Omnibus စမ်းသပ်မှုဆိုသည်မှာ အဘယ်နည်း။ (အဓိပ္ပါယ်နှင့် ဥပမာများ)

စာရင်းဇယားများတွင်၊ omnibus စမ်းသပ်မှု သည် မော်ဒယ်တစ်ခု၏ အတိုင်းအတာများစွာ၏ အရေးပါမှုကို တစ်ပြိုင်နက် စမ်းသပ်သည့် မည်သည့် ကိန်းဂဏန်းဆိုင်ရာ စမ်းသပ်မှုမဆို ဖြစ်သည်။

ဥပမာအားဖြင့်၊ ကျွန်ုပ်တို့တွင် အောက်ပါ null နှင့် အခြားအခြားသော ယူဆချက်များရှိသည် ဆိုပါစို့။

H ₀ : μ ₁ = μ ₂ = μ ₃ = … = μ _k (လူဦးရေအားလုံးသည် တူညီသည်)

H _A : အနည်းဆုံး လူဦးရေ ပျမ်းမျှသည် အခြားသူများနှင့် မတူပါ။

null hypothesis တွင် parameter နှစ်ခုထက်ပို၍ ပါဝင်သောကြောင့် omnibus test ၏ ဥပမာတစ်ခုဖြစ်သည်။

ကျွန်ုပ်တို့သည် null hypothesis ကို ငြင်းပယ်ပါက၊ အနည်းဆုံး လူဦးရေ ဆိုသည်မှာ အခြားသူများနှင့် ကွဲပြားကြောင်း ကျွန်ုပ်တို့ သိထားသော်လည်း မည်သည့် လူဦးရေ အဓိပ္ပာယ် ကွာခြားသည်ကို အတိအကျ မသိပါ။

omnibus စမ်းသပ်မှုတစ်ခုသည် ANOVA မော်ဒယ်များ နှင့် မျဉ်းဖြောင့်ဆုတ်ယုတ်မှုပုံစံများ တွင် အများဆုံးတွေ့ရသည်။

ဤသင်ခန်းစာသည် one-way ANOVA နှင့် multiple linear regression model အတွက် omnibus test ၏ ဥပမာကို ပေးပါသည်။

တစ်လမ်းမောင်း ANOVA တွင် Omnibus စမ်းသပ်မှု

မတူညီသော စာမေးပွဲပြင်ဆင်မှု ပရိုဂရမ်သုံးခုသည် မတူညီသော စာမေးပွဲရမှတ်များ ဖြစ်ပေါ်လာခြင်းရှိမရှိကို ပါမောက္ခတစ်ဦးက သိချင်သည်ဆိုပါစို့။ ၎င်းကို စမ်းသပ်ရန်အတွက် ကျောင်းသား ၁၀ ဦးကို စာမေးပွဲကြိုတင်ပြင်ဆင်မှု အစီအစဉ်တစ်ခုစီကို တစ်လကြာ အသုံးပြုရန် ကျပန်းပေးကာ အုပ်စုတစ်ခုစီရှိ ကျောင်းသားများအား တူညီသောစာမေးပွဲကို စီမံပေးသည်။

အုပ်စုတစ်ခုစီအတွက် စာမေးပွဲရလဒ်များကို အောက်တွင် ဖော်ပြထားသည်။

ပြင်ဆင်မှုပရိုဂရမ်တစ်ခုစီသည် တူညီသောစာမေးပွဲရလဒ်များဆီသို့ဦးတည်ခြင်းရှိမရှိ ဆုံးဖြတ်ရန်၊ သူသည် အောက်ပါ null နှင့် အခြားအခြားသော ယူဆချက်များကို အသုံးပြု၍ one-way ANOVA ကို လုပ်ဆောင်သည်-

H ₀ : µ ₁ = µ ₂ = µ ₃

H _A : အနည်းဆုံး စာမေးပွဲပြင်ဆင်မှု ပရိုဂရမ်တစ်ခုသည် အခြားပျှမ်းမျှအဆင့်များထက် ကွဲပြားသည်။

null hypothesis တွင် parameters နှစ်ခုထက်ပိုသော ကြောင့် omnibus test ၏ ဥပမာတစ်ခုဖြစ်သည်။

တစ်လမ်းသွား ANOVA ဂဏန်းတွက်စက်ကို အသုံးပြု၍ ၎င်းသည် အောက်ပါ ANOVA ဇယားကို ထုတ်လုပ်နိုင်သည်-

null hypothesis ကို ငြင်းပယ်နိုင်သည်ဖြစ်စေ မဆုံးဖြတ်ရန်၊ F-test statistic နှင့် ဇယားရှိ သက်ဆိုင်ရာ p-value ကို ကြည့်ရှုရန် လိုအပ်သည်။

F-test statistic သည် 2.358 ဖြစ်ပြီး သက်ဆိုင်ရာ p-value သည် 0.11385 ဖြစ်သည်။ ဤ p-value သည် 0.05 ထက်မနည်းသောကြောင့်၊ null hypothesis ကို ငြင်းပယ်ရန် ပျက်ကွက်ပါသည်။

တစ်နည်းအားဖြင့်ဆိုရသော် စာမေးပွဲပြင်ဆင်သည့်ပရိုဂရမ်တစ်ခုသည် မတူညီသော ပျမ်းမျှစာမေးပွဲရမှတ်များကို ဖြစ်ပေါ်စေသည်ဟုဆိုရန် လုံလောက်သော အထောက်အထားမရှိပါ။

မှတ်ချက်- p-value သည် 0.05 ထက်နည်းပါက၊ ပါမောက္ခသည် null hypothesis ကို ငြင်းပယ်မည်ဖြစ်ပါသည်။ ထို့နောက် ကွဲပြားသော ပျမ်းမျှစာမေးပွဲရမှတ်များကို မည်သည့်ပရိုဂရမ်မှ ထုတ်ပေးသည်ကို အတိအကျဆုံးဖြတ်ရန် ၎င်းသည် post-hoc စစ်ဆေးမှု ပြုလုပ်နိုင်သည်။

Multiple linear regression model တွင် Omnibus စမ်းသပ်ခြင်း။

ပါမောက္ခတစ်ဦးသည် စာသင်ချိန်နာရီအရေအတွက်နှင့် စာမေးပွဲဖြေဆိုသည့် အကြိမ်အရေအတွက်ကို စာမေးပွဲတွင် ကျောင်းသားတစ်ဦးရရှိမည့် အတန်းကို ခန့်မှန်းနိုင်သည်ဆိုပါစို့။

၎င်းကိုစမ်းသပ်ရန်၊ သူသည် ကျောင်းသား 20 ၏ဒေတာကိုစုဆောင်းပြီးအောက်ပါ multiple linear regression model နှင့်ကိုက်ညီပါသည်။

စာမေးပွဲရမှတ် = β ₀ + β ₁ (နာရီ) + β ₂ (အကြိုစာမေးပွဲများ)

ဤဆုတ်ယုတ်မှုပုံစံသည် အောက်ပါ null နှင့် အခြားအခြားသော အယူအဆများကို အသုံးပြုသည်-

H ₀ : β ₁ = β ₂ = 0

H _A : အနည်းဆုံး coefficient တစ်ခုသည် သုညနှင့် မညီမျှပါ။

ကန့်သတ်ချက်တစ်ခုထက်ပိုသော တစ်ကြိမ်လျှင် သုညနှင့်ညီမျှခြင်းရှိမရှိ null hypothesis သည် omnibus စမ်းသပ်မှု၏ ဥပမာတစ်ခုဖြစ်သည်။

Excel ရှိ အောက်ဖော်ပြပါ ဆုတ်ယုတ်မှု ရလဒ်သည် ဤဆုတ်ယုတ်မှုပုံစံ၏ ရလဒ်များကို ပြသသည်-

null hypothesis ကို ငြင်းပယ်နိုင်သည်ဖြစ်စေ မဆုံးဖြတ်ရန်၊ F-test statistic နှင့် ဇယားရှိ သက်ဆိုင်ရာ p-value ကို ကြည့်ရှုရန် လိုအပ်သည်။

F-test statistic သည် 23.46 ဖြစ်ပြီး သက်ဆိုင်ရာ p-value သည် 0.00 ဖြစ်သည်။ ဤ p-value သည် 0.05 ထက်နည်းသောကြောင့်၊ ၎င်းသည် null hypothesis ကို ငြင်းပယ်နိုင်ပြီး model ရှိ အနည်းဆုံး coefficients တစ်ခုသည် သုညနှင့် မညီမျှဟု ကောက်ချက်ချနိုင်သည်။

သို့သော်၊ ဤ omnibus စမ်းသပ်မှု၏ null hypothesis ကို ရိုးရှင်းစွာ ငြင်းဆိုခြင်းသည် model ရှိ မည်သည့် coefficients သည် zero နှင့် မညီမျှကြောင်း အမှန်ပင် မပြောပါ။ ၎င်းကိုဆုံးဖြတ်ရန်၊ မော်ဒယ်ရှိတစ်ဦးချင်း coefficients ၏ p-တန်ဖိုးများကို ကြည့်ရှုရပါမည်။

• နာရီ P-value: 0.00
• ကြိုတင်ပြင်ဆင်စာမေးပွဲများ၏ P-တန်ဖိုး- 0.52

၎င်းသည် နာရီများသည် စာမေးပွဲအဆင့်၏ စာရင်းအင်းဆိုင်ရာ သိသာထင်ရှားသော ခန့်မှန်းချက်ဖြစ်ပြီး လက်တွေ့စာမေးပွဲများမဟုတ်သော်လည်း၊

အနှစ်ချုပ်

ဤဆောင်းပါးတွင် ကျွန်ုပ်တို့လေ့လာခဲ့သည့်အရာများ၏ အကျဉ်းချုပ်မှာ ဤအရာဖြစ်သည် ။

• မော်ဒယ်ဘောင်များစွာ၏ အရေးပါမှုကို တစ်ပြိုင်နက် စမ်းသပ်ရန်အတွက် omnibus စမ်းသပ်မှုကို အသုံးပြုသည်။
• omnibus စမ်းသပ်မှု၏ null hypothesis ကို ကျွန်ုပ်တို့ ငြင်းပယ်ပါက၊ မော်ဒယ်ရှိ အနည်းဆုံး parameter တစ်ခုသည် သိသာထင်ရှားကြောင်း သိပါသည်။
• ANOVA မော်ဒယ်တစ်ခု၏ null hypothesis ကို ကျွန်ုပ်တို့ ငြင်းပယ်ပါက၊ မည်သည့် လူဦးရေ၏ အဓိပ္ပါယ်သည် အမှန်တကယ် ကွာခြားသည်ကို ဆုံးဖြတ်ရန် post hoc tests ကို အသုံးပြုနိုင်ပါသည်။
• Multiple linear regression model ၏ null hypothesis ကို ငြင်းပယ်ပါက၊ စာရင်းအင်းအရ သိသာထင်ရှားသော ကိန်းဂဏန်းတစ်ခုချင်းစီ၏ p-values များကို ဆန်းစစ်နိုင်ပါသည်။

ထပ်လောင်းအရင်းအမြစ်များ

အောက်ဖော်ပြပါ သင်ခန်းစာများသည် Excel တွင် တစ်လမ်းသွား ANOVA နှင့် များစွာသော linear regression ကို မည်သို့လုပ်ဆောင်ရမည်ကို ရှင်းပြသည်-

Excel တွင် One-Way ANOVA လုပ်ဆောင်နည်း
Excel တွင် linear regression အများအပြားလုပ်ဆောင်နည်း