ಅಂಕಿಅಂಶಗಳಲ್ಲಿ ರೇಖೀಯ ಹಿಂಜರಿತ

ಅಂಕಿಅಂಶಗಳಲ್ಲಿ ರೇಖೀಯ ಹಿಂಜರಿತ

ದತ್ತಾಂಶ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ರೇಖೀಯ ಹಿಂಜರಿತವು ಅತ್ಯಂತ ಮೂಲಭೂತ ಮತ್ತು ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುವ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ತಂತ್ರಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ. ಇದು ಸ್ವತಂತ್ರ (ಅಥವಾ ಮುನ್ಸೂಚಕ) ಮತ್ತು ಅವಲಂಬಿತ (ಅಥವಾ ಪ್ರತಿಕ್ರಿಯೆ) ಅಸ್ಥಿರಗಳ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಮತ್ತು ಮಾದರಿ ಮಾಡಲು ನಮಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ. ರೇಖೀಯ ಹಿಂಜರಿತವು ಅರ್ಥಶಾಸ್ತ್ರ, ಜೀವಶಾಸ್ತ್ರ, ಎಂಜಿನಿಯರಿಂಗ್, ಸಾಮಾಜಿಕ ವಿಜ್ಞಾನಗಳು ಮತ್ತು ಇನ್ನೂ ಹೆಚ್ಚಿನವುಗಳನ್ನು ಒಳಗೊಂಡಂತೆ ವಿವಿಧ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಜನಪ್ರಿಯವಾಗಿದೆ, ಅದರ ಸರಳತೆ ಮತ್ತು ವ್ಯಾಖ್ಯಾನದಿಂದಾಗಿ.

ರೇಖೀಯ ಹಿಂಜರಿತದ ಪರಿಚಯ

ರೇಖೀಯ ಹಿಂಜರಿತವು ಎರಡು ಅಥವಾ ಹೆಚ್ಚಿನ ಅಸ್ಥಿರಗಳ ನಡುವಿನ ರೇಖೀಯ ಸಂಬಂಧವನ್ನು ಕಂಡುಹಿಡಿಯುವ ಗುರಿಯನ್ನು ಹೊಂದಿದೆ. ಅದರ ಸರಳ ರೂಪದಲ್ಲಿ - ಸರಳ ರೇಖೀಯ ಹಿಂಜರಿತ - ನಾವು ಒಂದು ಸ್ವತಂತ್ರ ವೇರಿಯೇಬಲ್ ಮತ್ತು ಒಂದು ಅವಲಂಬಿತ ವೇರಿಯೇಬಲ್ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ನೇರ ರೇಖೆಯಾಗಿ ರೂಪಿಸುತ್ತೇವೆ. ಸರಳ ರೇಖೀಯ ಹಿಂಜರಿತಕ್ಕೆ ಮೂಲ ಗಣಿತದ ಸಮೀಕರಣವನ್ನು ಹೀಗೆ ವ್ಯಕ್ತಪಡಿಸಲಾಗುತ್ತದೆ:

\[ Y = \ಬೀಟಾ_0 + \ಬೀಟಾ_1X + \ಎಪ್ಸಿಲಾನ್ \]

ಎಲ್ಲಿ:
– \$ Y \$$ ಅವಲಂಬಿತ ಅಥವಾ ಪ್ರತಿಕ್ರಿಯೆ ವೇರಿಯೇಬಲ್ ಆಗಿದೆ.
– \$ X \$$ ಸ್ವತಂತ್ರ ಅಥವಾ ಮುನ್ಸೂಚಕ ವೇರಿಯೇಬಲ್ ಆಗಿದೆ.
– \$ \beta_0 \$$ ಎಂಬುದು ಅಂತಃಛೇದಕ (ರಿಗ್ರೆಷನ್ ರೇಖೆಯು Y-ಅಕ್ಷವನ್ನು ಛೇದಿಸುವ ಬಿಂದು).
– \$ \beta_1 \$$ ಇಳಿಜಾರು (ರಿಗ್ರೆಷನ್ ಲೈನ್‌ನ ಇಳಿಜಾರು).
– \$ \epsilon \$$ ಎಂಬುದು ಅತ್ಯುತ್ತಮ ಫಿಟ್ ಲೈನ್‌ನಿಂದ ಡೇಟಾದ ವಿಚಲನವನ್ನು ವಿವರಿಸುವ ದೋಷ (ಶೇಷ).

ಬಹು ರೇಖೀಯ ಹಿಂಜರಿತದಲ್ಲಿ, ನಾವು ಈ ಪರಿಕಲ್ಪನೆಯನ್ನು ಒಂದಕ್ಕಿಂತ ಹೆಚ್ಚು ಸ್ವತಂತ್ರ ವೇರಿಯೇಬಲ್‌ಗಳನ್ನು ನಿರ್ವಹಿಸಲು ವಿಸ್ತರಿಸುತ್ತೇವೆ, ಈ ಕೆಳಗಿನಂತೆ:

\[ Y = \ಬೀಟಾ_0 + \ಬೀಟಾ_1X_1 + \ಬೀಟಾ_2X_2 + … + \ಬೀಟಾ_nX_n + \ಎಪ್ಸಿಲಾನ್ \]

ಇಲ್ಲಿ, \$ X_1, X_2, …, X_n \$$ ಸ್ವತಂತ್ರ ಚರಾಂಶಗಳಾಗಿವೆ, ಮತ್ತು \$ \beta_1, \beta_2, …, \beta_n \$$ ಪ್ರತಿ ಸ್ವತಂತ್ರ ಚರಾಂಶವು ಅವಲಂಬಿತ ಚರಾಂಶದ ಮೇಲೆ ಬೀರುವ ಪರಿಣಾಮವನ್ನು ಅಳೆಯುವ ಹಿಂಜರಿತ ಗುಣಾಂಕಗಳಾಗಿವೆ.

ನಿಯತಾಂಕ ಅಂದಾಜು

ರೇಖೀಯ ಹಿಂಜರಿತದಲ್ಲಿ ನಿಯತಾಂಕ ಅಂದಾಜನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ಸಾಮಾನ್ಯ ಕನಿಷ್ಠ ಚೌಕಗಳನ್ನು (OLS) ಬಳಸಿ ನಡೆಸಲಾಗುತ್ತದೆ. ಈ ವಿಧಾನವು ಊಹಿಸಲಾದ ಮತ್ತು ವಾಸ್ತವಿಕ ಮೌಲ್ಯಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸಗಳ ವರ್ಗಗಳ ಮೊತ್ತವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ. ಗಣಿತದ ಪ್ರಕಾರ, OLS ವಿಧಾನವು ಈ ಕೆಳಗಿನ ಕಾರ್ಯವನ್ನು ಕಡಿಮೆ ಮಾಡುವ ಗುಣಾಂಕಗಳನ್ನು \$ \beta \$$ ಕಂಡುಕೊಳ್ಳುತ್ತದೆ:

\[ \sum_{i=1}^{n} (Y_i – (\beta_0 + \beta_1X_{i1} + \beta_2X_{i2} + … + \beta_nX_{in}))^2 \]

ಈ ಕನಿಷ್ಠೀಕರಣ ಪ್ರಕ್ರಿಯೆಯು ಲಭ್ಯವಿರುವ ದತ್ತಾಂಶಕ್ಕೆ ಉತ್ತಮವಾಗಿ ಹೊಂದಿಕೊಳ್ಳುವ ಗುಣಾಂಕಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ, ಒಟ್ಟು ವರ್ಗ ದೋಷವನ್ನು ಕಡಿಮೆ ಮಾಡುವ ಹಿಂಜರಿತ ರೇಖೆಯನ್ನು ನೀಡುತ್ತದೆ.

ರೇಖೀಯ ಹಿಂಜರಿತ ಊಹೆಗಳು

ಫಲಿತಾಂಶಗಳ ಸರಿಯಾದ ಬಳಕೆ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹತೆಗಾಗಿ, ರೇಖೀಯ ಹಿಂಜರಿತವು ಹಲವಾರು ಊಹೆಗಳನ್ನು ಪೂರೈಸಬೇಕು:
1. ರೇಖೀಯತೆ: ಸ್ವತಂತ್ರ ಮತ್ತು ಅವಲಂಬಿತ ಅಸ್ಥಿರಗಳ ನಡುವಿನ ಸಂಬಂಧವು ರೇಖೀಯವಾಗಿರುತ್ತದೆ.
2. ಸ್ವಾತಂತ್ರ್ಯ: ಉಳಿಕೆಗಳು (ದೋಷಗಳು) ಪರಸ್ಪರ ಸ್ವತಂತ್ರವಾಗಿವೆ.
3. ಹೋಮೋಸೆಡಾಸ್ಟಿಸಿಟಿ: ಸ್ವತಂತ್ರ ವೇರಿಯಬಲ್‌ನ ಎಲ್ಲಾ ಮೌಲ್ಯಗಳಿಗೆ ಶೇಷ ವ್ಯತ್ಯಾಸವು ಸ್ಥಿರವಾಗಿರುತ್ತದೆ.
4. ಸಾಮಾನ್ಯತೆ: ಉಳಿಕೆಗಳು ಸಾಮಾನ್ಯ ವಿತರಣೆಯನ್ನು ಅನುಸರಿಸುತ್ತವೆ.

ಈ ಊಹೆಗಳನ್ನು ಉಲ್ಲಂಘಿಸಿದರೆ, ಹಿಂಜರಿತ ಫಲಿತಾಂಶಗಳು ಅಮಾನ್ಯವಾಗಬಹುದು ಮತ್ತು ದಾರಿತಪ್ಪಿಸಬಹುದು. ಆದ್ದರಿಂದ, ತೀರ್ಮಾನಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವ ಮೊದಲು ಹಿಂಜರಿತ ರೋಗನಿರ್ಣಯದ ಮೂಲಕ ಈ ಊಹೆಗಳನ್ನು ಪರಿಶೀಲಿಸುವುದು ಮುಖ್ಯವಾಗಿದೆ.

ಬಳಕೆ ಮತ್ತು ಅನ್ವಯಿಕೆ

ಅದರ ಸರಳತೆ ಮತ್ತು ಬಹುಮುಖತೆಯಿಂದಾಗಿ ರೇಖೀಯ ಹಿಂಜರಿತವನ್ನು ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ. ವಿವಿಧ ಕ್ಷೇತ್ರಗಳಲ್ಲಿನ ಅನ್ವಯಗಳ ಕೆಲವು ಉದಾಹರಣೆಗಳು ಇಲ್ಲಿವೆ:
1. ಅರ್ಥಶಾಸ್ತ್ರ: ಉತ್ಪಾದನಾ ವೆಚ್ಚಗಳು, ಮಾರುಕಟ್ಟೆ ಬೇಡಿಕೆ ಮತ್ತು ಇತರ ಅಂಶಗಳೊಂದಿಗೆ ಸರಕುಗಳ ಬೆಲೆಯನ್ನು ಸಂಪರ್ಕಿಸುವುದು.
2. ಹಣಕಾಸು: ಅಪಾಯ ಅಥವಾ ಆರ್ಥಿಕ ಅಂಶಗಳ ಆಧಾರದ ಮೇಲೆ ಷೇರು ಆದಾಯವನ್ನು ಮಾಡೆಲಿಂಗ್ ಮಾಡುವುದು.
3. ಜೀವಶಾಸ್ತ್ರ: ನಿರ್ದಿಷ್ಟ ಔಷಧದ ಪ್ರಮಾಣ ಮತ್ತು ಅದರ ಪರಿಣಾಮಕಾರಿತ್ವದ ಮಟ್ಟದ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಪರಿಶೀಲಿಸುತ್ತದೆ.
4. ಸಾಮಾಜಿಕ: ಶಿಕ್ಷಣ ಮತ್ತು ಆದಾಯದ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ವಿಶ್ಲೇಷಿಸುವುದು.

ಇದರ ಜೊತೆಗೆ, ದತ್ತಾಂಶ ಮುನ್ಸೂಚನೆ ಅಥವಾ ಭವಿಷ್ಯವಾಣಿಯಲ್ಲಿ ರೇಖೀಯ ಹಿಂಜರಿತವನ್ನು ಹೆಚ್ಚಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ. ಐತಿಹಾಸಿಕ ದತ್ತಾಂಶದಲ್ಲಿನ ಪ್ರವೃತ್ತಿಗಳನ್ನು ವಿಶ್ಲೇಷಿಸುವ ಮೂಲಕ, ಭವಿಷ್ಯದ ಮೌಲ್ಯಗಳನ್ನು ಊಹಿಸಲು ರೇಖೀಯ ಹಿಂಜರಿತವನ್ನು ಬಳಸಬಹುದು.

ಮಾದರಿ ಮೌಲ್ಯಮಾಪನ

ಮಾದರಿಯು ಸಮರ್ಪಕವಾಗಿದೆ ಮತ್ತು ಡೇಟಾವನ್ನು ಸಮರ್ಪಕವಾಗಿ ವಿವರಿಸುತ್ತದೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು ರೇಖೀಯ ಹಿಂಜರಿತ ಮಾದರಿ ಮೌಲ್ಯಮಾಪನವನ್ನು ನಡೆಸಲಾಗುತ್ತದೆ. ಈ ಮಾದರಿ ಮೌಲ್ಯಮಾಪನದಲ್ಲಿ ಹಲವಾರು ಮೆಟ್ರಿಕ್‌ಗಳನ್ನು ಆಗಾಗ್ಗೆ ಬಳಸಲಾಗುತ್ತದೆ, ಅವುಗಳೆಂದರೆ:
– R-ಸ್ಕ್ವೇರ್ಡ್ (R^2): ರಿಗ್ರೆಷನ್ ಮಾದರಿಯಿಂದ ವಿವರಿಸಲಾದ ಅವಲಂಬಿತ ವೇರಿಯೇಬಲ್‌ನಲ್ಲಿ ಒಟ್ಟು ವ್ಯತ್ಯಾಸದ ಅನುಪಾತವನ್ನು ಅಳೆಯುತ್ತದೆ. R^2 ಮೌಲ್ಯಗಳು 0 ಮತ್ತು 1 ರ ನಡುವೆ ಇರುತ್ತವೆ, ಹೆಚ್ಚಿನ ಮೌಲ್ಯಗಳು ಉತ್ತಮ ಮಾದರಿಯನ್ನು ಸೂಚಿಸುತ್ತವೆ.
– ಹೊಂದಿಸಲಾದ R-ವರ್ಗ: ಬಳಸಿದ ಸ್ವತಂತ್ರ ಅಸ್ಥಿರಗಳ ಸಂಖ್ಯೆಯನ್ನು ಆಧರಿಸಿ R-ವರ್ಗವನ್ನು ಸರಿಪಡಿಸುತ್ತದೆ, ಮಾದರಿಯ ಒಟ್ಟಾರೆ ಮಹತ್ವವನ್ನು ನಿರ್ಧರಿಸಲು F-ಅಂಕಿಅಂಶಗಳನ್ನು ಹೆಚ್ಚಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ.
– ಸರಾಸರಿ ವರ್ಗ ದೋಷ (MSE): ನಿಜವಾದ ಮತ್ತು ಊಹಿಸಲಾದ ಮೌಲ್ಯಗಳ ನಡುವಿನ ವರ್ಗ ವ್ಯತ್ಯಾಸಗಳ ಸರಾಸರಿ.

ರೋಗನಿರ್ಣಯ ಮತ್ತು ಮೌಲ್ಯೀಕರಣ

ಮುನ್ಸೂಚನೆ ಅಥವಾ ಮುಂದಿನ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆಗಾಗಿ ಹಿಂಜರಿತ ಮಾದರಿಯನ್ನು ಬಳಸುವ ಮೊದಲು, ಹಿಂಜರಿತ ರೋಗನಿರ್ಣಯವನ್ನು ಮಾಡುವುದು ಮುಖ್ಯ. ಕೆಲವು ಸಾಮಾನ್ಯ ರೋಗನಿರ್ಣಯ ತಂತ್ರಗಳು ಸೇರಿವೆ:
1. ಶೇಷ ನಕ್ಷೆ: ರೇಖೀಯತೆ ಮತ್ತು ಹೋಮೋಸೆಡಾಸ್ಟಿಸಿಟಿಯನ್ನು ನಿರ್ಣಯಿಸಿ.
2. QQ ಕಥಾವಸ್ತು: ಉಳಿಕೆಗಳ ಸಾಮಾನ್ಯತೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿ.
3. ಡರ್ಬಿನ್-ವ್ಯಾಟ್ಸನ್ ಪರೀಕ್ಷೆ: ಶೇಷ ಸ್ವಯಂ ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ಪರೀಕ್ಷಿಸುತ್ತದೆ.
4. ಭಿನ್ನರಾಶಿ ಹಣದುಬ್ಬರ ಅಂಶ (VIF): ಸ್ವತಂತ್ರ ಅಸ್ಥಿರಗಳ ನಡುವಿನ ಬಹು-ರೇಖೀಯತೆಯನ್ನು ಗುರುತಿಸುವುದು.

ಈ ರೋಗನಿರ್ಣಯದ ಬಳಕೆಯು ಸಂಭಾವ್ಯ ಸಮಸ್ಯೆಗಳನ್ನು ಗುರುತಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ ಮತ್ತು ಬಳಕೆದಾರರಿಗೆ ಅಗತ್ಯ ಹೊಂದಾಣಿಕೆಗಳು ಅಥವಾ ಡೇಟಾ ರೂಪಾಂತರಗಳನ್ನು ಮಾಡಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.

ಸಮಸ್ಯೆಗಳು ಮತ್ತು ಮಿತಿಗಳು

ರೇಖೀಯ ಹಿಂಜರಿತವು ಒಂದು ಪ್ರಬಲ ಸಾಧನವಾಗಿದ್ದರೂ, ಅದಕ್ಕೆ ಮಿತಿಗಳೂ ಇವೆ. ಕೆಲವು ಸಾಮಾನ್ಯ ಸಮಸ್ಯೆಗಳು ಇವುಗಳನ್ನು ಒಳಗೊಂಡಿವೆ:
– ಬಹುಸಂಖ್ಯೆಯ ರೇಖೀಯತೆ: ಸ್ವತಂತ್ರ ಅಸ್ಥಿರಗಳು ಪರಸ್ಪರ ಹೆಚ್ಚು ಪರಸ್ಪರ ಸಂಬಂಧ ಹೊಂದಿರುವಾಗ ಸಂಭವಿಸುತ್ತದೆ. ಇದು ಅಸ್ಥಿರ ಗುಣಾಂಕ ಅಂದಾಜುಗಳು ಮತ್ತು ಗೊಂದಲಮಯ ವ್ಯಾಖ್ಯಾನಗಳಿಗೆ ಕಾರಣವಾಗಬಹುದು.
– ಹೊರಭಾಗಗಳು: ವಿಪರೀತ ಡೇಟಾ ಮೌಲ್ಯಗಳು ಹಿಂಜರಿತ ಫಲಿತಾಂಶಗಳನ್ನು ವಿರೂಪಗೊಳಿಸಬಹುದು.
– ರೇಖಾತ್ಮಕವಲ್ಲದಿರುವುದು: ಅಸ್ಥಿರಗಳ ನಡುವಿನ ಸಂಬಂಧವು ರೇಖಾತ್ಮಕವಲ್ಲದಿದ್ದರೆ, ರೇಖೀಯ ಹಿಂಜರಿತವು ಕಡಿಮೆ ಸೂಕ್ತವಾಗಿರುತ್ತದೆ. ಕೆಲವು ಸಂದರ್ಭಗಳಲ್ಲಿ ರೇಖಾತ್ಮಕವಲ್ಲದ ಮಾದರಿ ಹೆಚ್ಚು ಸೂಕ್ತವಾಗಿರುತ್ತದೆ.
– ಹೆಟೆರೋಸೆಡಾಸ್ಟಿಸಿಟಿ: ಉಳಿದ ವ್ಯತ್ಯಾಸವನ್ನು ಬದಲಾಯಿಸುವುದರಿಂದ ಅಸಮರ್ಥ ಗುಣಾಂಕ ಅಂದಾಜುಗಳಿಗೆ ಕಾರಣವಾಗಬಹುದು.

ತೀರ್ಮಾನ

ದತ್ತಾಂಶ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ರೇಖೀಯ ಹಿಂಜರಿತವು ಒಂದು ನಿರ್ಣಾಯಕ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ತಂತ್ರವಾಗಿದೆ. ರೇಖೀಯ ಹಿಂಜರಿತವನ್ನು ಬಳಸಿಕೊಂಡು, ನಾವು ಒಂದು ಅಥವಾ ಹೆಚ್ಚಿನ ಸ್ವತಂತ್ರ ಅಸ್ಥಿರಗಳು ಮತ್ತು ಅವಲಂಬಿತ ವೇರಿಯೇಬಲ್ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬಹುದು ಮತ್ತು ಮಾದರಿ ಮಾಡಬಹುದು. ರೇಖೀಯ ಹಿಂಜರಿತವು ಸರಳ ಮತ್ತು ಸುಲಭವಾಗಿ ಅರ್ಥೈಸಬಹುದಾದ ಸಾಧನವಾಗಿದ್ದರೂ, ಮಾನ್ಯ ಫಲಿತಾಂಶಗಳನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು ಯಾವಾಗಲೂ ಆಧಾರವಾಗಿರುವ ಊಹೆಗಳನ್ನು ಪರಿಶೀಲಿಸುವುದು ಮತ್ತು ಹಿಂಜರಿತ ರೋಗನಿರ್ಣಯವನ್ನು ಮಾಡುವುದು ಮುಖ್ಯವಾಗಿದೆ. ಕೆಲವು ಮಿತಿಗಳ ಹೊರತಾಗಿಯೂ, ಸರಿಯಾದ ವಿಧಾನ ಮತ್ತು ಹೊಂದಾಣಿಕೆಗಳೊಂದಿಗೆ, ವ್ಯಾಪಕ ಶ್ರೇಣಿಯ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಅನೇಕ ಪ್ರಾಯೋಗಿಕ ಅನ್ವಯಿಕೆಗಳಲ್ಲಿ ರೇಖೀಯ ಹಿಂಜರಿತವು ಬಹಳ ಉಪಯುಕ್ತ ವಿಧಾನವಾಗಿ ಉಳಿದಿದೆ.