Atchweliad Llinol mewn Ystadegaeth
Mae atchweliad llinol yn un o'r technegau ystadegol mwyaf sylfaenol a ddefnyddir yn helaeth mewn dadansoddi data. Mae'n ein helpu i ddeall a modelu'r berthynas rhwng newidynnau annibynnol (neu ragfynegydd) a dibynnol (neu ymatebol). Mae atchweliad llinol yn boblogaidd mewn amrywiaeth o feysydd, gan gynnwys economeg, bioleg, peirianneg, y gwyddorau cymdeithasol, a mwy, oherwydd ei symlrwydd a'i ddehongliadwyedd.
Cyflwyniad i Atchweliad Llinol
Nod atchweliad llinol yw dod o hyd i berthynas llinol rhwng dau newidyn neu fwy. Yn ei ffurf symlaf—atchweliad llinol syml—rydym yn modelu'r berthynas rhwng un newidyn annibynnol ac un newidyn dibynnol fel llinell syth. Nodir y hafaliad mathemategol sylfaenol ar gyfer atchweliad llinol syml fel:
[Y = β₀ + β₁X + epsilon]
Ble:
– \$ Y \$$ yw'r newidyn dibynnol neu'r newidyn ymateb.
– \$ X \$$ yw'r newidyn annibynnol neu'r newidyn rhagfynegol.
– \$ \beta_0 \$$ yw'r rhyngdoriad (y pwynt lle mae'r llinell atchweliad yn croestorri'r echelin-Y).
– \$ \beta_1 \$$ yw'r llethr (gogwydd y llinell atchweliad).
– \$ \epsilon \$$ yw'r gwall (gweddilliol) sy'n disgrifio gwyriad y data o'r llinell ffit orau.
Mewn atchweliad llinol lluosog, rydym yn ymestyn y cysyniad hwn i drin mwy nag un newidyn annibynnol, fel a ganlyn:
[Y = β₀ + β₁X₁ + β₂X₂ + … + β₆X₀ + epsilon]
Yma, \$ X_1, X_2, …, X_n \$$ yw'r newidynnau annibynnol, ac \$ \beta_1, \beta_2, …, \beta_n \$$ yw'r cyfernodau atchweliad sy'n mesur effaith pob newidyn annibynnol ar y newidyn dibynnol.
Amcangyfrif Paramedr
Fel arfer, caiff amcangyfrif paramedr mewn atchweliad llinol ei berfformio gan ddefnyddio Sgwariau Lleiaf Cyffredin (OLS). Mae'r dull hwn yn lleihau swm sgwariau'r gwahaniaethau rhwng gwerthoedd rhagfynegedig a gwerthoedd gwirioneddol. Yn fathemategol, mae'r dull OLS yn canfod y cyfernodau β sy'n lleihau'r ffwythiant canlynol:
[ \sum_{i=1}^{n} (Y_i – (\beta_0 + \beta_1X_{i1} + \beta_2X_{i2} + … + \beta_nX_{in}))^2 \]
Mae'r broses lleihau hon yn cynhyrchu'r cyfernodau sy'n gweddu orau i'r data sydd ar gael, gan roi llinell atchweliad sy'n lleihau cyfanswm y gwall sgwâr.
Rhagdybiaethau Atchweliad Llinol
Er mwyn cael y canlyniadau'n ddibynadwy ac er mwyn eu defnyddio'n iawn, mae gan atchweliad llinol sawl rhagdybiaeth y mae'n rhaid eu bodloni:
1. Llinoldeb: Mae'r berthynas rhwng newidynnau annibynnol a dibynnol yn llinol.
2. Annibyniaeth: Mae gweddillion (gwallau) yn annibynnol ar ei gilydd.
3. Homoscedastigrwydd: Mae'r amrywiant gweddilliol yn gyson ar gyfer pob gwerth o'r newidyn annibynnol.
4. Normalrwydd: Mae gweddillion yn dilyn dosraniad normal.
Os caiff y rhagdybiaethau hyn eu torri, gall canlyniadau atchweliad fod yn annilys ac yn gamarweiniol. Felly, mae'n bwysig gwirio'r rhagdybiaethau hyn trwy ddiagnosteg atchweliad cyn tynnu casgliadau.
Defnydd a Chymhwysiad
Defnyddir atchweliad llinol yn helaeth oherwydd ei symlrwydd a'i hyblygrwydd. Dyma rai enghreifftiau o gymwysiadau mewn gwahanol feysydd:
1. Economeg: Cysylltu pris nwyddau â ffactorau fel costau cynhyrchu, galw yn y farchnad, ac eraill.
2. Cyllid: Modelu enillion stoc yn seiliedig ar risg neu ffactorau economaidd.
3. Bioleg: Yn archwilio'r berthynas rhwng dos cyffur penodol a'i lefel effeithiolrwydd.
4. Cymdeithasol: Dadansoddi'r berthynas rhwng addysg ac incwm.
Yn ogystal, defnyddir atchweliad llinol yn aml mewn rhagweld neu ragfynegi data. Drwy ddadansoddi tueddiadau mewn data hanesyddol, gellir defnyddio atchweliad llinol i ragfynegi gwerthoedd yn y dyfodol.
Gwerthusiad Model
Perfformir gwerthusiad o'r model atchweliad llinol i sicrhau bod y model yn ddigonol ac yn egluro'r data'n ddigonol. Defnyddir sawl metrig yn aml yn y gwerthusiad model hwn, gan gynnwys:
– R-sgwâr (R^2): Yn mesur cyfran yr amrywioldeb cyfan yn y newidyn dibynnol a eglurir gan y model atchweliad. Mae gwerthoedd R^2 yn amrywio rhwng 0 ac 1, gyda gwerthoedd uwch yn dynodi model gwell.
– R-sgwâr wedi'i addasu: Yn cywiro R-sgwâr yn seiliedig ar nifer y newidynnau annibynnol a ddefnyddir, defnyddir ystadegau-F yn aml i bennu arwyddocâd cyffredinol y model.
– Gwall Sgwâr Cymedrig (MSE): Cyfartaledd y gwahaniaethau sgwâr rhwng y gwerthoedd gwirioneddol a'r gwerthoedd a ragfynegwyd.
Diagnostig a Dilysu
Cyn defnyddio model atchweliad ar gyfer rhagfynegi neu wneud penderfyniadau pellach, mae'n bwysig cynnal diagnosteg atchweliad. Mae rhai technegau diagnostig cyffredin yn cynnwys:
1. Plot gweddilliol: Aseswch linolrwydd a homoscedastigrwydd.
2. Plot QQ: Gwerthuswch normalrwydd gweddillion.
3. Prawf Durbin-Watson: Yn profi awtocorrelation gweddilliol.
4. Ffactor Chwyddiant Amrywiant (VIF): Nodi aml-gydlinoldeb rhwng newidynnau annibynnol.
Mae defnyddio'r diagnosteg hyn yn helpu i nodi problemau posibl ac yn caniatáu i ddefnyddwyr wneud addasiadau neu drawsnewidiadau data angenrheidiol.
Problemau a Chyfyngiadau
Er bod atchweliad llinol yn offeryn pwerus, mae ganddo gyfyngiadau hefyd. Mae rhai problemau cyffredin yn cynnwys:
– Aml-golinearedd: Yn digwydd pan fydd newidynnau annibynnol wedi'u cydberthyn yn uchel â'i gilydd. Gall hyn arwain at amcangyfrifon cyfernodau ansefydlog a dehongliadau dryslyd.
– Allanwyr: Gall gwerthoedd data eithafol ystumio canlyniadau atchweliad.
– Anlinoledd: Os yw'r berthynas rhwng newidynnau yn anlinol, efallai y bydd atchweliad llinol yn llai priodol. Efallai y bydd model anlinol yn fwy priodol mewn rhai achosion.
– Heteroscedastigrwydd: Gall newid amrywioldeb gweddilliol arwain at amcangyfrifon cyfernod aneffeithlon.
Casgliad
Mae atchweliad llinol yn dechneg ystadegol hanfodol wrth ddadansoddi data. Gan ddefnyddio atchweliad llinol, gallwn ddeall a modelu'r berthynas rhwng un neu fwy o newidynnau annibynnol a newidyn dibynnol. Er bod atchweliad llinol yn offeryn syml a hawdd ei ddehongli, mae'n bwysig gwirio'r rhagdybiaethau sylfaenol bob amser a pherfformio diagnosteg atchweliad i sicrhau canlyniadau dilys. Er gwaethaf rhai cyfyngiadau, gyda'r dull a'r addasiadau cywir, mae atchweliad llinol yn parhau i fod yn ddull defnyddiol iawn mewn llawer o gymwysiadau ymarferol ar draws ystod eang o feysydd.
