রৈখিক রিগ্রেশন আলোচনা প্রশ্নাবলীর উদাহরণ

রৈখিক রিগ্রেশন উদাহরণ প্রশ্ন ও আলোচনা

লিনিয়ার রিগ্রেশন হলো দুই বা ততোধিক চলকের মধ্যে সম্পর্ক নির্ণয়ের জন্য ব্যবহৃত একটি পরিসংখ্যানগত পদ্ধতি। এই পদ্ধতিটি অর্থনীতি, ব্যবসা, সমাজবিজ্ঞান এবং প্রাকৃতিক বিজ্ঞানসহ বিভিন্ন ক্ষেত্রে ব্যাপকভাবে ব্যবহৃত হয়। এই প্রবন্ধে আমরা লিনিয়ার রিগ্রেশন, এর গণনা পদ্ধতি নিয়ে আলোচনা করব এবং পাঠকদের এই ধারণাটি গভীরভাবে বুঝতে সাহায্য করার জন্য ব্যাখ্যাসহ কয়েকটি উদাহরণমূলক সমস্যা তুলে ধরব।

রৈখিক রিগ্রেশন বোঝা

লিনিয়ার রিগ্রেশন হলো একটি বিশ্লেষণাত্মক পদ্ধতি যা এক বা একাধিক স্বাধীন চলক (পূর্বাভাসকারী) এবং একটি নির্ভরশীল চলকের (প্রতিক্রিয়া) মধ্যকার সম্পর্ককে মডেল করতে ব্যবহৃত হয়। সরল লিনিয়ার রিগ্রেশনে একটি স্বাধীন চলক এবং একটি নির্ভরশীল চলক থাকে, অন্যদিকে বহুমাত্রিক লিনিয়ার রিগ্রেশনে একাধিক স্বাধীন চলক থাকে।

একটি সরল রৈখিক রিগ্রেশন রেখার সমীকরণ হলো:
\[ Y = a + bX \]

কোথায়:
– \( Y \) হলো অধীন চলক।
– \( X \) হলো স্বাধীন চলক।
– \( a \) হলো ছেদক, যা হলো X = 0 হলে Y-এর মান।
– \( b \) হলো রিগ্রেশন সহগ, অর্থাৎ, X এক একক পরিবর্তিত হলে Y কতটা পরিবর্তিত হয়।

রৈখিক রিগ্রেশন ধাপ

১. তথ্য সংগ্রহ: প্রথমে, বিশ্লেষণের জন্য তথ্য সংগ্রহ করুন।
২. ডেটা প্লট করুন: ভেরিয়েবলগুলোর মধ্যে কোনো রৈখিক সম্পর্ক আছে কিনা তা দেখার জন্য একটি স্ক্যাটার প্লট তৈরি করুন।
৩. রিগ্রেশন সহগ গণনা করুন: সর্বোত্তম রেখাটি নির্ধারণ করতে ন্যূনতম বর্গ পদ্ধতি ব্যবহার করুন।
৪. মডেল পরীক্ষা: টি-টেস্টের মাধ্যমে রিগ্রেশন সহগগুলোর তাৎপর্য পরীক্ষা করুন এবং মডেলটি ডেটার সাথে কতটা ভালোভাবে খাপ খায় তা দেখার জন্য আর-স্কয়ার্ড (R-squared) মান নির্ণয় করুন।

নমুনা প্রশ্ন ও আলোচনা

উদাহরণ প্রশ্ন ১: সরল রৈখিক রিগ্রেশন

প্রশ্ন:
একজন গবেষক অধ্যয়নের সময়কাল (X) এবং শিক্ষার্থীদের পরীক্ষার নম্বর (Y)-এর মধ্যে সম্পর্ক জানতে চান। প্রাপ্ত তথ্যগুলো নিম্নরূপ:

| অধ্যয়নের সময় (X) | পরীক্ষার স্কোর (Y) |
|——————–|——————–|
২০৫ | ১০০ |
২০৫ | ১০০ |
২০৫ | ১০০ |
২০৫ | ১০০ |
২০৫ | ১০০ |

এই ডেটা থেকে একটি লিনিয়ার রিগ্রেশন সমীকরণ তৈরি করুন!

আলোচনা:

১. গড় নির্ণয়:
\[
\bar{X} = \frac{2 + 3 + 5 + 7 + 8}{5} = 5
\]
\[
\bar{Y} = \frac{70 + 75 + 80 + 85 + 90}{5} = 80
\]

২. রিগ্রেশন সহগ \( b \) গণনা করা:
\[
b = \frac{\sum (X_i – \bar{X})(Y_i – \bar{Y})}{\sum (X_i – \bar{X})^2}
\]
\[
\sum (X_i – \bar{X})(Y_i – \bar{Y}) = (2 – 5)(70 – 80) + (3 – 5)(75 – 80) + (5 – 5)(80 – 80) + (7 – 5)(85 – 80) + (8 – 5)(90 – 80)
\]
\[
= (-3)(-10) + (-2)(-5) + (0)(0) + (2)(5) + (3)(10) = 30 + 10 + 0 + 10 + 30 = 80
\]
\[
\sum (X_i – \bar{X})^2 = (2 – 5)^2 + (3 – 5)^2 + (5 – 5)^2 + (7 – 5)^2 + (8 – 5)^2
\]
\[
= ১ + ২ + ৪ + ৭১ + ১৪২ = ২২০
\]
\[
b = \frac{80}{26} \approx 3.08
\]

৩. ছেদক \( a \) নির্ণয়:
\[
a = \bar{Y} – b\bar{X}
\]
\[
a = ৮০ – ৩.০৮ × ৫ = ৮০ – ১৫.৪ = ৬৪.৬
\]

৪. রিগ্রেশন সমীকরণ:
\[
Y = 64.6 + 3.08X
\]

সুতরাং, ডেটাটির জন্য লিনিয়ার রিগ্রেশন সমীকরণটি হলো \( Y = 64.6 + 3.08X \)। এর অর্থ হলো, প্রতি অতিরিক্ত এক ঘণ্টা অধ্যয়নের ফলে পরীক্ষার স্কোর ৩.০৮ পয়েন্ট বৃদ্ধি পাবে বলে আশা করা যায়।

উদাহরণ প্রশ্ন ২: মডেল পরীক্ষা ও ব্যাখ্যা

প্রশ্ন:
একই ডেটা ব্যবহার করে, মডেলটি ডেটার সাথে কতটা ভালোভাবে খাপ খায় তা পরিমাপ করতে আর-স্কোয়ার্ড (R²) মান গণনা করুন। এছাড়াও, রিগ্রেশন সহগ \( b \)-এর তাৎপর্য পরীক্ষা করুন।

আলোচনা:

১. টোটাল সাম অফ স্কোয়ার্স (SST), রিগ্রেশন সাম অফ স্কোয়ার্স (SSR), এবং এরর সাম অফ স্কোয়ার্স (SSE) গণনা করুন:
\[
SST = \sum (Y_i – \bar{Y})^2
\]
\[
SST = (৭০ – ৮০)^২ + (৭৫ – ৮০)^২ + (৮০ – ৮০)^২ + (৮৫ – ৮০)^২ + (৯০ – ৮০)^২ = ১০০ + ২৫ + ০ + ২৫ + ১০০ = ২৫০
\]

\[
SSR = \sum (\hat{Y}_i – \bar{Y})^2
\]
যেখানে \( \hat{Y}_i \) হলো রিগ্রেশন সমীকরণের পূর্বাভাসিত মান:
\[
\hat{Y}_i = 64.6 + 3.08X_i
\]
\[
\hat{Y} = [67.76, 70.84, 76.0, 82.16, 85.24]
\]
\[
\bar{Y} = 80
\]
\[
SSR = (67.76 – 80)^2 + (70.84 – 80)^2 + (76.0 – 80)^2 + (82.16 – 80)^2 + (85.24 – 80)^2
\]
\[
SSR = (-১২.২৪)^২ + (-৯.১৬)^২ + (-৪.০)^২ + ২.১৬^২ + ৫.২৪^২ = ১৪৯.৮
\]

২. এসএসই গণনা:
\[
SSE = SST – SSR = 250 – 149.8 = 100.2
\]

৩. আর-স্কয়ার গণনা:
\[
R^2 = \frac{SSR}{SST} = \frac{149.8}{250} \approx 0.6
\]

আর-স্কোয়ার্ড মান ০.৬ নির্দেশ করে যে, এই মডেলটি ডেটার তারতম্যের প্রায় ৬০% ব্যাখ্যা করে। এর থেকে বোঝা যায় যে, রিগ্রেশন লাইনটি ডেটার সাথে বেশ ভালোভাবে খাপ খায়।

৪. সহগ \( b \)-এর তাৎপর্য নির্ণয়ের জন্য t-পরীক্ষা:
\[
t = \frac{b}{SE(b)}
\]
\[
SE(b) = \sqrt{\frac{SSE}{n-2}} / \sqrt{\sum (X_i – \bar{X})^2}
\]
\[
SE(b) = \sqrt{\frac{100.2}{5-2}} / \sqrt{26}
\]
\[
SE(b) = \sqrt{33.4} / \sqrt{26} \approx 1.13
\]
\[
t = \frac{3.08}{1.13} \approx 2.73
\]

একটি \( t-পরিসংখ্যান \approx 2.73 \) হলে, যদি আমরা তাৎপর্যের জন্য একটি সাধারণ থ্রেশহোল্ড (α = 0.05) ব্যবহার করি, তবে আমরা এটিকে t-টেবিলের সাথে তুলনা করি। উদাহরণস্বরূপ, \( df = 3 \) এর জন্য, ক্রিটিক্যাল \( t \) প্রায় 2.353। তাহলে \( t-observed > t-critical \), যা নির্দেশ করে যে সহগটি তাৎপর্যপূর্ণ।

উপসংহার

এই প্রবন্ধে আমরা লিনিয়ার রিগ্রেশনের মূল বিষয়গুলো, রিগ্রেশন সহগ ও ইন্টারসেপ্ট গণনা করার পদ্ধতি এবং উদাহরণ সমস্যার সাহায্যে ফলাফল ব্যাখ্যা করার উপায় আলোচনা করেছি। এই পদ্ধতিতে পারদর্শী হওয়ার জন্য বিভিন্ন ডেটা সেট নিয়ে নিয়মিত অনুশীলন অপরিহার্য। লিনিয়ার রিগ্রেশন ডেটা বিশ্লেষণের একটি মূল্যবান হাতিয়ার এবং এটি ভেরিয়েবলগুলোর মধ্যকার সম্পর্ক বিষয়ে গভীর অন্তর্দৃষ্টি প্রদান করতে পারে।