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 gelek başkirin û başkirin heye. - \( 0.7 \leq R^2 < 1 \): Model xwedî kalîteyeke ravekirinê ya bilind e. Piraniya guherbarîya guhêrbarê girêdayî ji hêla guhêrbarên serbixwe ve tê ravekirin. - \( R^2 \nêzîkî 1 \): Ev nîşan dide ku model xwedî kalîteyek ravekirinê ya pir bilind e. Lêbelê, divê ev jî were hesibandin ji ber ku ew dikare zêdelihevkirinê nîşan bide, ku model pir tevlihev e û êdî nayê giştîkirin. Serlêdanên Cîhana Rastîn Koefîsyenta diyarkeriyê di warên cûrbecûr de, ji zanistên civakî bigire heya zanistên xwezayî, tê bikar anîn. Li vir çend mînakên berbiçav ên sepanên \(R^2\) hene: 1. Aborî: Di analîza aborî de, katsayiya diyarkeriyê tê bikar anîn da ku were nirxandin ka modelek aborî çiqas baş dikare têkiliya di navbera guherbarên 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 nirxek bilind (R^2) hebe, ku nîşan dide ku doza derman dikare piraniya guherbariya bersiva nexweşan 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 bilind a diyarkeriyê nîşan dide ku modela avhewayê ya ku tê bikar anîn di ravekirina guherînên 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 bilind a \(R^2\) nîşan dide ku lêçûnên reklamê pêşbînkerek baş a firotanê ye. Sînorkirinên Koefîsyenta Diyarkirinê Her çend koefîsyenta diyarker amûrek pir bikêrhatî be jî, hin sînorkirinên wê jî hene ku divê werin berçavgirtin: 1. Sedemîtiyê Pîvan Nake: Nirxek bilind a \(R^2\) nîşan nade ku guhêrbara serbixwe dibe sedema guhertina guhêrbara girêdayî. Ew tenê têkiliyek xêzikî di navbera herduyan de nîşan dide. 2. Meyldarê Zêde-Lihevhatinê ye: Modelek pir tevlihev dibe ku xwedî nirxek R(R^2) ya pir bilind be lê ji bo daneyên din ne mimkûn be ku were giştîkirin. Ji ber vê yekê, girîng e ku rêbazên pejirandina vê modelê, wekî pejirandina xaçerê jî, bêne hesibandin. 3. Tu Agahdarî Li Ser Taybetmendiyên Takekesî yên Pêşbînîkeran Tune: Koefîsyenta diyarkeriyê agahdarî li ser beşdariya takekesî ya her guherbara serbixwe di modelek pirguherbar de peyda nake. Encam Koefîsyenta diyarkeriyê (\( R^2 \)) amûrek îstatîstîkî ya pir girîng e ji bo nirxandina şiyana modelekê ji bo ravekirina guherbariya daneyan. Bi têgihîştina ka hesabkirin û şîrovekirin çawa dixebitin, em dikarin di pêkanîna analîza daneyên watedar de çêtir bibin. Her tim hêjayî bîranînê ye ku \(R^2 \) 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. Ji ber vê yekê gotara li ser katsayiya diyarkeriyê. Hêvîdarim ev ji bo têgihîştineke çêtir û sepandina vê têgehê di analîza daneyên we de kêrhatî be.
