Koefîsyona Diyarkirinê: Pênasîn, Hesabkirin, û Bikaranîn
Pendahuluan
Koefîsyenta diyarkeriyê, ku pir caran wekî \(R^2 \) tê sembolîzekirin, têgeheke îstatîstîkî ye ku di analîza daneyan de roleke girîng dilîze. Ew pîvanek peyda dike ka daneyên çavdêrîkirî çiqas baş dikarin ji hêla modela ku tê bikar anîn ve werin ravekirin. Her çend bi berfirehî di regresyona xêzikî de tê bikar anîn jî, koefîsyenta diyarkeriyê di gelek çarçoveyên din de jî heye ku tê de pêşbîniya îstatîstîkî û modelkirin têne bikar anîn.
Armanca vê gotarê ew e ku pênaseya katsayiya diyarkeriyê, rêbaza hesabkirina wê rave bike û mînakên sepanên wê yên di cîhana rastîn de pêşkêş bike. Fêmkirina vê têgehê dê şiyana me ya ji bo kirina analîzên îstatîstîkî yên watedartir baştir bike.
Fêmkirina Koefîsyona Diyarkirinê
Koefîsyenta diyarkeriyê (\(R^2\)) nirxek e ku di navbera 0 û 1 de ye, ku rêjeya guherbariya di guherbara girêdayî de nîşan dide ku dikare bi guherbarên serbixwe di modela regresyonê de were ravekirin. Nirxek \(R^2\) nêzîkî 1 nîşan dide ku guherbarên serbixwe yên bijartî dikarin piraniya guherbariya di guherbara girêdayî de rave bikin, lê nirxek \(R^2\) nêzîkî 0 nîşan dide ku model di ravekirina guherbariya daneyan de têra xwe baş nîne.
Ji hêla matematîkî ve, katsayiya diyarkeriyê dikare bi formula jêrîn were îfade kirin:
\[ R^2 = 1 – \frac{SSR}{SST} \]
Ko:
– \( SSR \) Tevahiya Bermayiyên Çargoşeyan e (hevûna çargoşeyên bermayiyan an jî xeletiyên pêşbînîkirinê)
– \( SST \) Tevahiya Kombûna Çargoşeyan e (tevahiya kombûna çargoşeyên guhêrbarê girêdayî)
Rêbaza Hesabkirina Koefîsyona Diyarkirinê
Ji bo ku em baştir fêm bikin ka çawa koefîsyenta diyarkeriyê tê hesibandin, em gavan zelal bikin.
Gavên Hesabkirinê
1. Nirxa pêşbînîkirî (\( \hat{y} \)) hesab bike:
Ev nirxa pêşbînîkirî ji modela regresyonê ya ku me çêkiriye tê wergirtin. Bo nimûne, heke modela regresyonê xêzikî ya sade be, wê hingê forma wê ev e:
\[ \hat{y} = \beta_0 + \beta_1 x \]
2. Mayî (\( e \)) hesab bike:
Mayî cudahiya di navbera nirxa çavdêrîkirî (\(y\)) û nirxa pêşbînîkirî (\(\hat{y}\)) de ye:
\[ e = y – \hat{y} \]
3. SSR (Komîsyona Bermayiyên Çargoşe) hesab bike:
SSR berhevoka çargoşeyên mayîyan e:
\[ SSR = \sum (y – \hat{y})^2 \]
4. SST (Tevahiya Komên Çargoşeyan) hesab bike:
SST berhevoka çargoşeyên cudahîyên di navbera nirxên çavdêrîkirî (\(y\)) û navînîya wan nirxên çavdêrîkirî (\(\bar{y}\)) de ye:
\[SST = \sum (y – \bar{y})^2 \]
5. Koefîsyona Diyarîkirinê (\( R^2 \)) hesab bike:
Koefîsyenta diyarkeriyê bi karanîna formula jorîn tê hesibandin:
\[ R^2 = 1 – \frac{SSR}{SST} \]
Bi van gavan, em dikarin nirxek \(R^2\) hilberînin ku diyar dike ka modela me çiqas baş guherbariya daneyan rave dike.
Fêmkirina Nirxa \(R^2 \)
Nirxa \(R^2\) dikare li gorî çarçove û tevliheviya modela ku tê bikar anîn pir cûda bibe. Li vir çend rêbername hene ji bo şîrovekirina nirxa \(R^2\):
– \( R^2 \nêzîkî 0 \):
Ev nîşan dide ku modela regresyonê bi zorê dikare guherbarîya di daneyan de rave bike. Guhêrbarên serbixwe yên ku têne bikar anîn dibe ku ji guhêrbarê girêdayî re ne girîng bin, an jî dibe ku ji ber xwezaya pir guhêrbar a daneyên rêzenivîsa demê be.
– \( 0 < R^2 < 0.3 \): Model xwedî kalîteya ravekirinê ya pir kêm e, lê dîsa jî hin agahî hene ku dikarin di derbarê têkiliya di navbera guhêrbaran de werin derxistin.
- \( 0.3 \leq R^2 < 0.7 \): Ev nirx nîşan dide ku model xwedî kalîteyeke ravekirinê ya navîn e. Model pir bikêrhatî ye lê dîsa jî cîh ji bo başkirinê heye. - \( 0.7 \leq R^2 < 1 \): Model xwedî kalîteyeke ravekirinê ya bilind e. Piraniya guherbarîya di guhêrbarê girêdayî de ji hêla guhêrbarên serbixwe ve tê ravekirin. - \( R^2 \approx 1 \): Ev nîşan dide ku model xwedî kalîteyeke ravekirinê ya pir bilind e. Lêbelê, divê ev jî were hesibandin ji ber ku ew dikare zêde-lihevkirinê nîşan bide, ku model pir tevlihev e û êdî nayê giştîkirin. Serlêdanên Cîhana Rastîn Koefîsyenta diyarkirinê di warên cûrbecûr de tê bikar anîn, ji zanistên civakî bigire heya zanistên xwezayî. Li vir çend mînakên berbiçav ên serîlêdanên \( R^2 \): 1. Aborî: Di analîza aborî de, koefîsyenta diyarkirinê tê bikar anîn da ku were nirxandin ka modelek aborî çiqas baş dikare têkiliya di navbera guhêrbarên wekî dahat, xerckirin û veberhênanê de rave bike. 2. Biyoîstatîstîk: Di lêkolînên bijîşkî de, \(R^2 \) ji bo nirxandina bandora têkiliya di navbera doza derman û bersiva nexweş de tê bikar anîn. Modelek baş dê xwedî \(R^2 \) ya bilind be, ku nîşan dide ku doza derman dikare piraniya guherbariya di bersiva nexweş de rave bike. 3. Zanista Jîngehê: Di modelkirina avhewayê de, \(R^2 \) dikare ji bo nirxandina têkiliya di navbera faktorên avhewayê yên wekî baran, germahî û şilbûnê de were bikar anîn. Koefîsyenteke diyarker a bilind nîşan dide ku modela avhewayê ya ku tê bikar anîn di ravekirina guherbariya avhewayê de pir baş e. 4. Bazirganî û Kirrûbirra: Di analîza kirrûbirrê de, \(R^2\) dikare were bikar anîn da ku were nirxandin ka modelek regresyonê çiqas baş têkiliya di navbera lêçûnên reklamê û firotanê de vedibêje. Nirxek \(R^2\) ya bilind nîşan dide ku lêçûnên reklamê pêşbînkerek baş a firotanê ne. Sînorkirinên Koefîsyena Diyarkeriyê Her çend koefîsyena diyarkeriyê amûrek pir bikêr be jî, çend sînorkirinên wê jî hene ku divê werin hesibandin: 1. Sedemîtiyê Pîv nake: Nirxek \(R^2\) ya bilind nîşan nade ku guhêrbarê serbixwe dibe sedema guhertina guhêrbarê girêdayî. Ew tenê têkiliyek xêzikî di navbera herduyan de nîşan dide. 2. Hesta Zêde-Lihevhatinê: Modelek pir tevlihev dibe ku \(R^2\) pir bilind hebe lê ji bo daneyên din neyê giştîkirin. Ji ber vê yekê, girîng e ku rêbazên pejirandina vê modelê, wekî pejirandina xaçerê jî werin hesibandin. 3. Agahdariyê li ser Kalîteya Takekesî ya Pêşbînkeran Nade: Koefîsyena diyarkeriyê agahdarî li ser beşdariya takekesî ya her guhêrbarê serbixwe di modelek pirguherbar de nade. Encam Koefîsyenta diyarkeriyê (\( R^2 \)) amûrek îstatîstîkî ya pir girîng e ji bo nirxandina şiyana modelekê ji bo ravekirina guherbariya daneyan. Bi têgihîştina ka ew çawa tê hesibandin û şîrovekirin, em dikarin analîza daneyên watedar çêtir bikin. Girîng e ku her gav \( R^2 \) wekî yek ji gelek amûrên îstatîstîkî bikar bînin, sînorkirinên wê fêm bikin, û wê bi hev re bi rêbazên din ên pejirandinê re bikar bînin da ku encamên berfirehtir û rasttir bi dest bixin. Ev gotara li ser koefîsyenta diyarkeriyê bi dawî dike. Hêvîdarim, ew ê di têgihîştin û sepandina çêtir a vê têgehê di analîza daneyên we de bikêr be.