ឧទាហរណ៍នៃសំណួរពិភាក្សាអំពីតំរែតំរង់លីនេអ៊ែរ

ឧទាហរណ៍សំណួរ និងការពិភាក្សាអំពីតំរែតំរង់លីនេអ៊ែរ

ការវិភាគតំរែតំរង់លីនេអ៊ែរ គឺជាវិធីសាស្ត្រស្ថិតិមួយដែលប្រើដើម្បីកំណត់ទំនាក់ទំនងរវាងអថេរពីរ ឬច្រើន។ វិធីសាស្ត្រនេះត្រូវបានគេប្រើប្រាស់យ៉ាងទូលំទូលាយនៅក្នុងវិស័យផ្សេងៗ រួមទាំងសេដ្ឋកិច្ច ពាណិជ្ជកម្ម វិទ្យាសាស្ត្រសង្គម និងវិទ្យាសាស្ត្រធម្មជាតិ។ នៅក្នុងអត្ថបទនេះ យើងនឹងពិភាក្សាអំពីការវិភាគតំរែតំរង់លីនេអ៊ែរ របៀបគណនាវា និងផ្តល់ឧទាហរណ៍បញ្ហាមួយចំនួនជាមួយនឹងការពន្យល់ ដើម្បីជួយអ្នកអានឱ្យយល់កាន់តែស៊ីជម្រៅអំពីគោលគំនិតនេះ។

ការយល់ដឹងអំពីតំរែតំរង់លីនេអ៊ែរ

តំរែតំរង់លីនេអ៊ែរ គឺជាវិធីសាស្ត្រវិភាគមួយដែលប្រើដើម្បីធ្វើគំរូទំនាក់ទំនងរវាងអថេរឯករាជ្យមួយ ឬច្រើន (កត្តាព្យាករណ៍) និងអថេរអាស្រ័យ (ការឆ្លើយតប)។ តំរែតំរង់លីនេអ៊ែរសាមញ្ញពាក់ព័ន្ធនឹងអថេរឯករាជ្យមួយ និងអថេរអាស្រ័យមួយ ខណៈពេលដែលតំរែតំរង់លីនេអ៊ែរច្រើនពាក់ព័ន្ធនឹងអថេរឯករាជ្យច្រើនជាងមួយ។

សមីការនៃបន្ទាត់តំរែតំរង់លីនេអ៊ែរសាមញ្ញគឺ៖
\[ Y = a + bX \]

កន្លែងណា៖
-\(Y\) គឺជាអថេរអាស្រ័យ។
-\(X\) គឺជាអថេរឯករាជ្យ។
–\(a\) គឺជាចំណុចប្រសព្វ ដែលជាតម្លៃរបស់ Y នៅពេល X = 0។
–\( b\) គឺជាមេគុណតំរែតំរង់ ពោលគឺចំនួន Y ផ្លាស់ប្តូរប្រសិនបើ X ផ្លាស់ប្តូរមួយឯកតា។

ជំហានតំរែតំរង់លីនេអ៊ែរ

១. ប្រមូលទិន្នន័យ៖ ដំបូងត្រូវប្រមូលទិន្នន័យដែលត្រូវវិភាគ។
២. ទិន្នន័យគំនូសតាង៖ បង្កើតគំនូសតាងរាយប៉ាយ ដើម្បីមើលថាតើមានទំនាក់ទំនងលីនេអ៊ែររវាងអថេរឬអត់។
៣. គណនាមេគុណតំរែតំរង់៖ ប្រើវិធីសាស្ត្រការ៉េតូចបំផុតដើម្បីកំណត់បន្ទាត់ល្អបំផុត។
៤. ការធ្វើតេស្តគំរូ៖ សាកល្បងសារៈសំខាន់នៃមេគុណតំរែតំរង់ជាមួយនឹងការធ្វើតេស្ត t ហើយកំណត់តម្លៃ R-squared ដើម្បីមើលថាតើគំរូសមនឹងទិន្នន័យបានល្អប៉ុណ្ណា។

សំណួរគំរូ និងការពិភាក្សា

ឧទាហរណ៍សំណួរទី 1: តំរែតំរង់លីនេអ៊ែរសាមញ្ញ

សំណួរ៖
អ្នកស្រាវជ្រាវម្នាក់ចង់ដឹងពីទំនាក់ទំនងរវាងចំនួនម៉ោងសិក្សា (X) និងពិន្ទុប្រឡង (Y) របស់សិស្ស។ ទិន្នន័យដែលទទួលបានមានដូចខាងក្រោម៖

| ម៉ោងសិក្សា (X) | ពិន្ទុប្រឡង (Y) |
|——————–|——————–|
| ២០៥ | ១០០ |
| ២០៥ | ១០០ |
| ២០៥ | ១០០ |
| ២០៥ | ១០០ |
| ២០៥ | ១០០ |

បង្កើតសមីការតំរែតំរង់លីនេអ៊ែរពីទិន្នន័យនេះ!

ប៉េបាហាសាន៖

១. ការគណនាមធ្យមភាគ៖
\[
\bar{X} = \frac{2 + 3 + 5 + 7 + 8}{5} = 5
\]
\[
\bar{Y} = \frac{70 + 75 + 80 + 85 + 90}{5} = 80
\]

២. ការគណនាមេគុណតំរែតំរង់ \( b \):
\[
b = \frac{\ផលបូក (X_i – X)(Y_i – Y)}{\ផលបូក (X_i – X)^2}
\]
\[
ផលបូក (X_i – X)(Y_i – Y) = (2 – 5)(70 – 80) + (3 – 5)(75 – 80) + (5 – 5)(80 – 80) + (7 – 5)(85 – 80) + (8 – 5)(90 – 80)
\]
\[
= (-3)(-10) + (-2)(-5) + (0)(0) + (2)(5) + (3)(10) = 30 + 10 + 0 + 10 + 30 = 80
\]
\[
ផលបូក (X_i – X)^2 = (2 – 5)^2 + (3 – 5)^2 + (5 – 5)^2 + (7 – 5)^2 + (8 – 5)^2
\]
\[
= ៤៨ + ០ + ០ + ៨ + ៤០ = ៩៦
\]
\[
b = \frac{80}{26} \ប្រហែល 3.08
\]

៣. ការគណនាចំណុចប្រសព្វ \(a\):
\[
a = \bar{Y} – b\bar{X}
\]
\[
a = 80 – 3.08 \ គុណ 5 = 80 – 15.4 = 64.6
\]

៤. សមីការតំរែតំរង់៖
\[
យ = ៦៤.៦ + ៣.០៨ គុណ
\]

ដូច្នេះ សមីការតំរែតំរង់លីនេអ៊ែរសម្រាប់ទិន្នន័យគឺ \( Y = 64.6 + 3.08X \)។ នេះមានន័យថា រាល់ម៉ោងសិក្សាបន្ថែមត្រូវបានគេរំពឹងថានឹងបង្កើនពិន្ទុតេស្តចំនួន 3.08 ពិន្ទុ។

ឧទាហរណ៍សំណួរទី 2: ការធ្វើតេស្តគំរូ និងការបកស្រាយ

សំណួរ៖
បន្តជាមួយទិន្នន័យដដែល គណនាតម្លៃ R-squared (R²) ដើម្បីវាស់ស្ទង់ថាតើគំរូសមនឹងទិន្នន័យបានល្អប៉ុណ្ណា។ ដូចគ្នានេះដែរ សូមសាកល្បងសារៈសំខាន់នៃមេគុណតំរែតំរង់ \(b\)។

ប៉េបាហាសាន៖

១. គណនាផលបូកសរុបនៃការេ (SST) ផលបូកតំរែតំរង់នៃការេ (SSR) និងផលបូកកំហុសនៃការេ (SSE)៖
\[
SST = ផលបូក (Y_i – បារ{Y})^2
\]
\[
SST = (70 – 80)^2 + (75 – 80)^2 + (80 – 80)^2 + (85 – 80)^2 + (90 – 80)^2 = 100 + 25 + 0 + 25 + 100 = 250
\]

\[
SSR = ផលបូក (\hat{Y}_i – \bar{Y})^2
\]
ដែល \( \hat{Y}_i \) ជាតម្លៃព្យាករណ៍នៃសមីការតំរែតំរង់៖
\[
{\hat{Y}_i = 64.6 + 3.08X_i}
\]
\[
\hat{Y} = [67.76, 70.84, 76.0, 82.16, 85.24]
\]
\[
\bar{Y} = ៨០
\]
\[
អេសអេសអរ = (៦៧.៧៦ – ៨០)^២ + (៧០.៨៤ – ៨០)^២ + (៧៦.០ – ៨០)^២ + (៨២.១៦ – ៨០)^២ + (៨៥.២៤ – ៨០)^២
\]
\[
អេសអេសអរ = (-១២.២៤)^២ + (-៩.១៦)^២ + (-៤.០)^២ + ២.១៦^២ + ៥.២៤^២ = ១៤៩.៨
\]

២. ការគណនា SSE៖
\[
SSE = SST – SSR = 250 – 149.8 = 100.2
\]

៣. ការគណនា R-squared៖
\[
R^2 = \frac{SSR}{SST} = \frac{149.8}{250} \ប្រហែល 0.6
\]

តម្លៃ R-squared 0.6 បង្ហាញថាគំរូនេះពន្យល់ប្រហែល 60% នៃបំរែបំរួលនៅក្នុងទិន្នន័យ។ នេះបង្ហាញថាខ្សែបន្ទាត់តំរែតំរង់សមនឹងទិន្នន័យបានល្អ។

៤. តេស្ត t សម្រាប់សារៈសំខាន់នៃមេគុណ \(b\):
\[
t = \frac{b}{SE(b)}
\]
\[
SE(ខ) = \sqrt{\frac{SSE}{n-2}} / \sqrt{\sum (X_i – X)^2}
\]
\[
SE(b) = \sqrt{\frac{100.2}{5-2}} / \sqrt{26}
\]
\[
SE(ខ) = \sqrt{៣៣.៤} / \sqrt{២៦} \ប្រហែល ១.១៣
\]
\[
t = \frac{3.08}{1.13} \ប្រហែល 2.73
\]

ជាមួយនឹង \(t-statistic \approx 2.73\) ប្រសិនបើយើងប្រើកម្រិតសារៈសំខាន់រួម (α = 0.05) យើងប្រៀបធៀបវាជាមួយតារាង t។ ឧទាហរណ៍ សម្រាប់ \(df = 3\) តម្លៃសំខាន់ \(t\) គឺប្រហែល 2.353។ បន្ទាប់មក \(t-observed > t-critical\) ដែលបង្ហាញថាមេគុណសំខាន់។

សេចក្តីសន្និដ្ឋាន

នៅក្នុងអត្ថបទនេះ យើងបានគ្របដណ្តប់លើមូលដ្ឋានគ្រឹះនៃតំរែតំរង់លីនេអ៊ែរ របៀបគណនាមេគុណតំរែតំរង់ និងចំណុចប្រសព្វនៃទិន្នន័យ និងរបៀបបកស្រាយលទ្ធផលដោយប្រើបញ្ហាឧទាហរណ៍។ ការអនុវត្តជាញឹកញាប់ជាមួយសំណុំទិន្នន័យផ្សេងៗគឺមានសារៈសំខាន់ណាស់ដើម្បីក្លាយជាអ្នកជំនាញក្នុងការប្រើប្រាស់វិធីសាស្ត្រនេះ។ តំរែតំរង់លីនេអ៊ែរគឺជាឧបករណ៍ដ៏មានតម្លៃក្នុងការវិភាគទិន្នន័យ និងអាចផ្តល់នូវការយល់ដឹងស៊ីជម្រៅអំពីទំនាក់ទំនងរវាងអថេរ។