लीनियर रिग्रेशन के उदाहरण प्रश्न और चर्चा
लीनियर रिग्रेशन एक सांख्यिकीय विधि है जिसका उपयोग दो या दो से अधिक चरों के बीच संबंध निर्धारित करने के लिए किया जाता है। यह विधि अर्थशास्त्र, व्यवसाय, सामाजिक विज्ञान और प्राकृतिक विज्ञान सहित विभिन्न क्षेत्रों में व्यापक रूप से उपयोग की जाती है। इस लेख में, हम लीनियर रिग्रेशन, इसकी गणना करने के तरीके और पाठकों को इस अवधारणा को गहराई से समझने में मदद करने के लिए स्पष्टीकरण सहित कई उदाहरण समस्याओं पर चर्चा करेंगे।
लीनियर रिग्रेशन को समझना
लीनियर रिग्रेशन एक विश्लेषणात्मक विधि है जिसका उपयोग एक या अधिक स्वतंत्र चर (प्रेडिक्टर) और एक आश्रित चर (रिस्पॉन्स) के बीच संबंध को मॉडल करने के लिए किया जाता है। सरल लीनियर रिग्रेशन में एक स्वतंत्र चर और एक आश्रित चर शामिल होते हैं, जबकि मल्टीपल लीनियर रिग्रेशन में एक से अधिक स्वतंत्र चर शामिल होते हैं।
एक सरल रैखिक प्रतिगमन रेखा का समीकरण इस प्रकार है:
[ Y = a + bX \]
कहाँ:
– \( Y \) आश्रित चर है।
– \( X \) स्वतंत्र चर है।
– \( a \) अवरोधन है, जो X = 0 होने पर Y का मान है।
– \( b \) प्रतिगमन गुणांक है, यानी, यदि X में एक इकाई का परिवर्तन होता है तो Y में कितना परिवर्तन होता है।
रेखीय प्रतिगमन चरण
1. डेटा एकत्र करें: सबसे पहले, विश्लेषण किए जाने वाले डेटा को एकत्र करें।
2. डेटा प्लॉट करें: यह देखने के लिए कि चरों के बीच रैखिक संबंध है या नहीं, एक स्कैटर प्लॉट बनाएं।
3. प्रतिगमन गुणांक की गणना करें: सर्वोत्तम रेखा निर्धारित करने के लिए न्यूनतम वर्ग विधि का उपयोग करें।
4. मॉडल का परीक्षण: टी-टेस्ट के साथ प्रतिगमन गुणांकों की सार्थकता का परीक्षण करें और यह देखने के लिए आर-स्क्वायर मान निर्धारित करें कि मॉडल डेटा के साथ कितनी अच्छी तरह से मेल खाता है।
Contoh Soal dan Pembahasan
उदाहरण प्रश्न 1: सरल रैखिक प्रतिगमन
सवाल:
एक शोधकर्ता अध्ययन के घंटों की संख्या (X) और छात्रों के परीक्षा अंकों (Y) के बीच संबंध जानना चाहता है। प्राप्त आंकड़े इस प्रकार हैं:
| अध्ययन के घंटे (X) | परीक्षा अंक (Y) |
|—————–|—————–|
| 2 | 70 |
| 3 | 75 |
| 5 | 80 |
| 7 | 85 |
| 8 | 90 |
इस डेटा से एक रैखिक प्रतिगमन समीकरण बनाइए!
बहस:
1. औसत की गणना:
\[
X = 2 + 3 + 5 + 7 + 8 {5} = 5
\]
\[
\bar{Y} = \frac{70 + 75 + 80 + 85 + 90}{5} = 80
\]
2. प्रतिगमन गुणांक \( b \) की गणना करना:
\[
b = \frac{\sum (X_i – \bar{X})(Y_i – \bar{Y})}{\sum (X_i – \bar{X})^2}
\]
\[
\sum (X_i – \bar{X})(Y_i – \bar{Y}) = (2 – 5)(70 – 80) + (3 – 5)(75 – 80) + (5 – 5)(80 – 80) + (7 – 5)(85 – 80) + (8 – 5)(90 – 80)
\]
\[
= (-3)(-10) + (-2)(-5) + (0)(0) + (2)(5) + (3)(10) = 30 + 10 + 0 + 10 + 30 = 80
\]
\[
\sum (X_i – \bar{X})^2 = (2 – 5)^2 + (3 – 5)^2 + (5 – 5)^2 + (7 – 5)^2 + (8 – 5)^2
\]
\[
= 9 + 4 + 0 + 4 + 9 = 26
\]
\[
b = \frac{80}{26} \approx 3.08
\]
3. अवरोधन (a) की गणना करना:
\[
a = Y – bX
\]
\[
a = 80 – 3.08 × 5 = 80 – 15.4 = 64.6
\]
4. प्रतिगमन समीकरण:
\[
वाई = 64.6 + 3.08X
\]
अतः, डेटा के लिए रैखिक प्रतिगमन समीकरण \( Y = 64.6 + 3.08X \) है। इसका अर्थ है कि अध्ययन के प्रत्येक अतिरिक्त घंटे से परीक्षा स्कोर में 3.08 अंकों की वृद्धि होने की उम्मीद है।
उदाहरण प्रश्न 2: मॉडल परीक्षण और व्याख्या
सवाल:
समान डेटा का उपयोग करते हुए, मॉडल डेटा को कितनी अच्छी तरह से फिट करता है, यह मापने के लिए R-स्क्वायर (R²) मान की गणना करें। साथ ही, प्रतिगमन गुणांक \( b \) की सार्थकता का परीक्षण करें।
बहस:
1. कुल वर्ग योग (एसएसटी), प्रतिगमन वर्ग योग (एसएसआर) और त्रुटि वर्ग योग (एसएसई) की गणना करें:
\[
एसएसटी = \sum (Y_i – \bar{Y})^2
\]
\[
एसएसटी = (70 – 80)^2 + (75 – 80)^2 + (80 – 80)^2 + (85 – 80)^2 + (90 – 80)^2 = 100 + 25 + 0 + 25 + 100 = 250
\]
\[
एसएसआर = \sum (\hat{Y}_i – \bar{Y})^2
\]
जहां \( \hat{Y}_i \) प्रतिगमन समीकरण का अनुमानित मान है:
\[
\hat{Y}_i = 64.6 + 3.08X_i
\]
\[
\टोपी{Y} = [67.76, 70.84, 76.0, 82.16, 85.24]
\]
\[
\bar{Y} = 80
\]
\[
एसएसआर = (67.76 – 80)^2 + (70.84 – 80)^2 + (76.0 – 80)^2 + (82.16 – 80)^2 + (85.24 – 80)^2
\]
\[
एसएसआर = (-12.24)^2 + (-9.16)^2 + (-4.0)^2 + 2.16^2 + 5.24^2 = 149.8
\]
2. एसएसई की गणना:
\[
SSE = SST – SSR = 250 – 149.8 = 100.2
\]
3. आर-स्क्वायर की गणना:
\[
R^2 = \frac{SSR}{SST} = \frac{149.8}{250} \approx 0.6
\]
0.6 का आर-स्क्वायर मान दर्शाता है कि यह मॉडल डेटा में लगभग 60% भिन्नता की व्याख्या करता है। इससे पता चलता है कि रिग्रेशन लाइन डेटा को काफी अच्छी तरह से फिट करती है।
4. गुणांक \( b \) की सार्थकता के लिए टी-परीक्षण:
\[
t = \frac{b}{SE(b)}
\]
\[
SE(b) = \sqrt{\frac{SSE}{n-2}} / \sqrt{\sum (X_i – \bar{X})^2}
\]
\[
SE(b) = \sqrt{\frac{100.2}{5-2}} / \sqrt{26}
\]
\[
SE(b) = √33.4 / √26 ≈ 1.13
\]
\[
t = 3.08{1.13} ≈ 2.73
\]
यदि हम सार्थकता के लिए एक सामान्य सीमा (α = 0.05) का उपयोग करते हैं, तो t-सांख्यिकी लगभग 2.73 होने पर हम इसकी तुलना t-तालिका से करते हैं। उदाहरण के लिए, df = 3 होने पर, क्रांतिक t लगभग 2.353 होता है। तब प्रेक्षित t > क्रांतिक t होता है, जो दर्शाता है कि गुणांक सार्थक है।
निष्कर्ष
इस लेख में हमने लीनियर रिग्रेशन की मूल बातें, रिग्रेशन गुणांक और इंटरसेप्ट की गणना करने का तरीका और उदाहरणों के माध्यम से परिणामों की व्याख्या करने का तरीका बताया है। इस विधि में निपुणता प्राप्त करने के लिए विभिन्न डेटा सेटों के साथ नियमित अभ्यास आवश्यक है। लीनियर रिग्रेशन डेटा विश्लेषण का एक महत्वपूर्ण उपकरण है और यह चरों के बीच संबंधों की गहरी समझ प्रदान कर सकता है।
