ຕົວຢ່າງຄຳຖາມ ແລະ ການສົນທະນາກ່ຽວກັບການປ່ຽນແປງຂອງລະບົບການຖົດຖອຍເສັ້ນຊື່
ການວິເຄາະການຖົດຖອຍເສັ້ນຊື່ ເປັນວິທີການທາງສະຖິຕິທີ່ໃຊ້ເພື່ອກຳນົດຄວາມສຳພັນລະຫວ່າງຕົວແປສອງຕົວ ຫຼື ຫຼາຍກວ່ານັ້ນ. ວິທີການນີ້ຖືກນຳໃຊ້ຢ່າງກວ້າງຂວາງໃນຫຼາຍຂົງເຂດ, ລວມທັງເສດຖະສາດ, ທຸລະກິດ, ສັງຄົມສາດ ແລະ ວິທະຍາສາດທຳມະຊາດ. ໃນບົດຄວາມນີ້, ພວກເຮົາຈະປຶກສາຫາລືກ່ຽວກັບການວິເຄາະການຖົດຖອຍເສັ້ນຊື່, ວິທີການຄິດໄລ່ມັນ, ແລະ ໃຫ້ຕົວຢ່າງບັນຫາຫຼາຍຢ່າງພ້ອມຄຳອະທິບາຍເພື່ອຊ່ວຍໃຫ້ຜູ້ອ່ານເຂົ້າໃຈແນວຄວາມຄິດນີ້ຢ່າງເລິກເຊິ່ງ.
ເຂົ້າໃຈກ່ຽວກັບການວິເຄາະການຖົດຖອຍເສັ້ນຊື່
ການວິເຄາະການຖົດຖອຍເສັ້ນຊື່ແມ່ນວິທີການວິເຄາະທີ່ໃຊ້ເພື່ອສ້າງແບບຈຳລອງຄວາມສຳພັນລະຫວ່າງຕົວແປເອກະລາດໜຶ່ງຕົວ ຫຼື ຫຼາຍກວ່ານັ້ນ (ຕົວຄາດຄະເນ) ແລະ ຕົວແປຕາມ (ການຕອບສະໜອງ). ການວິເຄາະການຖົດຖອຍເສັ້ນຊື່ແບບງ່າຍໆກ່ຽວຂ້ອງກັບຕົວແປເອກະລາດໜຶ່ງຕົວ ແລະ ຕົວແປຕາມໜຶ່ງຕົວ, ໃນຂະນະທີ່ການວິເຄາະການຖົດຖອຍເສັ້ນຊື່ຫຼາຍຕົວກ່ຽວຂ້ອງກັບຕົວແປເອກະລາດຫຼາຍກວ່າໜຶ່ງຕົວ.
ສົມຜົນຂອງເສັ້ນ regression ເສັ້ນຊື່ແບບງ່າຍໆແມ່ນ:
\[ Y = a + bX \]
ຢູ່ໃສ:
-\(Y\) ແມ່ນຕົວແປທີ່ຂຶ້ນກັບ.
-\(X\) ແມ່ນຕົວແປເອກະລາດ.
-\(a\) ແມ່ນຈຸດຕັດ, ເຊິ່ງເປັນຄ່າຂອງ Y ເມື່ອ X = 0.
- \( b \) ແມ່ນສຳປະສິດການຖົດຖອຍ, ນັ້ນຄື Y ປ່ຽນແປງເທົ່າໃດຖ້າ X ປ່ຽນແປງໜຶ່ງຫົວໜ່ວຍ.
ຂັ້ນຕອນການຖົດຖອຍເສັ້ນຊື່
1. ເກັບກຳຂໍ້ມູນ: ກ່ອນອື່ນໝົດ, ເກັບກຳຂໍ້ມູນທີ່ຈະນຳໄປວິເຄາະ.
2. ຂໍ້ມູນແບບ Plot: ສ້າງແຜນຜັງກະແຈກກະຈາຍເພື່ອເບິ່ງວ່າມີຄວາມສຳພັນເສັ້ນຊື່ລະຫວ່າງຕົວແປຫຼືບໍ່.
3. ຄິດໄລ່ຄ່າສຳປະສິດການຖົດຖອຍ: ໃຊ້ວິທີກຳລັງສອງນ້ອຍທີ່ສຸດເພື່ອກຳນົດເສັ້ນທີ່ດີທີ່ສຸດ.
4. ການທົດສອບຮູບແບບ: ທົດສອບຄວາມສຳຄັນຂອງສຳປະສິດການຖົດຖອຍດ້ວຍການທົດສອບ t ແລະ ກຳນົດຄ່າ R-squared ເພື່ອເບິ່ງວ່າຮູບແບບເໝາະສົມກັບຂໍ້ມູນແນວໃດ.
Contoh Soal ແລະ Pembahasan
ຕົວຢ່າງຄຳຖາມທີ 1: ການຖົດຖອຍເສັ້ນຊື່ແບບງ່າຍໆ
ຄຳຖາມ:
ນັກຄົ້ນຄວ້າຕ້ອງການຮູ້ຄວາມສຳພັນລະຫວ່າງຈຳນວນຊົ່ວໂມງຮຽນ (X) ແລະ ຄະແນນສອບເສັງຂອງນັກຮຽນ (Y). ຂໍ້ມູນທີ່ໄດ້ຮັບມີດັ່ງນີ້:
| ຊົ່ວໂມງຮຽນ (X) | ຄະແນນສອບເສັງ (Y) |
|——————–|——————–|
| 2 | 70 |
| 3 | 75 |
| 5 | 80 |
| 7 | 85 |
| 8 | 90 |
ສ້າງສົມຜົນການຖົດຖອຍເສັ້ນຊື່ຈາກຂໍ້ມູນນີ້!
ເປບບາຮາຊານ:
1. ການຄິດໄລ່ຄ່າສະເລ່ຍ:
\[
\bar{X} = \frac{2 + 3 + 5 + 7 + 8}{5} = 5
\]
\[
\bar{Y} = \frac{70 + 75 + 80 + 85 + 90}{5} = 80
\]
2. ການຄິດໄລ່ຄ່າສຳປະສິດການຖົດຖອຍ \( b \):
\[
b = \frac{\sum (X_i – X)(Y_i – Y)}{\sum (X_i – X)^2}
\]
\[
ຜົນລວມ (X_i – X)(Y_i – Y) = (2 – 5)(70 – 80) + (3 – 5)(75 – 80) + (5 – 5)(80 – 80) + (7 – 5)(85 – 80) + (8 – 5)(90 – 80)
\]
\[
= (-3)(-10) + (-2)(-5) + (0)(0) + (2)(5) + (3)(10) = 30 + 10 + 0 + 10 + 30 = 80
\]
\[
ຜົນລວມ (X_i – X)^2 = (2 – 5)^2 + (3 – 5)^2 + (5 – 5)^2 + (7 – 5)^2 + (8 – 5)^2
\]
\[
= 9 + 4 + 0 + 4 + 9 = 26
\]
\[
b = \frac{80}{26} \ປະມານ 3.08
\]
3. ການຄິດໄລ່ຈຸດຕັດ \(a \):
\[
a = \bar{Y} – b \bar{X}
\]
\[
a = 80 – 3.08 \ ຄູນ 5 = 80 – 15.4 = 64.6
\]
4. ສົມຜົນການຖົດຖອຍ:
\[
Y = 64.6 + 3.08X
\]
ສະນັ້ນ, ສົມຜົນການຖົດຖອຍເສັ້ນຊື່ສຳລັບຂໍ້ມູນແມ່ນ \( Y = 64.6 + 3.08X \). ນີ້ໝາຍຄວາມວ່າທຸກໆຊົ່ວໂມງຂອງການຮຽນເພີ່ມເຕີມຄາດວ່າຈະເພີ່ມຄະແນນການສອບເສັງຂຶ້ນ 3.08 ຄະແນນ.
ຕົວຢ່າງຄຳຖາມທີ 2: ການທົດສອບແບບຈຳລອງ ແລະ ການຕີຄວາມໝາຍ
ຄຳຖາມ:
ສືບຕໍ່ດ້ວຍຂໍ້ມູນດຽວກັນ, ໃຫ້ຄິດໄລ່ຄ່າ R-squared (R²) ເພື່ອວັດແທກວ່າຮູບແບບເໝາະສົມກັບຂໍ້ມູນດີປານໃດ. ນອກຈາກນີ້, ໃຫ້ທົດສອບຄວາມສຳຄັນຂອງສຳປະສິດການຖົດຖອຍ \(b\).
ເປບບາຮາຊານ:
1. ຄິດໄລ່ຜົນບວກທັງໝົດຂອງກຳລັງສອງ (SST), ຜົນບວກການຖົດຖອຍຂອງກຳລັງສອງ (SSR), ແລະ ຜົນບວກຄວາມຜິດພາດຂອງກຳລັງສອງ (SSE):
\[
SST = \sum (Y_i – \bar{Y})^2
\]
\[
SST = (70 – 80)^2 + (75 – 80)^2 + (80 – 80)^2 + (85 – 80)^2 + (90 – 80)^2 = 100 + 25 + 0 + 25 + 100 = 250
\]
\[
SSR = \sum (\hat{Y}_i – \bar{Y})^2
\]
ບ່ອນທີ່ \( \hat{Y}_i \) ແມ່ນຄ່າທີ່ຄາດຄະເນຂອງສົມຜົນການຖົດຖອຍ:
\[
Y_i = 64.6 + 3.08X_i
\]
\[
\hat{Y} = [67.76, 70.84, 76.0, 82.16, 85.24]
\]
\[
\bar{Y} = 80
\]
\[
SSR = (67.76 – 80)^2 + (70.84 – 80)^2 + (76.0 – 80)^2 + (82.16 – 80)^2 + (85.24 – 80)^2
\]
\[
SSR = (-12.24)^2 + (-9.16)^2 + (-4.0)^2 + 2.16^2 + 5.24^2 = 149.8
\]
2. ການຄິດໄລ່ SSE:
\[
SSE = SST – SSR = 250 – 149.8 = 100.2
\]
3. ການຄິດໄລ່ R-squared:
\[
R^2 = \frac{SSR}{SST} = \frac{149.8}{250} \ປະມານ 0.6
\]
ຄ່າ R-squared 0.6 ຊີ້ບອກວ່າຮູບແບບນີ້ອະທິບາຍປະມານ 60% ຂອງການປ່ຽນແປງຂອງຂໍ້ມູນ. ນີ້ຊີ້ບອກວ່າເສັ້ນ regression ເໝາະສົມກັບຂໍ້ມູນໄດ້ດີພໍສົມຄວນ.
4. ການທົດສອບ t ສຳລັບຄວາມສຳຄັນຂອງສຳປະສິດ \(b\):
\[
t = \frac{b}{SE(b)}
\]
\[
SE(b) = \sqrt{\frac{SSE}{n-2}} / \sqrt{\sum (X_i – X)^2}
\]
\[
SE(b) = \sqrt{\frac{100.2}{5-2}} / \sqrt{26}
\]
\[
SE(b) = 33.4 / 26 ປະມານ 1.13
\]
\[
t = \frac{3.08}{1.13} \ປະມານ 2.73
\]
ດ້ວຍ \( t-statistic \approx 2.73 \), ຖ້າພວກເຮົາໃຊ້ຄ່າເກນທົ່ວໄປສຳລັບຄວາມສຳຄັນ (α = 0.05), ພວກເຮົາຈະປຽບທຽບມັນກັບຕາຕະລາງ t. ຕົວຢ່າງ, ສຳລັບ \( df = 3 \), ຄ່າວິກິດ \( t \) ແມ່ນປະມານ 2.353. ຫຼັງຈາກນັ້ນ \( t-observed > t-critical \), ຊີ້ບອກວ່າສຳປະສິດມີຄວາມສຳຄັນ.
ສະຫຼຸບ
ໃນບົດຄວາມນີ້, ພວກເຮົາໄດ້ກວມເອົາພື້ນຖານຂອງການຖົດຖອຍເສັ້ນຊື່, ວິທີການຄິດໄລ່ສຳປະສິດການຖົດຖອຍ ແລະ ຈຸດຕັດ, ແລະວິທີການຕີຄວາມໝາຍຜົນໄດ້ຮັບໂດຍໃຊ້ບັນຫາຕົວຢ່າງ. ການປະຕິບັດເປັນປະຈຳກັບຊຸດຂໍ້ມູນຕ່າງໆແມ່ນສິ່ງຈຳເປັນເພື່ອໃຫ້ມີຄວາມຊຳນານໃນການໃຊ້ວິທີການນີ້. ການຖົດຖອຍເສັ້ນຊື່ແມ່ນເຄື່ອງມືທີ່ມີຄຸນຄ່າໃນການວິເຄາະຂໍ້ມູນ ແລະ ສາມາດໃຫ້ຄວາມເຂົ້າໃຈຢ່າງເລິກເຊິ່ງກ່ຽວກັບຄວາມສຳພັນລະຫວ່າງຕົວແປຕ່າງໆ.
