ರೇಖೀಯ ಹಿಂಜರಿತ ಉದಾಹರಣೆ ಪ್ರಶ್ನೆಗಳು ಮತ್ತು ಚರ್ಚೆ
ರೇಖೀಯ ಹಿಂಜರಿತವು ಎರಡು ಅಥವಾ ಹೆಚ್ಚಿನ ಅಸ್ಥಿರಗಳ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ನಿರ್ಧರಿಸಲು ಬಳಸುವ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿಧಾನವಾಗಿದೆ. ಈ ವಿಧಾನವನ್ನು ಅರ್ಥಶಾಸ್ತ್ರ, ವ್ಯವಹಾರ, ಸಾಮಾಜಿಕ ವಿಜ್ಞಾನಗಳು ಮತ್ತು ನೈಸರ್ಗಿಕ ವಿಜ್ಞಾನಗಳು ಸೇರಿದಂತೆ ವಿವಿಧ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ. ಈ ಲೇಖನದಲ್ಲಿ, ನಾವು ರೇಖೀಯ ಹಿಂಜರಿತ, ಅದನ್ನು ಹೇಗೆ ಲೆಕ್ಕ ಹಾಕುವುದು ಮತ್ತು ಓದುಗರಿಗೆ ಈ ಪರಿಕಲ್ಪನೆಯನ್ನು ಆಳವಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡಲು ವಿವರಣೆಗಳೊಂದಿಗೆ ಹಲವಾರು ಉದಾಹರಣೆ ಸಮಸ್ಯೆಗಳನ್ನು ಒದಗಿಸುತ್ತೇವೆ.
ರೇಖೀಯ ಹಿಂಜರಿತವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು
ರೇಖೀಯ ಹಿಂಜರಿತವು ಒಂದು ಅಥವಾ ಹೆಚ್ಚಿನ ಸ್ವತಂತ್ರ ಅಸ್ಥಿರಗಳು (ಪ್ರಿಡಿಕ್ಟರ್‌ಗಳು) ಮತ್ತು ಅವಲಂಬಿತ ವೇರಿಯಬಲ್ (ಪ್ರತಿಕ್ರಿಯೆ) ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಮಾದರಿ ಮಾಡಲು ಬಳಸುವ ವಿಶ್ಲೇಷಣಾತ್ಮಕ ವಿಧಾನವಾಗಿದೆ. ಸರಳ ರೇಖೀಯ ಹಿಂಜರಿತವು ಒಂದು ಸ್ವತಂತ್ರ ವೇರಿಯಬಲ್ ಮತ್ತು ಒಂದು ಅವಲಂಬಿತ ವೇರಿಯಬಲ್ ಅನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ, ಆದರೆ ಬಹು ರೇಖೀಯ ಹಿಂಜರಿತವು ಒಂದಕ್ಕಿಂತ ಹೆಚ್ಚು ಸ್ವತಂತ್ರ ವೇರಿಯಬಲ್ ಅನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ.
ಸರಳ ರೇಖೀಯ ಹಿಂಜರಿತ ರೇಖೆಯ ಸಮೀಕರಣವು:
\[ Y = a + bX \]
ಎಲ್ಲಿ:
– \( Y \) ಅವಲಂಬಿತ ವೇರಿಯೇಬಲ್ ಆಗಿದೆ.
– \( X \) ಸ್ವತಂತ್ರ ವೇರಿಯಬಲ್ ಆಗಿದೆ.
– \( a \) ಎಂಬುದು ಇಂಟರ್ಸೆಪ್ಟ್ ಆಗಿದ್ದು, ಇದು X = 0 ಆದಾಗ Y ನ ಮೌಲ್ಯವಾಗಿರುತ್ತದೆ.
– \( b \) ಎಂಬುದು ಹಿಂಜರಿತ ಗುಣಾಂಕ, ಅಂದರೆ, X ಒಂದು ಘಟಕದಿಂದ ಬದಲಾದರೆ Y ಎಷ್ಟು ಬದಲಾಗುತ್ತದೆ.
ರೇಖೀಯ ಹಿಂಜರಿತ ಹಂತಗಳು
1. ದತ್ತಾಂಶವನ್ನು ಸಂಗ್ರಹಿಸಿ: ಮೊದಲು, ವಿಶ್ಲೇಷಿಸಬೇಕಾದ ದತ್ತಾಂಶವನ್ನು ಸಂಗ್ರಹಿಸಿ.
2. ಪ್ಲಾಟ್ ಡೇಟಾ: ವೇರಿಯೇಬಲ್‌ಗಳ ನಡುವೆ ರೇಖೀಯ ಸಂಬಂಧವಿದೆಯೇ ಎಂದು ನೋಡಲು ಸ್ಕ್ಯಾಟರ್ ಪ್ಲಾಟ್ ಅನ್ನು ರಚಿಸಿ.
3. ಹಿಂಜರಿತ ಗುಣಾಂಕವನ್ನು ಲೆಕ್ಕಹಾಕಿ: ಉತ್ತಮ ರೇಖೆಯನ್ನು ನಿರ್ಧರಿಸಲು ಕನಿಷ್ಠ ಚೌಕಗಳ ವಿಧಾನವನ್ನು ಬಳಸಿ.
4. ಮಾದರಿಯನ್ನು ಪರೀಕ್ಷಿಸುವುದು: ಟಿ-ಪರೀಕ್ಷೆಯೊಂದಿಗೆ ಹಿಂಜರಿತ ಗುಣಾಂಕಗಳ ಮಹತ್ವವನ್ನು ಪರೀಕ್ಷಿಸಿ ಮತ್ತು ಮಾದರಿಯು ದತ್ತಾಂಶಕ್ಕೆ ಎಷ್ಟು ಸರಿಹೊಂದುತ್ತದೆ ಎಂಬುದನ್ನು ನೋಡಲು R-ವರ್ಗದ ಮೌಲ್ಯವನ್ನು ನಿರ್ಧರಿಸಿ.
ಮಾದರಿ ಪ್ರಶ್ನೆಗಳು ಮತ್ತು ಚರ್ಚೆ
ಉದಾಹರಣೆ ಪ್ರಶ್ನೆ 1: ಸರಳ ರೇಖೀಯ ಹಿಂಜರಿತ
ಪ್ರಶ್ನೆ:
ಒಬ್ಬ ಸಂಶೋಧಕನು ಅಧ್ಯಯನದ ಗಂಟೆಗಳ ಸಂಖ್ಯೆ (X) ಮತ್ತು ವಿದ್ಯಾರ್ಥಿಗಳ ಪರೀಕ್ಷೆಯ ಅಂಕಗಳು (Y) ನಡುವಿನ ಸಂಬಂಧವನ್ನು ತಿಳಿದುಕೊಳ್ಳಲು ಬಯಸುತ್ತಾನೆ. ಪಡೆದ ದತ್ತಾಂಶಗಳು ಈ ಕೆಳಗಿನಂತಿವೆ:
| ಅಧ್ಯಯನದ ಸಮಯ (X) | ಪರೀಕ್ಷೆಯ ಅಂಕಗಳು (Y) |
|———————–|——————–|
| 2 | 70 |
| 3 | 75 |
| 5 | 80 |
| 7 | 85 |
| 8 | 90 |
ಈ ದತ್ತಾಂಶದಿಂದ ರೇಖೀಯ ಹಿಂಜರಿತ ಸಮೀಕರಣವನ್ನು ಮಾಡಿ!
ಚರ್ಚೆ:
1. ಸರಾಸರಿ ಲೆಕ್ಕಾಚಾರ:
\[
\ಬಾರ್{X} = \frac{2 + 3 + 5 + 7 + 8}{5} = 5
\]
\[
\bar{Y} = \frac{70 + 75 + 80 + 85 + 90}{5} = 80
\]
2. ಹಿಂಜರಿತ ಗುಣಾಂಕವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವುದು \( b \):
\[
b = \frac{\sum (X_i – \bar{X})(Y_i – \bar{Y})}{\sum (X_i – \bar{X})^2}
\]
\[
\sum (X_i – \bar{X})(Y_i – \bar{Y}) = (2 – 5)(70 – 80) + (3 – 5)(75 – 80) + (5 – 5)(80 – 80) + (7 – 5)(85 – 80) + (8 – 5)(90 – 80)
\]
\[
= (-3)(-10) + (-2)(-5) + (0)(0) + (2)(5) + (3)(10) = 30 + 10 + 0 + 10 + 30 = 80
\]
\[
\sum (X_i – \bar{X})^2 = (2 – 5)^2 + (3 – 5)^2 + (5 – 5)^2 + (7 – 5)^2 + (8 – 5)^2
\]
\[
= 9 + 4 + 0 + 4 + 9 = 26
\]
\[
ಬಿ = \frac{80}{26} \ಸುಮಾರು 3.08
\]
3. ಪ್ರತಿಬಂಧವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವುದು \( a \):
\[
a = \ಬಾರ್{Y} – b\ಬಾರ್{X}
\]
\[
a = 80 – 3.08 \times 5 = 80 – 15.4 = 64.6
\]
4. ಹಿಂಜರಿತ ಸಮೀಕರಣ:
\[
ವೈ = 64.6 + 3.08ಎಕ್ಸ್
\]
ಆದ್ದರಿಂದ, ದತ್ತಾಂಶಕ್ಕೆ ರೇಖೀಯ ಹಿಂಜರಿತ ಸಮೀಕರಣವು \( Y = 64.6 + 3.08X \) ಆಗಿದೆ. ಇದರರ್ಥ ಪ್ರತಿ ಹೆಚ್ಚುವರಿ ಗಂಟೆಯ ಅಧ್ಯಯನವು ಪರೀಕ್ಷಾ ಅಂಕಗಳನ್ನು 3.08 ಅಂಕಗಳಿಂದ ಹೆಚ್ಚಿಸುತ್ತದೆ ಎಂದು ನಿರೀಕ್ಷಿಸಲಾಗಿದೆ.
ಉದಾಹರಣೆ ಪ್ರಶ್ನೆ 2: ಮಾದರಿ ಪರೀಕ್ಷೆ ಮತ್ತು ವ್ಯಾಖ್ಯಾನ
ಪ್ರಶ್ನೆ:
ಅದೇ ದತ್ತಾಂಶದೊಂದಿಗೆ ಮುಂದುವರಿಯುತ್ತಾ, ಮಾದರಿಯು ದತ್ತಾಂಶಕ್ಕೆ ಎಷ್ಟು ಸರಿಹೊಂದುತ್ತದೆ ಎಂಬುದನ್ನು ಅಳೆಯಲು R-ವರ್ಗ (R²) ಮೌಲ್ಯವನ್ನು ಲೆಕ್ಕಹಾಕಿ. ಅಲ್ಲದೆ, ಹಿಂಜರಿತ ಗುಣಾಂಕದ ಮಹತ್ವವನ್ನು ಪರೀಕ್ಷಿಸಿ \( b \).
ಚರ್ಚೆ:
1. ಒಟ್ಟು ವರ್ಗಗಳ ಮೊತ್ತ (SST), ವರ್ಗಗಳ ಹಿಂಜರಿತ ಮೊತ್ತ (SSR), ಮತ್ತು ವರ್ಗಗಳ ದೋಷ ಮೊತ್ತ (SSE) ಗಳನ್ನು ಲೆಕ್ಕಹಾಕಿ:
\[
SST = \ಮೊತ್ತ (Y_i – \ಬಾರ್{Y})^2
\]
\[
SST = (70 – 80)^2 + (75 – 80)^2 + (80 – 80)^2 + (85 – 80)^2 + (90 – 80)^2 = 100 + 25 + 0 + 25 + 100 = 250
\]
\[
SSR = \ಮೊತ್ತ (\hat{Y}_i – \bar{Y})^2
\]
ಇಲ್ಲಿ \( \hat{Y}_i \) ಎಂಬುದು ಹಿಂಜರಿತ ಸಮೀಕರಣದ ಊಹಿಸಲಾದ ಮೌಲ್ಯವಾಗಿದೆ:
\[
\hat{Y}_i = 64.6 + 3.08X_i
\]
\[
\hat{Y} = [67.76, 70.84, 76.0, 82.16, 85.24]
\]
\[
\ಬಾರ್{Y} = 80
\]
\[
SSR = (67.76 – 80)^2 + (70.84 – 80)^2 + (76.0 – 80)^2 + (82.16 – 80)^2 + (85.24 – 80)^2
\]
\[
SSR = (-12.24)^2 + (-9.16)^2 + (-4.0)^2 + 2.16^2 + 5.24^2 = 149.8
\]
2. SSE ಲೆಕ್ಕಾಚಾರ:
\[
ಎಸ್‌ಎಸ್‌ಇ = ಎಸ್‌ಎಸ್‌ಟಿ – ಎಸ್‌ಎಸ್‌ಆರ್ = 250 – 149.8 = 100.2
\]
3. R-ವರ್ಗದ ಲೆಕ್ಕಾಚಾರ:
\[
R^2 = \frac{SSR}{SST} = \frac{149.8}{250} \ಸುಮಾರು 0.6
\]
0.6 ರ R-ವರ್ಗ ಮೌಲ್ಯವು ಈ ಮಾದರಿಯು ದತ್ತಾಂಶದಲ್ಲಿನ ಸರಿಸುಮಾರು 60% ವ್ಯತ್ಯಾಸವನ್ನು ವಿವರಿಸುತ್ತದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ. ಇದು ಹಿಂಜರಿತ ರೇಖೆಯು ದತ್ತಾಂಶಕ್ಕೆ ಸಾಕಷ್ಟು ಚೆನ್ನಾಗಿ ಹೊಂದಿಕೊಳ್ಳುತ್ತದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ.
4. ಗುಣಾಂಕದ ಮಹತ್ವಕ್ಕಾಗಿ ಟಿ-ಪರೀಕ್ಷೆ \( b \):
\[
t = \frac{b}{SE(b)}
\]
\[
SE(b) = \sqrt{\frac{SSE}{n-2}} / \sqrt{\sum (X_i – \bar{X})^2}
\]
\[
SE(b) = \sqrt{\frac{100.2}{5-2}} / \sqrt{26}
\]
\[
SE(b) = \sqrt{33.4} / \sqrt{26} \ಸುಮಾರು 1.13
\]
\[
t = \frac{3.08}{1.13} \ಸುಮಾರು 2.73
\]
\( t-ಅಂಕಿಅಂಶ \approx 2.73 \) ನೊಂದಿಗೆ, ನಾವು ಮಹತ್ವಕ್ಕಾಗಿ ಸಾಮಾನ್ಯ ಮಿತಿಯನ್ನು ಬಳಸಿದರೆ (α = 0.05), ನಾವು ಅದನ್ನು t-ಕೋಷ್ಟಕದೊಂದಿಗೆ ಹೋಲಿಸುತ್ತೇವೆ. ಉದಾಹರಣೆಗೆ, \( df = 3 \) ಗಾಗಿ, ನಿರ್ಣಾಯಕ \( t \) ಸರಿಸುಮಾರು 2.353 ಆಗಿದೆ. ನಂತರ \( t-ಅನ್ವೇಷಿತ > t-ನಿರ್ಣಾಯಕ \), ಗುಣಾಂಕವು ಗಮನಾರ್ಹವಾಗಿದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ.
ತೀರ್ಮಾನ
ಈ ಲೇಖನದಲ್ಲಿ, ನಾವು ರೇಖೀಯ ಹಿಂಜರಿತದ ಮೂಲಭೂತ ಅಂಶಗಳನ್ನು, ಹಿಂಜರಿತ ಗುಣಾಂಕ ಮತ್ತು ಪ್ರತಿಬಂಧವನ್ನು ಹೇಗೆ ಲೆಕ್ಕ ಹಾಕುವುದು ಮತ್ತು ಉದಾಹರಣೆ ಸಮಸ್ಯೆಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಫಲಿತಾಂಶಗಳನ್ನು ಹೇಗೆ ಅರ್ಥೈಸಿಕೊಳ್ಳುವುದು ಎಂಬುದನ್ನು ವಿವರಿಸಿದ್ದೇವೆ. ಈ ವಿಧಾನವನ್ನು ಬಳಸುವಲ್ಲಿ ಪ್ರವೀಣರಾಗಲು ವಿವಿಧ ಡೇಟಾ ಸೆಟ್‌ಗಳೊಂದಿಗೆ ಆಗಾಗ್ಗೆ ಅಭ್ಯಾಸ ಮಾಡುವುದು ಅತ್ಯಗತ್ಯ. ರೇಖೀಯ ಹಿಂಜರಿತವು ಡೇಟಾ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ಒಂದು ಅಮೂಲ್ಯ ಸಾಧನವಾಗಿದೆ ಮತ್ತು ಅಸ್ಥಿರಗಳ ನಡುವಿನ ಸಂಬಂಧಗಳ ಬಗ್ಗೆ ಆಳವಾದ ಒಳನೋಟಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ.
