ትንሹ ካሬ ዘዴ

ትንሹ ካሬ ዘዴ፡ በውሂብ ትንተና ውስጥ መግቢያ እና አተገባበር

ፔንዳሁሉአን

የሊስት ካሬዎች ዘዴ በመረጃ ትንተና ውስጥ በተለይም በስታቲስቲክስ እና በተግባራዊ የሂሳብ ትምህርቶች ውስጥ በጣም መሠረታዊ እና በስፋት ጥቅም ላይ ከሚውሉ ቴክኒኮች አንዱ ነው። ይህ ዘዴ ከታቀደው ሞዴል የተስተዋሉ ልዩነቶችን ካሬዎች ድምር የሚቀንሱ መለኪያዎችን ለመገመት ያለመ ነው። በዚህ ጽሑፍ ውስጥ የሊስት ካሬዎች ዘዴን መሰረታዊ ፅንሰ ሀሳቦች፣ በተለያዩ መስኮች ውስጥ ያለውን አተገባበር እና ተግባራዊ እርምጃዎችን እንመረምራለን።

የአነስተኛ ካሬዎች ዘዴ መሰረታዊ ፅንሰ ሀሳቦች

የሊስት ካሬዎች ዘዴ በቀላሉ ሊገለጽ የሚችለው በመስመራዊ ሪግሬሽን ነው። በ((x_i, y_i)\) መልክ ውሂብ እንዳለን እናስብ፣ እዚያም \(i = 1, 2, …, n \)። መገንባት የምንፈልገው መስመራዊ ሞዴል እንደሚከተለው ሊገለጽ ይችላል፡
\[y = \beta_0 + \beta_1 x + \epsilon \]
\( \beta_0 \) እና \( \beta_1 \) ልንገምተው የምንፈልገው መለኪያዎች ሲሆኑ፣ \( \epsilon \) ደግሞ ዜሮ አማካይ እንዲኖረው የሚጠበቀው ስህተት ወይም ቀሪ ነው።

የዝቅተኛ ካሬዎች ዘዴ ግብ የሚከተሉትን ተጨባጭ ተግባራት መቀነስ ነው፡
\[ S(\beta_0, \beta_1) = \sum_{i=1}^{n} (y_i – \beta_0 – \beta_1 x_i)^2 \]

ምርጥ መለኪያዎችን ማግኘት፡ የሂሳብ አቀራረብ

የዓላማውን ተግባር \(S \) የሚቀንሱትን የመለኪያ እሴቶች ለማግኘት፣ የ \(S \) ከፊል ተዋጽኦዎችን ከ\( \beta_0 \) እና \( \beta_1 \) አንፃር ማስላት እና ከዚያ የሚከተለውን እኩልታ መፍታት አለብን፡

\[ \frac{\partial S}{\partial \beta_0} = -2 \sum_{i=1}^n (y_i – \beta_0 – \beta_1 x_i) = 0 \]
\[ \frac{\partial S}{\partial \beta_1} = -2 \sum_{i=1}^n x_i (y_i – \beta_0 – \beta_1 x_i) = 0 \]

ይህንን የሊኒየር እኩልታዎች ስርዓት በመፍታት፣ ግምታዊዎቹን \(\hat{\beta_0}\) እና \(\hat{\beta_1}\) ማግኘት እንችላለን፡
\[ \hat{\beta_1} = \frac{n \sum_{i=1}^n x_i y_i – \sum_{i=1}^n x_i \sum_{i=1}^n y_i}{n \sum_{i=1}^n x_i^2 – (\sum_{i=1}^n x_i)^2} \]
\[ \hat{\beta_0} = \bar{y} – \hat{\beta_1} \bar{x} \]

\(\bar{y}\) እና \(\bar{x}\) በቅደም ተከተል የ \(y\) እና \(x\) አማካኝ ሲሆኑ።

የሊስት ካሬዎች ዘዴ አተገባበር

1. ኢኮኖሚክስ እና ፋይናንስ

የዝቅተኛ ካሬዎች ዘዴ በኢኮኖሚክስ ውስጥ በስፋት ጥቅም ላይ የሚውለው በኢኮኖሚክስ ተለዋዋጮች መካከል ያለውን ግንኙነት ለመምሰል ነው። ለምሳሌ፣ የኢኮኖሚ ተንታኝ የሥራ አጥነት መጠን በዋጋ ግሽበት ላይ የሚያሳድረውን ተጽዕኖ ለመምሰል ሊፈልግ ይችላል። የዝቅተኛ ካሬዎችን ዘዴ በመጠቀም፣ ተንታኙ ሁለቱን ተለዋዋጮች የሚያገናኝ እና ስለ ግንኙነቱ ጥንካሬ እና ተፈጥሮ ስታቲስቲካዊ ድምዳሜዎችን የሚያቀርብ የሪግሬሽን ሞዴል ማዘጋጀት ይችላል።

2. ማህበራዊ ሳይንስ

በማህበራዊ ሳይንስ፣ የዝቅተኛ ካሬዎች ዘዴ ብዙውን ጊዜ በሰዎች ባህሪ እና በሌሎች ተለዋዋጮች መካከል ያለውን ግንኙነት ለማጥናት በዳሰሳ ጥናቶች እና በስነ-ልቦና ጥናቶች ውስጥ ጥቅም ላይ ይውላል። አንድ ክላሲክ ምሳሌ የአንድን ሰው የደስታ ደረጃ ከዓመታዊ ገቢው ጋር የሚያገናኘው ቀላል መስመራዊ ሪግሬሽን ነው።

3. ኢንጂነሪንግ

በኢንጂነሪንግ ዘርፍ፣ ትንሹ ካሬ ዘዴ ለመሳሪያ መለኪያ እና ለሲግናል ማቀነባበሪያ ጥቅም ላይ ሊውል ይችላል። ለምሳሌ፣ በዲጂታል ምስል ማቀነባበሪያ ውስጥ፣ ይህ ዘዴ በተስተዋለው መረጃ ላይ ተመስርቶ ሞዴልን በመገጣጠም በምስሎች ላይ ያለውን ጫጫታ ለመቀነስ ይጠቅማል።

4. ሜትሮሎጂ እና የአየር ንብረት ጥናት

የሜትሮሎጂ ባለሙያዎች ይህንን ዘዴ የሚጠቀሙት ከሙቀት፣ ከዝናብ ወይም ከሌሎች የአየር ሁኔታ ተለዋዋጮች ጋር የተያያዘ መረጃን ለመተንተን ነው። በተሃድሶ ሞዴሎች፣ በታሪካዊ መረጃ ላይ ተመስርተው የአየር ሁኔታ ቅጦችን መተንበይ ይችላሉ፣ ይህም የበለጠ ትክክለኛ ትንበያዎችን ለመፍጠር ይረዳል።

ከፓይቶን ጋር ተግባራዊ ትግበራ

በተግባር ላይ ያለውን የዝቅተኛ ካሬ ዘዴ፣ በተለይም ቀላል መስመራዊ ሪግሬሽን፣ የፓይዘን ፕሮግራሚንግ ቋንቋን በ'numpy' እና 'matplotlib' ቤተ-መጻሕፍት እገዛ መጠቀም እንችላለን። ይህንን ሂደት የሚያሳይ የኮድ ምሳሌ እነሆ፡

“ፓይዘን
nump ን እንደ np ያስመጡ
matplotlib.pyplot እንደ plt ያስመጡ

የናሙና ውሂብ
x = np.array([1, 2, 3, 4, 5])
y = np.array ([2, 3, 5, 7, 11])

የ x እና y አማካይ
አማካኝ_x = np.አማካኝ(x)
አማካኝ_y = np.አማካኝ(y)

መለኪያዎችን አስላ
አሃዛዊ = np.sum((x – mean_x) (y – mean_y))
ዲኖሚነተር = np.sum((x – mean_x) 2)
b1 = አሃዛዊ / አካፋይ
b0 = mean_y – b1 mean_x

ትንበያ y
y_pred = b0 + b1 x

የሴራ ውጤቶች
plt.scatter(x, y, color='blue', label='observation data')
plt.plot(x, y_pred, color='red', label='Regression Line')
plt.xlabel('x')
plt.ylabel('y')
plt.legend()
plt.show()

print(f”Regression coefficients: b0 = {b0}, b1 = {b1}”)
“

ከሲምፑላን

የዝቅተኛ ካሬዎች ዘዴ በስታቲስቲክስ እና በመረጃ ትንተና ውስጥ ኃይለኛ እና አስፈላጊ መሠረት ነው። ስህተቶችን የመቀነስ እና የሞዴል ተስማሚነትን ከፍ የማድረግ ችሎታው ከኢኮኖሚክስ እስከ ምህንድስና እና ማህበራዊ ሳይንስ ድረስ በተለያዩ ዘርፎች እጅግ በጣም ጠቃሚ ያደርገዋል። መሰረታዊው ፅንሰ-ሀሳብ ቀላል ቢሆንም፣ ዘዴው እንደ መስመራዊ ያልሆነ ሪግሬሽን፣ የተደባለቁ ተፅእኖዎች ሞዴሎች እና የማሽን መማሪያ ላሉ ይበልጥ ውስብስብ ሞዴሎች ሊራዘም ይችላል። የዝቅተኛ ካሬዎች ዘዴን በጥሩ ሁኔታ በመረዳት እና በቂ ልምምድ በማድረግ፣ የውሂብ ትንተናችንን ትክክለኛነት ማሻሻል እና የበለጠ መረጃ ሰጪ ውሳኔዎችን ማድረግ እንችላለን።

ይህ ጽሑፍ ስለ ትንሹ ካሬ ዘዴ እና አተገባበሩ ግልጽ እና አጠቃላይ አጠቃላይ እይታ እንደሚሰጥ ተስፋ እናደርጋለን።