मल्टीपल रिग्रेशन क्या है?
मल्टीपल रिग्रेशन एक सांख्यिकीय विश्लेषण तकनीक है जिसका उपयोग एक आश्रित चर और दो या दो से अधिक स्वतंत्र चरों के बीच संबंध को समझने के लिए किया जाता है। यह विधि सामाजिक, आर्थिक, व्यावसायिक, स्वास्थ्य, शिक्षा और डेटा विज्ञान अनुसंधान में अक्सर उपयोग की जाती है क्योंकि यह समझा सकती है कि कई कारक सामूहिक रूप से किसी परिणाम को कैसे प्रभावित करते हैं।
उदाहरण के लिए, मान लीजिए कि कोई व्यक्ति किसी छात्र के परीक्षा अंकों का अनुमान लगाना चाहता है। परीक्षा अंक (आश्रित चर) अध्ययन के घंटों, उपस्थिति और ट्यूशन की उपलब्धता (स्वतंत्र चर) से प्रभावित हो सकते हैं। मल्टीपल रिग्रेशन ऐसे प्रश्नों के उत्तर देने में सहायक होता है जैसे: कौन से कारक सबसे अधिक प्रभावशाली हैं? यदि अध्ययन के घंटे बढ़ते हैं, तो अन्य कारकों को स्थिर रखते हुए औसत परीक्षा अंक में कितनी वृद्धि होगी?
-
मल्टीपल रिग्रेशन की परिभाषा और उद्देश्य
सरल शब्दों में कहें तो, मल्टीपल रिग्रेशन का उद्देश्य है:
1. कई स्वतंत्र चरों के आधार पर आश्रित चर के मान का अनुमान लगाइए।
2. यह स्पष्ट कीजिए कि प्रत्येक स्वतंत्र चर आश्रित चर पर कितना प्रभाव डालता है।
3. यह उस पूर्वाग्रह को कम करता है जो तब उत्पन्न हो सकता है जब हम केवल एक स्वतंत्र चर का उपयोग करते हैं, भले ही वास्तविकता में कोई घटना कई कारकों से प्रभावित होती है।
4. किसी विशेष चर के प्रभाव का परीक्षण करते समय अन्य चरों को नियंत्रित करना (नियंत्रण)।
सरल प्रतिगमन में, हम केवल एक कारक और परिणाम के बीच संबंध देखते हैं। हालांकि, वास्तविक दुनिया में, प्रभाव अक्सर एक-दूसरे से ओवरलैप होते हैं। यहीं पर बहु प्रतिगमन अधिक व्यावहारिक हो जाता है: यह एक साथ कई चरों को शामिल करके "समग्र परिदृश्य" देखने का प्रयास करता है।
-
बहु प्रतिगमन समीकरण का सामान्य रूप
मल्टीपल रिग्रेशन को आमतौर पर इस समीकरण के रूप में लिखा जाता है:
Y = a + b1X1 + b2X2 + b3X3 + … + bnXn + e
जानकारी:
– Y = आश्रित चर (जिसकी व्याख्या/भविष्यवाणी की जानी है)
– a = स्थिरांक (Y का मान जब सभी X शून्य हों)
– b1, b2, … bn = प्रत्येक स्वतंत्र चर के लिए प्रतिगमन गुणांक
– X1, X2, … Xn = स्वतंत्र चर
– e = त्रुटि/अवशेष (Y में भिन्नता का वह भाग जिसे मॉडल द्वारा स्पष्ट नहीं किया जा सकता)
गुणांक b सबसे अधिक व्याख्यायित घटक है। उदाहरण के लिए, यदि b1 = 2,5 है, तो X1 में प्रत्येक 1 इकाई की वृद्धि से Y में 2,5 की वृद्धि होगी, यह मानते हुए कि अन्य स्वतंत्र चर स्थिर रहते हैं। "अन्य सभी चीजें स्थिर रहने पर" वाक्यांश महत्वपूर्ण है क्योंकि यह बहु प्रतिगमन की एक प्रमुख विशेषता को दर्शाता है: यह एक चर के "आंशिक" प्रभाव को मापता है।
-
मल्टीपल रिग्रेशन एप्लिकेशन का उदाहरण
इसे आसान बनाने के लिए, यहाँ एक सरल व्यावसायिक उदाहरण दिया गया है। मान लीजिए कि एक कंपनी उत्पाद की बिक्री (Y) को प्रभावित करने वाले कारकों को जानना चाहती है। कंपनी डेटा एकत्र करती है:
– X1 = विज्ञापन लागत (लाखों रुपयों में)
– X2 = उत्पाद की कीमत (हजारों रुपयों में)
– X3 = सक्रिय पुनर्विक्रेताओं की संख्या
विश्लेषण के परिणामों से निम्नलिखित समीकरण प्राप्त होता है:
बिक्री = 100 + 8X1 – 5X2 + 12X3
व्याख्या:
– स्थिर 100: जब विज्ञापन लागत, कीमतें और पुनर्विक्रेताओं को 0 माना जाता है, तो बिक्री 100 इकाइयों के रूप में अनुमानित की जाती है (यह केवल एक गणितीय व्याख्या है, कभी-कभी यह वास्तविकता में समझ में नहीं आता है)।
– 8X1: यदि कीमत और पुनर्विक्रेता समान रहें, तो विज्ञापन लागत में प्रत्येक अतिरिक्त 1 मिलियन से बिक्री में 8 यूनिट की वृद्धि होने का अनुमान है।
– -5X2: यदि अन्य चर स्थिर रहें तो कीमत में प्रत्येक 1 हजार रुपिया की वृद्धि से बिक्री में 5 यूनिट की कमी होने का अनुमान है।
– 12X3: यदि अन्य चर स्थिर रहें, तो प्रत्येक अतिरिक्त 1 सक्रिय पुनर्विक्रेता बिक्री में 12 इकाइयों की वृद्धि करता है।
इस मॉडल की मदद से कंपनियां नीतियां बना सकती हैं: उदाहरण के लिए, बिक्री लक्ष्यों को प्राप्त करने के लिए विज्ञापन, कीमतों और पुनर्विक्रेताओं की संख्या के संयोजन का निर्धारण करना।
-
मल्टीपल रिग्रेशन का उपयोग कब उचित होता है?
मल्टीपल रिग्रेशन का उपयोग तब उपयुक्त होता है जब:
1. आपके पास एक मुख्य परिणाम है जिसकी आप भविष्यवाणी करना चाहते हैं (Y)।
2. एक से अधिक कारक हैं जिन पर परिणाम (X) को प्रभावित करने का संदेह है।
3. डेटा संख्यात्मक पैमाने पर है या इसे संख्यात्मक रूप में बदला जा सकता है (उदाहरण के लिए, श्रेणियों को डमी में बदला जाता है)।
इस पद्धति का उपयोग अनुसंधान में "सिद्धांतों का परीक्षण" करने के लिए भी किया जा सकता है, उदाहरण के लिए, यह जांचने के लिए कि कार्य अनुभव और निवास स्थान को नियंत्रित करने के बाद भी आय पर शिक्षा का प्रभाव महत्वपूर्ण बना रहता है या नहीं।
-
बहु प्रतिगमन में महत्वपूर्ण मान्यताएँ
परिणामों की वैधता सुनिश्चित करने के लिए, मल्टीपल रिग्रेशन में कई मान्यताएं हैं जिन पर विचार करना आवश्यक है:
1. रैखिकता
स्वतंत्र और आश्रित चरों के बीच संबंध को रैखिक माना जाता है। यदि वास्तविक संबंध वक्रित (अरैखिक) है, तो रैखिक मॉडल कम सटीक हो सकता है।
2. उच्च बहुसंरेखता नहीं है।
स्वतंत्र चरों के बीच बहुत अधिक सहसंबंध नहीं होना चाहिए। यदि X1 और X2 लगभग समान हैं, तो उनके संबंधित प्रभावों को अलग करना मुश्किल होगा।
3. समरूपता
सभी अनुमानित मानों में अवशिष्ट विचरण अपेक्षाकृत स्थिर रहने की उम्मीद है। यदि किसी निश्चित मान पर अवशिष्ट विचरण बढ़ जाता है (विषम विचरण), तो अनुमान कम प्रभावी हो सकता है।
4. अवशिष्टों की सामान्यता (अक्सर वांछित)
अवशिष्टों का वितरण लगभग सामान्य होना चाहिए, विशेष रूप से सार्थकता परीक्षण के उद्देश्यों के लिए।
5. त्रुटियों की स्वतंत्रता
अवलोकनों के बीच की त्रुटियाँ सहसंबंधित नहीं होनी चाहिए। यह समस्या अक्सर समय श्रृंखला डेटा में उत्पन्न होती है।
मान्यताओं की जाँच आमतौर पर अवशिष्ट ग्राफ़, सांख्यिकीय परीक्षणों (जैसे, बहुसंरेखता के लिए VIF) और अन्य नैदानिक विश्लेषणों के माध्यम से की जाती है।
-
मॉडल की गुणवत्ता का मापन: R² और सार्थकता परीक्षण
मल्टीपल रिग्रेशन में कई सामान्य संकेतकों का उपयोग किया जाता है:
– R² (निर्धारण गुणांक)
यह Y में होने वाले उस बदलाव के अनुपात को दर्शाता है जिसे मॉडल द्वारा समझाया जा सकता है। R² का मान 0 से 1 के बीच होता है। R² जितना अधिक होगा, स्वतंत्र चर उतना ही अधिक बदलाव समझा पाएगा। हालांकि, R² का अधिक होना यह साबित नहीं करता कि मॉडल "सही" है; इससे ओवरफिटिंग हो सकती है।
– समायोजित R²
R² का एक ऐसा संस्करण जो स्वतंत्र चरों की संख्या को ध्यान में रखता है। इससे अलग-अलग चरों की संख्या वाले मॉडलों की तुलना करने में मदद मिलती है।
– एफ परीक्षण (समकालिक)
यह परीक्षण करना कि क्या स्वतंत्र चर एक साथ Y पर महत्वपूर्ण प्रभाव डालते हैं।
– टी-परीक्षण (आंशिक)
जाँच करें कि प्रत्येक गुणांक (b1, b2, आदि) सांख्यिकीय रूप से महत्वपूर्ण है या नहीं।
इस परीक्षण की मदद से शोधकर्ता यह आकलन कर सकते हैं कि मॉडल उपयोगी है या नहीं और वास्तव में कौन से चर इसमें योगदान करते हैं।
-
बहु प्रतिगमन के लाभ और सीमाएँ
केलेबिहान
– यह अधिक यथार्थवादी है क्योंकि यह एक साथ कई कारकों को ध्यान में रखता है।
– इसका उपयोग भविष्यवाणी और व्याख्या के लिए किया जा सकता है।
– यह आंशिक प्रभाव विश्लेषण (अन्य चरों का नियंत्रण) की अनुमति देता है।
– यह सांख्यिकी और मशीन लर्निंग में कई उन्नत विधियों का आधार है।
सीमाएँ
– बहुसंरेखता की संभावना।
– यदि मान्यताएं पूरी नहीं होती हैं तो परिणाम भ्रामक हो सकते हैं।
– यह स्वतः ही कारण-कार्य संबंध को इंगित नहीं करता; प्रतिगमन सहसंबंध दर्शाता है, और कारण-कार्य संबंध के लिए एक मजबूत शोध डिजाइन की आवश्यकता होती है।
– यदि डेटा की मात्रा की तुलना में चरों की संख्या बहुत अधिक हो तो ओवरफिटिंग हो सकती है।
-
पेनुतुप
बहु प्रतिगमन एक महत्वपूर्ण सांख्यिकीय उपकरण है जिसका उपयोग एकल आश्रित चर और अनेक स्वतंत्र चरों के बीच संबंध का विश्लेषण करने के लिए किया जाता है। अपेक्षाकृत सरल समीकरण का उपयोग करते हुए, यह विधि शोधकर्ताओं और विशेषज्ञों को प्रभावशाली कारकों को समझने, प्रत्येक चर के प्रभाव की तीव्रता को मापने और केवल एक कारक का उपयोग करने की तुलना में अधिक सटीक पूर्वानुमान लगाने में मदद करती है।
हालांकि, मल्टीपल रिग्रेशन कोई जादुई उपकरण नहीं है। सटीक व्याख्या सुनिश्चित करने के लिए इसमें अच्छी डेटा गुणवत्ता, उचित चर चयन और मान्यताओं की जाँच आवश्यक है। उचित उपयोग किए जाने पर, मल्टीपल रिग्रेशन विभिन्न क्षेत्रों में डेटा-आधारित निर्णय लेने के लिए एक ठोस आधार प्रदान कर सकता है।
यदि आप चाहें, तो मैं इस लेख का एक ऐसा संस्करण बनाने में आपकी मदद कर सकता हूँ जो किसी विशिष्ट संदर्भ (जैसे, किसी शोध प्रबंध के लिए, व्यवसाय के लिए, या हाई स्कूल के छात्रों के लिए) के लिए उपयुक्त हो, जिसमें सरल गणना के उदाहरण और SPSS/Excel/R के आउटपुट को पढ़ने का तरीका शामिल हो।
