Python တွင် wald test ပြုလုပ်နည်း


မော်ဒယ်တစ်ခု သို့မဟုတ် တစ်ခုထက်ပိုသော ဘောင်များသည် အချို့သောတန်ဖိုးများနှင့် တူညီမှုရှိမရှိ စမ်းသပ်ရန်အတွက် Wald စမ်းသပ်မှုကို အသုံးပြုနိုင်သည်။

ဆုတ်ယုတ်မှုပုံစံတွင် တစ်ခု သို့မဟုတ် တစ်ခုထက်ပိုသော ခန့်မှန်းကိန်းရှင်များသည် သုညနှင့် ညီမျှခြင်းရှိမရှိ ဆုံးဖြတ်ရန် ဤစစ်ဆေးမှုကို မကြာခဏအသုံးပြုသည်။

ဤစစ်ဆေးမှုအတွက် ကျွန်ုပ်တို့သည် အောက်ပါ null နှင့် အခြားအခြားသော အယူအဆများကို အသုံးပြုသည်-

  • H 0 : အချို့သော ကြိုတင်ခန့်မှန်းကိန်းရှင်အတွဲများသည် သုညနှင့်ညီသည်။
  • H A : အစုရှိ ကြိုတင်ခန့်မှန်းကိန်းရှင်အားလုံးသည် သုညနှင့် ညီမျှသည်မဟုတ်ပါ။

အကယ်၍ ကျွန်ုပ်တို့သည် null hypothesis ကို ငြင်းဆိုရန် ပျက်ကွက်ပါက၊ ၎င်းတို့သည် စံပြကိုက်ညီမှုတွင် စာရင်းအင်းဆိုင်ရာ သိသာထင်ရှားသော တိုးတက်မှုကို မပံ့ပိုးနိုင်သောကြောင့် မော်ဒယ်မှ သတ်မှတ်ထားသော ခန့်မှန်းသူကိန်းရှင်များကို ဖယ်ရှားနိုင်ပါသည်။

အောက်ပါဥပမာသည် Python တွင် Wald စမ်းသပ်နည်းကိုပြသသည်။

ဥပမာ- Python တွင် Wald စမ်းသပ်မှု

ဤဥပမာအတွက်၊ အောက်ပါများစွာသော linear regression model နှင့်ကိုက်ညီရန် နာမည်ကြီး mtcars dataset ကိုအသုံးပြုပါမည်။

mpg = β 0 + β 1 ရနိုင်သည် + β 2 carb + β 3 hp + β 4 cyl

အောက်ပါကုဒ်သည် ဤဆုတ်ယုတ်မှုပုံစံနှင့် အံဝင်ခွင်ကျဖြစ်ပုံကို ပြသပြီး မော်ဒယ်အကျဉ်းချုပ်ကို ပြသသည်-

 import statsmodels. formula . api as smf
import pandas as pd
import io

#define dataset as string
mtcars_data="""model,mpg,cyl,disp,hp,drat,wt,qsec,vs,am,gear,carb
Mazda RX4,21,6,160,110,3.9,2.62,16.46,0,1,4,4
Mazda RX4 Wag,21.6,160,110,3.9,2.875,17.02,0,1,4,4
Datsun 710,22.8,4,108,93,3.85,2.32,18.61,1,1,4,1
Hornet 4 Drive,21.4,6,258,110,3.08,3.215,19.44,1,0,3,1
Hornet Sportabout,18.7,8,360,175,3.15,3.44,17.02,0,0,3,2
Valiant,18.1,6,225,105,2.76,3.46,20.22,1,0,3,1
Duster 360,14.3,8,360,245,3.21,3.57,15.84,0,0,3,4
Merc 240D,24.4,4,146.7,62,3.69,3.19,20,1,0,4,2
Merc 230,22.8,4,140.8,95,3.92,3.15,22.9,1,0,4,2
Merc 280,19.2,6,167.6,123,3.92,3.44,18.3,1,0,4,4
Merc 280C,17.8,6,167.6,123,3.92,3.44,18.9,1,0,4,4
Merc 450SE,16.4,8,275.8,180,3.07,4.07,17.4,0,0,3,3
Merc 450SL,17.3,8,275.8,180,3.07,3.73,17.6,0,0,3,3
Merc 450SLC,15.2,8,275.8,180,3.07,3.78,18,0,0,3,3
Cadillac Fleetwood,10.4,8,472,205,2.93,5.25,17.98,0,0,3,4
Lincoln Continental,10.4,8,460,215,3,5.424,17.82,0,0,3,4
Chrysler Imperial,14.7,8,440,230,3.23,5.345,17.42,0,0,3,4
Fiat 128,32.4,4,78.7,66,4.08,2.2,19.47,1,1,4,1
Honda Civic,30.4,4,75.7,52,4.93,1.615,18.52,1,1,4,2
Toyota Corolla,33.9,4,71.1,65,4.22,1.835,19.9,1,1,4,1
Toyota Corona,21.5,4,120.1,97,3.7,2.465,20.01,1,0,3,1
Dodge Challenger,15.5,8,318,150,2.76,3.52,16.87,0,0,3,2
AMC Javelin,15.2,8,304,150,3.15,3.435,17.3,0,0,3,2
Camaro Z28,13.3,8,350,245,3.73,3.84,15.41,0,0,3,4
Pontiac Firebird,19.2,8,400,175,3.08,3.845,17.05,0,0,3,2
Fiat X1-9,27.3,4,79,66,4.08,1.935,18.9,1,1,4,1
Porsche 914-2,26,4,120.3,91,4.43,2.14,16.7,0,1,5,2
Lotus Europa,30.4,4,95.1,113,3.77,1.513,16.9,1,1,5,2
Ford Pantera L,15.8,8,351,264,4.22,3.17,14.5,0,1,5,4
Ferrari Dino,19.7,6,145,175,3.62,2.77,15.5,0,1,5,6
Maserati Bora,15.8,301,335,3.54,3.57,14.6,0,1,5,8
Volvo 142E,21.4,4,121,109,4.11,2.78,18.6,1,1,4,2"""

#convert string to DataFrame
df = pd. read_csv ( io.StringIO (mtcars_data), sep=" , ")

#fit multiple linear regression model
results = smf. ols (' mpg~disp+carb+hp+cyl ',df). fit ()

#view regression model summary
results. summary ()

	coef std err t P>|t| [0.025 0.975]
Intercept34.0216 2.523 13.482 0.000 28.844 39.199
available -0.0269 0.011 -2.379 0.025 -0.050 -0.004
carb -0.9269 0.579 -1.601 0.121 -2.115 0.261
hp 0.0093 0.021 0.452 0.655 -0.033 0.052
cyl -1.0485 0.784 -1.338 0.192 -2.657 0.560

ထို့နောက်၊ ခန့်မှန်းသူကိန်းရှင် “ hp” နှင့် “ cyl” နှစ်ခုလုံးအတွက် သုညနှင့်ညီမျှခြင်းရှိမရှိ စမ်းသပ်ရန် statsmodels wald_test() လုပ်ဆောင်ချက်ကို ကျွန်ုပ်တို့အသုံးပြုနိုင်ပါသည်။

အောက်ပါကုဒ်သည် ဤလုပ်ဆောင်ချက်ကို လက်တွေ့တွင် မည်သို့အသုံးပြုရမည်ကို ပြသသည်-

 #perform Wald Test to determine if 'hp' and 'cyl' coefficients are both zero
print ( results.wald_test (' (hp=0, cyl=0) '))

F test: F=array([[0.91125429]]), p=0.41403001184235005, df_denom=27, df_num=2

ရလဒ်မှ၊ စမ်းသပ်မှု၏ p-value သည် 0.414 ဖြစ်သည်ကို ကျွန်ုပ်တို့တွေ့နိုင်သည်။

ဤ p-value သည် 0.05 ထက်မနည်းသောကြောင့် Wald test ၏ null hypothesis ကို ငြင်းပယ်ရန် ပျက်ကွက်ပါသည်။

ဆိုလိုသည်မှာ ကြိုတင်ခန့်မှန်းကိန်းရှင် “ hp” နှင့် “ cyl” အတွက် ဆုတ်ယုတ်မှုကိန်းဂဏန်းများသည် သုညနှင့် ညီမျှသည်ဟု ကျွန်ုပ်တို့ ယူဆနိုင်သည်။

၎င်းတို့သည် စာရင်းအင်းအရ အလုံးစုံမော်ဒယ်ကိုက်ညီမှုကို သိသိသာသာ မတိုးတက်နိုင်သောကြောင့် ဤစည်းကမ်းချက်များကို မော်ဒယ်မှ ဖယ်ရှားနိုင်ပါသည်။

ထပ်လောင်းအရင်းအမြစ်များ

အောက်ပါ သင်ခန်းစာများသည် Python တွင် အခြားသော ဘုံလုပ်ဆောင်ချက်များကို မည်သို့လုပ်ဆောင်ရမည်ကို ရှင်းပြသည်-

ရိုးရှင်းသော linear regression လုပ်ဆောင်နည်း
Python တွင် polynomial regression လုပ်နည်း
Python တွင် VIF တွက်နည်း

မှတ်ချက်တစ်ခုထည့်ပါ။

သင့် email လိပ်စာကို ဖော်ပြမည် မဟုတ်ပါ။ လိုအပ်သော ကွက်လပ်များကို * ဖြင့်မှတ်သားထားသည်