የሊስት ካሬዎች ዘዴ ምሳሌ የውይይት ጥያቄዎች
የሊስት ካሬዎች ዘዴ (LEM) መረጃን በብቃት የሚተነብይ ምርጥ ተስማሚ መስመር ለማግኘት የሚያገለግል የስታቲስቲክስ ዘዴ ነው። ይህ ዘዴ ብዙውን ጊዜ በገለልተኛ እና ጥገኛ ተለዋዋጮች መካከል ያለውን ግንኙነት ለመለየት በመስመር ሪግሬሽን ትንተና ውስጥ ጥቅም ላይ ይውላል። ይህ ጽሑፍ የሊስት ካሬዎች ዘዴን መሰረታዊ ፅንሰ ሀሳቦችን ከችግር ምሳሌዎች እና ይህ ዘዴ እንዴት እንደሚሰራ በጥልቀት ለመረዳት ደረጃ በደረጃ ማብራሪያዎችን ይሸፍናል።
የአነስተኛ ካሬዎች ዘዴ መሰረታዊ ፅንሰ ሀሳቦች
የዝቅተኛ ካሬዎች ዘዴ ግብ በተስተዋሉት እሴቶች እና በተሃድሶ ሞዴል በተተነበዩት እሴቶች መካከል ያለውን ልዩነት ካሬዎች ድምር መቀነስ ነው። የአንድ ቀላል መስመራዊ ተሃድሶ መስመር እኩልታ እንደሚከተለው ሊጻፍ ይችላል፡
\[y = a + bx \]
የት፡
– \(y \) ጥገኛ ተለዋዋጭ ነው፣
– \( x \) ነፃ ተለዋዋጭ ነው፣
– \( a \) መቆራረጥ ነው (የ \( y \) እሴት when \( x = 0 \))፣
– \( b \) የመስመሩ ተዳፋት (ቁልቁለት፣ ወይም የሪግሬሽን ኮፊሸንት) ነው።
ትንሹ ካሬ ዘዴ የሚከተሉትን ተግባራት የሚቀንሱትን መለኪያዎች \(a \) እና \(b \) ይገምታል፡
\[ \text{SSE} = \sum_{i=1}^{n} (y_i – \hat{y_i})^2 \]
SSE የስኩዌርድ ስህተቶች ድምር ሲሆን፣ \( y_i \) ትክክለኛው እሴት ሲሆን \( \hat{y_i} = a + bx_i \) ደግሞ የተተነበየው እሴት ነው።
የሊስት ካሬዎች ዘዴ ደረጃዎች
ጽንሰ-ሐሳቡን ለማብራራት፣ የዝቅተኛ ካሬ ዘዴን መጠቀምን የሚያካትት የምሳሌ ችግር እንፈታለን።
የችግሮች ምሳሌ
የሚከተለውን መረጃ ከግምት ውስጥ በማስገባት፡
| x (የጥናት ሰዓቶች) | y (የፈተና ውጤት) |
|———————–|——————–|
| 2 | 81 |
| 4 | 93 |
| 6 | 91 |
| 8 | 97 |
| 10 | 103 |
ከውሂቡ ጋር በተሻለ የሚስማማውን መስመራዊ ሪግሬሽን መስመር ይወስኑ።
ውይይት
1. የ \( \bar{x} \) እና \( \bar{y} \) አማካይ ማስላት
\[
\bar{x} = \frac{\sum x_i}{n} = \frac{2 + 4 + 6 + 8 + 10}{5} = 6
\]
\[
\bar{y} = \frac{\sum y_i}{n} = \frac{81 + 93 + 91 + 97 + 103}{5} = 93
\]
2. መለኪያ ማስላት \( b \) (ቁልቁለት)
መለኪያው \( b \) የሚሰላው በ፡
\[
b = \frac{\sum (x_i – \bar{x})(y_i – \bar{y})}{\sum (x_i – \bar{x})^2}
\]
የእያንዳንዱን ክፍል ስሌት ማድረግ፡
\[
\sum (x_i – \bar{x})(y_i – \bar{y}) = (2-6)(81-93) + (4-6)(93-93) + (6-6)(91-93) + (8-6)(97-93) + (10-6)(103-93)
\]
\[
= (-4)(-12) + (-2)(0) + (0)(-2) + (2)(4) + (4)(10)
\]
\[
= 48 + 0 + 0 + 8 + 40 = 96
\]
\[
\sum (x_i – \bar{x})^2 = (2-6)^2 + (4-6)^2 + (6-6)^2 + (8-6)^2 + (10-6)^2
\]
\[
= (-4)^2 + (-2)^2 + 0^2 + 2^2 + 4^2
\]
\[
= 16 + 4 + 0 + 4 + 16 = 40
\]
ስለዚህ፥
\[
b = \frac{96}{40} = 2.4
\]
3. መለኪያውን \( a \) (ኢንተርሴፕት) ማስላት
የ\( \bar{x} \) እና \( \bar{y} \ አማካይን በመጠቀም፦
\[
a = \bar{y} – b\bar{x} = 93 – 2.4 \times 6 = 93 – 14.4 = 78.6
\]
4. የሪግሬሽን መስመር እኩልታን መጻፍ
በተገኙት መለኪያዎች፣ የሪግሬሽን መስመሩን እኩልታ መፃፍ እንችላለን፡
\[
y = 78.6 + 2.4x
\]
ትርጓሜ እና ማረጋገጫ
ይህ የሪግሬሽን መስመር የሚስማማ መሆኑን ለማረጋገጥ፣ በመጀመሪያው መረጃ ውስጥ ለእያንዳንዱ x የተገመተውን የy-value (\(\hat{y}\)) ማስላት እንዲሁም የትንበያውን ትክክለኛነት ለማረጋገጥ የስኩዌር ስህተቶች ድምር (SSE) ማስላት እንችላለን።
| x | y | \(\ኮፍያ{y}\) | \((y - \ኮፍያ{y})^2\) |
|—|—-|—————|——————–|
| 2 | 81 | 83.4 | (81-83.4)^2 = 5.76 |
| 4 | 93 | 88.2 | (93-88.2)^2 = 23.04|
| 6 | 91 | 93.0 | (91-93.0)^2 = 4.00 |
| 8 | 97 | 97.8 | (97-97.8)^2 = 0.64 |
|10 |103 |102.6 | (103-102.6)^2= 0.16|
ኤስኤስኤ
\[
ኤስኤስኢ = 5.76 + 23.04 + 4.00 + 0.64 + 0.16 = 33.6
\]
በአንጻራዊ ሁኔታ ሲታይ አነስተኛ የኤስኤስኢ (SSE) ካለ፣ በአነስተኛ ካሬዎች ዘዴ የሚመረተው የሪግሬሽን መስመር ለዚህ መረጃ ተስማሚ ነው ብለን መደምደም እንችላለን።
ከሲምፑላን
የሊስት ካሬዎች ዘዴ ለአንድ የውሂብ ስብስብ በጣም ተስማሚ የሆነውን መስመር ለመወሰን፣ በልዩነቶቹ ካሬ ላይ በመመስረት የትንበያ ስህተትን ለመቀነስ ኃይለኛ የስታቲስቲክስ ትንተና መሳሪያ ነው። አማካኝን፣ ተዳፋትን እና መጥለፍን የማስላት ደረጃዎችን በመጠቀም፣ እና የሪግሬሽን መስመር እኩልታን በመጻፍ እና በማረጋገጥ፣ የጥገኛ ተለዋዋጭን ዋጋ ከነጻ ተለዋዋጮች በትክክል መተንበይ እንችላለን።
ይህንን ዘዴ በሚገባ መረዳት እንደ ኢኮኖሚክስ፣ ባዮስታቲስቲክስ፣ ኢንጂነሪንግ እና ማህበራዊ ሳይንስ ባሉ ዘርፎች እጅግ በጣም ጠቃሚ ነው፣ የሪግሬሽን ትንተና በተደጋጋሚ ጥቅም ላይ ይውላል። ይህ ጽሑፍ፣ በተጨባጭ ምሳሌዎች፣ የዚህ ዘዴ በመረጃ ትንተና ውስጥ ያለውን አስፈላጊነት እና ጠቀሜታ ያሳያል።
