာတစ်ခုစီရှိ တုံ့ပြန်မှုကိန်းရှင်ကြားရှိ ဆက်စပ်မှုကို သတိပြုနိုင်စေပါသည်။

R တွင် နောက်ဆက်တွဲ variable ကွက်များကို ဖန်တီးရန်၊ ကျွန်ုပ်တို့သည် ကား ပက်ကေ့ခ်ျမှ avPlots() လုပ်ဆောင်ချက်ကို အသုံးပြုနိုင်ပါသည်။

 #load car package
library (car) 

#fit multiple linear regression model
model <- lm(y ~ x1 + x2 + ..., data = df)

#create added variable plots
avPlots(model)

အောက်ဖော်ပြပါ ဥပမာသည် ဤ syntax ကို လက်တွေ့တွင် မည်သို့အသုံးပြုရမည်ကို ပြသထားသည်။

ဥပမာ- R တွင် Variable Plots များထည့်ခြင်း။

mtcars dataset မှဒေတာကိုအသုံးပြု၍ R တွင်ဖော်ပြထားသော multiple linear regression model နှင့်ကိုက်ညီသည်ဆိုပါစို့။

 #fit multiple linear regression model
model <- lm(mpg ~ disp + hp + drat, data = mtcars)

#view summary of model
summary(model)

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

Residuals:
    Min 1Q Median 3Q Max 
-5.1225 -1.8454 -0.4456 1.1342 6.4958 

Coefficients:
             Estimate Std. Error t value Pr(>|t|)   
(Intercept) 19.344293 6.370882 3.036 0.00513 **
available -0.019232 0.009371 -2.052 0.04960 * 
hp -0.031229 0.013345 -2.340 0.02663 * 
drat 2.714975 1.487366 1.825 0.07863 . 
---
Significant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 3.008 on 28 degrees of freedom
Multiple R-squared: 0.775, Adjusted R-squared: 0.7509 
F-statistic: 32.15 on 3 and 28 DF, p-value: 3.28e-09

တုံ့ပြန်မှုကိန်းရှင် “ mpg” နှင့် မော်ဒယ်ရှိ ကြိုတင်ခန့်မှန်းသူ ကိန်းရှင်တစ်ခုစီအကြား ဆက်စပ်မှုကို မြင်ယောင်ရန်၊ ကျွန်ုပ်တို့သည် avPlots() လုပ်ဆောင်ချက်ကို အသုံးပြု၍ ထပ်လောင်း variable ကွက်များကို ထုတ်လုပ်နိုင်သည်-

 #load car package
library (car)

#produce added variable plots
avPlots(model)

ဤသည်မှာ ဇာတ်ကွက်တစ်ခုစီကို မည်သို့အဓိပ္ပာယ်ဖွင့်ဆိုရမည်နည်း၊

• x-axis သည် တစ်ခုတည်းသော ခန့်မှန်းချက်ကိန်းရှင်ကိုပြသပြီး y-axis သည် တုံ့ပြန်မှုပြောင်းလဲခြင်းကိုပြသသည်။
• အပြာရောင်မျဉ်းသည် ခန့်မှန်းသူကိန်းရှင်နှင့် တုံ့ပြန်မှုကိန်းရှင်ကြား ဆက်စပ်မှုကို ပြသသည်၊၊ အခြားကြိုဟောသူကိန်းရှင်အားလုံး၏ တန်ဖိုးကို ကိန်းသေအဖြစ် ထိန်းထားစဉ် ။
• ဂရပ်တစ်ခုစီရှိ အညွှန်းတပ်ထားသော အမှတ်များသည် အကြီးဆုံး အကြွင်းအကျန်များ ဖြင့် ရှုမြင်ချက်နှစ်ခုနှင့် အကြီးဆုံးတစ်စိတ်တစ်ပိုင်း လွှမ်းမိုးမှုရှိသော ရှုမြင်ချက်နှစ်ခုကို ကိုယ်စားပြုသည်။

ကွက်တစ်ခုစီရှိ မျဉ်း၏ထောင့်သည် ခန့်မှန်းဆုတ်ယုတ်မှုညီမျှခြင်း၏ ဖော်ကိန်း၏ နိမိတ်လက္ခဏာနှင့် ကိုက်ညီကြောင်း သတိပြုပါ။

ဥပမာအားဖြင့်၊ ဤသည်မှာ မော်ဒယ်ရှိ ခန့်မှန်းသူ ကိန်းရှင်တစ်ခုစီအတွက် ခန့်မှန်းကိန်းများဖြစ်သည်-

• ပြသမှု- -0.019232
• ch: -0.031229
• ရက်စွဲ- 2.714975

disp နှင့် hp တို့အတွက် အနုတ်လက္ခဏာဖြစ်နေသော်လည်း၊ ၎င်းတို့၏ ခန့်မှန်းချက်ကိန်းဂဏန်းများ၏ နိမိတ်လက္ခဏာများနှင့် ကိုက်ညီသည့် drat အတွက် ထပ်ထည့်သော variable plot တွင် မျဉ်း၏ထောင့်သည် အပြုသဘောဖြစ်ကြောင်း သတိပြုပါ။

ဤဂရပ်များသည် ကျွန်ုပ်တို့အား ခန့်မှန်းသူတစ်ဦးစီ၏ ကိန်းရှင်ကိန်းရှင်နှင့် တုံ့ပြန်မှုကိန်းရှင်ကြားရှိ ဆက်စပ်မှုကို အလွယ်တကူမြင်ယောင်နိုင်စေပါသည်။

ထပ်လောင်းအရင်းအမြစ်များ

R တွင် ရိုးရှင်းသော linear regression လုပ်နည်း
R တွင် linear regression အများအပြားလုပ်ဆောင်နည်း
R တွင် logistic regression ကို မည်သို့လုပ်ဆောင်ရမည်နည်း