በስታቲስቲክስ ውስጥ መስመራዊ ሪግሬሽን

በስታቲስቲክስ ውስጥ መስመራዊ ቅነሳ

መስመራዊ ሪግሬሽን በመረጃ ትንተና ውስጥ በጣም መሠረታዊ እና በስፋት ጥቅም ላይ ከሚውሉ የስታቲስቲክስ ቴክኒኮች አንዱ ነው። በገለልተኛ (ወይም ገምጋሚ) እና ጥገኛ (ወይም ምላሽ) ተለዋዋጮች መካከል ያለውን ግንኙነት እንድንረዳ እና እንድንቀርጽ ይረዳናል። መስመራዊ ሪግሬሽን ቀላልነቱ እና ትርጓሜው ምክንያት ኢኮኖሚክስ፣ ባዮሎጂ፣ ኢንጂነሪንግ፣ ማህበራዊ ሳይንስ እና ሌሎችንም ጨምሮ በተለያዩ ዘርፎች ታዋቂ ነው።

ስለ መስመራዊ ቅነሳ መግቢያ

መስመራዊ ሪግሬሽን በሁለት ወይም ከዚያ በላይ በሆኑ ተለዋዋጮች መካከል መስመራዊ ግንኙነት ለማግኘት ያለመ ነው። በጣም ቀላሉን ቅርፅ - ቀላል መስመራዊ ሪግሬሽን - በአንድ ገለልተኛ ተለዋዋጭ እና በአንድ ጥገኛ ተለዋዋጭ መካከል ያለውን ግንኙነት እንደ ቀጥተኛ መስመር እንቀርጻለን። ለቀላል መስመራዊ ሪግሬሽን መሰረታዊ የሂሳብ እኩልታ እንደሚከተለው ተገልጿል፡

\[ Y = \beta_0 + \beta_1X + \epsilon \]

የት፡
– \$ Y \$$ ጥገኛ ወይም የምላሽ ተለዋዋጭ ነው።
– \$ X \$$ ነፃ ወይም ትንቢታዊ ተለዋዋጭ ነው።
– \$ \beta_0 \$$ መቆራረጥ ነው (የሪግሬሽን መስመሩ የ y-ዘንግ የሚያቋርጥበት ነጥብ)።
– \$ \beta_1 \$$ ቁልቁለቱ (የሪግሬሽን መስመሩ ዝንባሌ) ነው።
– \$ \epsilon \$$ የውሂብን ከምርጥ ተስማሚ መስመር መዛባት የሚገልጸው ስህተት (ቀሪ) ነው።

በበርካታ መስመራዊ ሪግሬሽን፣ ይህንን ፅንሰ-ሀሳብ ከአንድ በላይ ገለልተኛ ተለዋዋጭ ለማስተናገድ እንደሚከተለው እናሰፋዋለን፡

\[ Y = \beta_0 + \beta_1X_1 + \beta_2X_2 + … + \beta_nX_n + \epsilon \]

እዚህ ላይ፣ \$ X_1፣ X_2፣ …፣ X_n \$$ ነፃ ተለዋዋጮች ሲሆኑ፣ \$ \beta_1፣ \beta_2፣ …፣ \beta_n \$$ ደግሞ የእያንዳንዱ ነጻ ተለዋዋጭ ጥገኛ ተለዋዋጭ ላይ ያለውን ተጽእኖ የሚለኩ የሪግሬሽን ኮፊሸንቶች ናቸው።

የፓራሜትር ግምት

በመስመራዊ ሪግሬሽን ውስጥ የፓራሜትር ግምት ብዙውን ጊዜ የሚከናወነው ኦርዲናል ሊስት ካሬዎች (OLS) በመጠቀም ነው። ይህ ዘዴ በተነበዩት እና በእውነተኛ እሴቶች መካከል ያለውን ልዩነት ካሬዎች ድምር ይቀንሳል። በሂሳብ፣ የ OLS ዘዴ የሚከተሉትን ተግባራት የሚቀንሱትን ኮፊሸንቶችን \$ \beta \$$ ያገኛል፡

\[ \sum_{i=1}^{n} (Y_i – (\beta_0 + \beta_1X_{i1} + \beta_2X_{i2} + … + \beta_nX_{in}))^2 \]

ይህ የማቅጠኛ ሂደት ከሚገኘው መረጃ ጋር በተሻለ ሁኔታ የሚስማሙትን ኮፊሸንቶች ያመነጫል፣ ይህም አጠቃላይ የካሬ ስህተትን የሚቀንስ የሪግሬሽን መስመር ይሰጣል።

መስመራዊ የሪግሬሽን ግምቶች

ለውጤቶች በአግባቡ ጥቅም ላይ እንዲውል እና አስተማማኝነትን ለማረጋገጥ፣ መስመራዊ ሪግሬሽን መሟላት ያለባቸው በርካታ ግምቶች አሉት፡
1. መስመራዊነት፡- በገለልተኛ እና ጥገኛ ተለዋዋጮች መካከል ያለው ግንኙነት መስመራዊ ነው።
2. ነፃነት፡- የቀሩ (ስህተቶች) እርስ በእርሳቸው ነጻ ናቸው።
3. ግብረ ሰዶማዊነት፡- የቀረው ልዩነት ለሁሉም የነፃ ተለዋዋጭ እሴቶች ቋሚ ነው።
4. መደበኛነት፡- ቅሪቶች መደበኛ ስርጭትን ይከተላሉ።

እነዚህ ግምቶች ከተጣሱ፣ የሪግሬሽን ውጤቶቹ ልክ ያልሆኑ እና አሳሳች ሊሆኑ ይችላሉ። ስለዚህ፣ መደምደሚያ ላይ ከመድረስዎ በፊት እነዚህን ግምቶች በሪግሬሽን ዲያግኖስቲክስ ማረጋገጥ አስፈላጊ ነው።

አጠቃቀም እና አተገባበር

መስመራዊ ሪግሬሽን በቀላልነቱ እና ሁለገብነቱ ምክንያት በስፋት ጥቅም ላይ ይውላል። በተለያዩ መስኮች ውስጥ ያሉ አንዳንድ የአተገባበር ምሳሌዎች እነሆ፡
1. ኢኮኖሚክስ፡ የእቃዎችን ዋጋ እንደ የምርት ወጪዎች፣ የገበያ ፍላጎት እና ሌሎች ነገሮች ካሉ ነገሮች ጋር ማገናኘት።
2. ፋይናንስ፡- በአደጋ ወይም በኢኮኖሚያዊ ሁኔታዎች ላይ ተመስርተው የአክሲዮን ተመላሾችን ሞዴል ማድረግ።
3. ባዮሎጂ፡- የአንድ የተወሰነ መድሃኒት መጠን እና የውጤታማነቱ ደረጃ መካከል ያለውን ግንኙነት ይመረምራል።
4. ማህበራዊ፡- በትምህርትና በገቢ መካከል ያለውን ግንኙነት መተንተን።

በተጨማሪም፣ መስመራዊ ሪግሬሽን ብዙውን ጊዜ በውሂብ ትንበያ ወይም ትንበያ ውስጥ ጥቅም ላይ ይውላል። በታሪካዊ መረጃዎች ውስጥ ያሉ አዝማሚያዎችን በመተንተን፣ መስመራዊ ሪግሬሽን የወደፊት እሴቶችን ለመተንበይ ጥቅም ላይ ሊውል ይችላል።

የሞዴል ግምገማ

መስመራዊ የሪግሬሽን ሞዴል ግምገማ የሚካሄደው ሞዴሉ በቂ መሆኑን እና መረጃውን በበቂ ሁኔታ እንደሚያብራራ ለማረጋገጥ ነው። በዚህ የሞዴል ግምገማ ውስጥ ብዙ መለኪያዎች በተደጋጋሚ ጥቅም ላይ ይውላሉ፣ ከእነዚህም ውስጥ የሚከተሉት ይገኙበታል፡
– R-ካሬድ (R^2): በተሃድሶ ሞዴል የተገለጸውን ጥገኛ ተለዋዋጭ የጠቅላላ ተለዋዋጭነት መጠን ይለካል። የR^2 እሴቶች በ0 እና 1 መካከል ይደርሳሉ፣ ከፍ ያሉ እሴቶች ደግሞ የተሻለ ሞዴልን ያመለክታሉ።
– የተስተካከለ R-squared: ጥቅም ላይ የዋሉ ገለልተኛ ተለዋዋጮችን ብዛት መሠረት በማድረግ R-squaredን ያስተካክላል፣ F-squared ብዙውን ጊዜ የሞዴሉን አጠቃላይ ጠቀሜታ ለመወሰን ጥቅም ላይ ይውላል።
– አማካይ ካሬ ስህተት (MSE): በእውነተኛ እና በተገመቱ እሴቶች መካከል ያለው የካሬ ልዩነት አማካይ።

ምርመራ እና ማረጋገጫ

የሪግሬሽን ሞዴል ለመተንበይ ወይም ለተጨማሪ ውሳኔ ከመዋሉ በፊት የሪግሬሽን ምርመራ ማድረግ አስፈላጊ ነው። አንዳንድ የተለመዱ የምርመራ ዘዴዎች የሚከተሉትን ያካትታሉ፡
1. የተረፈው ሴራ፡- መስመራዊነትን እና ግብረ ሰዶማዊነትን መገምገም።
2. የQQ ሴራ፡ የተረፈውን መደበኛነት ገምግም።
3. የደርቢን-ዋትሰን ሙከራ፡ የተረፈውን ራስ-ሰር ትስስር ይፈትሻል።
4. የልዩነት የዋጋ ግሽበት ፋክተር (VIF): በገለልተኛ ተለዋዋጮች መካከል ባለብዙ ኮላላይነሪነትን መለየት።

የእነዚህ ምርመራዎች አጠቃቀም ሊሆኑ የሚችሉ ችግሮችን ለመለየት ይረዳል እና ተጠቃሚዎች አስፈላጊ ማስተካከያዎችን ወይም የውሂብ ለውጦችን እንዲያደርጉ ያስችላቸዋል።

ችግሮች እና ገደቦች

መስመራዊ ሪግሬሽን ኃይለኛ መሳሪያ ቢሆንም፣ ገደቦችም አሉት። አንዳንድ የተለመዱ ችግሮች የሚከተሉትን ያካትታሉ፡
– ባለብዙ ኮላላይኔሪቲ፡- ገለልተኛ ተለዋዋጮች እርስ በእርስ በከፍተኛ ሁኔታ ሲዛመዱ ይከሰታል። ይህ ወደ ያልተረጋጉ የኮፊሸንት ግምቶች እና ግራ የሚያጋቡ ትርጓሜዎችን ሊያስከትል ይችላል።
– ውጫዊ ነገሮች፡- እጅግ በጣም ከፍተኛ የውሂብ እሴቶች የሪግሬሽን ውጤቶችን ሊያዛቡ ይችላሉ።
– ቀጥተኛ ያልሆነ፡- በተለዋዋጮች መካከል ያለው ግንኙነት ቀጥተኛ ያልሆነ ከሆነ፣ ቀጥተኛ ያልሆነ ተዛምዶ ተገቢ ላይሆን ይችላል። ቀጥተኛ ያልሆነ ሞዴል በአንዳንድ ሁኔታዎች የበለጠ ተገቢ ሊሆን ይችላል።
– ሄትሮሴዴስታስቲክቲ፡- የተረፈ ተለዋዋጭነት መቀየር ውጤታማ ያልሆነ የኮፊሸንት ግምት ሊያስከትል ይችላል።

ከሲምፑላን

መስመራዊ ሪግሬሽን በመረጃ ትንተና ውስጥ ወሳኝ የስታቲስቲክስ ዘዴ ነው። መስመራዊ ሪግሬሽንን በመጠቀም፣ በአንድ ወይም ከዚያ በላይ ገለልተኛ ተለዋዋጮች እና ጥገኛ ተለዋዋጭ መካከል ያለውን ግንኙነት መረዳት እና ሞዴል ማድረግ እንችላለን። መስመራዊ ሪግሬሽን ቀላል እና ለመተርጎም ቀላል መሣሪያ ቢሆንም፣ ሁልጊዜም መሰረታዊ ግምቶችን መፈተሽ እና ትክክለኛ ውጤቶችን ለማረጋገጥ ሪግሬሽን ምርመራዎችን ማድረግ አስፈላጊ ነው። አንዳንድ ገደቦች ቢኖሩም፣ በትክክለኛው አቀራረብ እና ማስተካከያዎች፣ መስመራዊ ሪግሬሽን በተለያዩ መስኮች ውስጥ በብዙ ተግባራዊ አፕሊኬሽኖች ውስጥ በጣም ጠቃሚ ዘዴ ሆኖ ቀጥሏል።