Шугаман регрессийн жишээ асуултууд ба хэлэлцүүлэг
Шугаман регресс гэдэг нь хоёр ба түүнээс дээш хувьсагчдын хоорондын хамаарлыг тодорхойлоход ашигладаг статистик арга юм. Энэ аргыг эдийн засаг, бизнес, нийгмийн ухаан, байгалийн ухаан зэрэг янз бүрийн салбарт өргөн хэрэглэгддэг. Энэ нийтлэлд бид шугаман регресс, түүнийг хэрхэн тооцоолох талаар хэлэлцэж, уншигчдад энэ ойлголтыг гүнзгий ойлгоход нь туслах хэд хэдэн жишээ бодлогыг тайлбартай нь хамт өгөх болно.
Шугаман регрессийг ойлгох нь
Шугаман регресс гэдэг нь нэг буюу хэд хэдэн бие даасан хувьсагч (урьдчилан таамаглагч) болон хамааралтай хувьсагч (хариу үйлдэл)-ийн хоорондын хамаарлыг загварчлахад ашигладаг аналитик арга юм. Энгийн шугаман регресс нь нэг бие даасан хувьсагч болон нэг хамааралтай хувьсагчийг хамардаг бол олон шугаман регресс нь нэгээс олон бие даасан хувьсагчийг хамардаг.
Энгийн шугаман регрессийн тэгшитгэл нь:
\[ Y = a + bX \]
Хаана:
– \( Y \) нь хамааралтай хувьсагч юм.
– \( X \) нь хамааралгүй хувьсагч юм.
– \( a \) нь огтлолцол бөгөөд энэ нь X = 0 үед Y-ийн утга юм.
– \( b \) нь регрессийн коэффициент, өөрөөр хэлбэл X нэг нэгжээр өөрчлөгдвөл Y хэр их өөрчлөгддөгийг илэрхийлнэ.
Шугаман регрессийн алхамууд
1. Өгөгдөл цуглуулах: Эхлээд шинжлэх өгөгдлийг цуглуул.
2. График өгөгдөл: Хувьсагчдын хооронд шугаман хамаарал байгаа эсэхийг харахын тулд тархалтын график үүсгэнэ үү.
3. Регрессийн коэффициентийг тооцоолох: Хамгийн бага квадратын аргыг ашиглан хамгийн сайн шугамыг тодорхойлно уу.
4. Загварыг турших: Регрессийн коэффициентүүдийн ач холбогдлыг t-тестээр шалгаж, загвар нь өгөгдөлтэй хэр сайн тохирч байгааг харахын тулд R-квадрат утгыг тодорхойлно уу.
Жишээ асуултууд болон хэлэлцүүлэг
Жишээ асуулт 1: Энгийн шугаман регресс
Асуулт:
Судлаач суралцах цагийн тоо (X) болон оюутнуудын шалгалтын оноо (Y)-ийн хоорондын хамаарлыг мэдэхийг хүсч байна. Олж авсан өгөгдөл нь дараах байдалтай байна.
| Хичээлийн цаг (X) | Шалгалтын оноо (Y) |
|——————–|——————–|
| 2 | 70 |
| 3 | 75 |
| 5 | 80 |
| 7 | 85 |
| 8 | 90 |
Энэ өгөгдлөөс шугаман регрессийн тэгшитгэлийг гарга!
Хэлэлцүүлэг:
1. Дундажийг тооцоолох нь:
\[
\bar{X} = \frac{2 + 3 + 5 + 7 + 8}{5} = 5
\]
\[
\bar{Y} = \frac{70 + 75 + 80 + 85 + 90}{5} = 80
\]
2. Регрессийн коэффициентийг тооцоолох нь \(b \):
\[
b = \frac{\sum (X_i – \bar{X})(Y_i – \bar{Y})}{\sum (X_i – \bar{X})^2}
\]
\[
\sum (X_i – \bar{X})(Y_i – \bar{Y}) = (2 – 5)(70 – 80) + (3 – 5)(75 – 80) + (5 – 5)(80 – 80) + (7 – 5)(85 – 80) + (8 – 5)(90 – 80)
\]
\[
= (-3)(-10) + (-2)(-5) + (0)(0) + (2)(5) + (3)(10) = 30 + 10 + 0 + 10 + 30 = 80
\]
\[
\sum (X_i – \bar{X})^2 = (2 – 5)^2 + (3 – 5)^2 + (5 – 5)^2 + (7 – 5)^2 + (8 – 5)^2
\]
\[
= 9 + 4 + 0 + 4 + 9 = 26
\]
\[
b = \frac{80}{26} \ойролцоогоор 3.08
\]
3. Огтлолцлыг тооцоолох \( a \):
\[
a = \bar{Y} – b\bar{X}
\]
\[
a = 80 – 3.08 \дахин 5 = 80 – 15.4 = 64.6
\]
4. Регрессийн тэгшитгэл:
\[
Y = 64.6 + 3.08X
\]
Тэгэхээр, өгөгдлийн шугаман регрессийн тэгшитгэл нь \(Y = 64.6 + 3.08X \) байна. Энэ нь нэмэлт судалгааны цаг бүр шалгалтын оноог 3.08 оноогоор нэмэгдүүлнэ гэсэн үг юм.
Жишээ асуулт 2: Загварын тест ба тайлбар
Асуулт:
Үүнтэй ижил өгөгдөлтэй үргэлжлүүлэн, загвар нь өгөгдөлд хэр сайн тохирч байгааг хэмжихийн тулд R-квадрат (R²) утгыг тооцоол. Мөн регрессийн коэффициентийн ач холбогдлыг шалгана уу \(b\).
Хэлэлцүүлэг:
1. Квадратуудын нийт нийлбэр (SST), Квадратуудын регрессийн нийлбэр (SSR) болон Квадратуудын алдааны нийлбэр (SSE)-г тооцоолно уу:
\[
SST = \sum (Y_i – \bar{Y})^2
\]
\[
SST = (70 – 80)^2 + (75 – 80)^2 + (80 – 80)^2 + (85 – 80)^2 + (90 – 80)^2 = 100 + 25 + 0 + 25 + 100 = 250
\]
\[
SSR = \sum (\hat{Y}_i – \bar{Y})^2
\]
энд \( \hat{Y}_i \) нь регрессийн тэгшитгэлийн таамагласан утга юм:
\[
\hat{Y}_i = 64.6 + 3.08X_i
\]
\[
\малгай{Y} = [67.76, 70.84, 76.0, 82.16, 85.24]
\]
\[
\bar{Y} = 80
\]
\[
SSR = (67.76 – 80)^2 + (70.84 – 80)^2 + (76.0 – 80)^2 + (82.16 – 80)^2 + (85.24 – 80)^2
\]
\[
SSR = (-12.24)^2 + (-9.16)^2 + (-4.0)^2 + 2.16^2 + 5.24^2 = 149.8
\]
2. SSE-г тооцоолох нь:
\[
SSE = SST – SSR = 250 – 149.8 = 100.2
\]
3. R-квадратыг тооцоолох нь:
\[
R^2 = \frac{SSR}{SST} = \frac{149.8}{250} \approx 0.6
\]
0.6 гэсэн R-квадрат утга нь энэ загвар нь өгөгдлийн хэлбэлзлийн ойролцоогоор 60%-ийг тайлбарлаж байгааг харуулж байна. Энэ нь регрессийн шугам нь өгөгдөлтэй нэлээд сайн тохирч байгааг харуулж байна.
4. Коэффициентийн ач холбогдлын t-тест \(b\):
\[
t = \frac{b}{SE(b)}
\]
\[
SE(b) = \sqrt{\frac{SSE}{n-2}} / \sqrt{\sum (X_i – \bar{X})^2}
\]
\[
SE(b) = \sqrt{\frac{100.2}{5-2}} / \sqrt{26}
\]
\[
SE(b) = \sqrt{33.4} / \sqrt{26} \approx 1.13
\]
\[
t = \frac{3.08}{1.13} \ойролцоогоор 2.73
\]
\(t-статистик \approx 2.73 \)-тэй үед, хэрэв бид ач холбогдлын нийтлэг босгыг (α = 0.05) ашиглавал үүнийг t-хүснэгттэй харьцуулна. Жишээлбэл, \(df = 3 \)-ийн хувьд, чухал \(t \) нь ойролцоогоор 2.353 байна. Тэгвэл \(t-observed > t-critical \) нь коэффициент ач холбогдолтой болохыг харуулж байна.
Дүгнэлт
Энэ нийтлэлд бид шугаман регрессийн үндсийг, регрессийн коэффициент болон огтлолцолыг хэрхэн тооцоолох, жишээ бодлогуудыг ашиглан үр дүнг хэрхэн тайлбарлахыг авч үзсэн. Энэ аргыг чадварлаг ашиглахын тулд янз бүрийн өгөгдлийн багцтай байнга дадлага хийх нь чухал юм. Шугаман регресс нь өгөгдлийн шинжилгээнд үнэ цэнэтэй хэрэгсэл бөгөөд хувьсагчдын хоорондын хамаарлын талаар гүнзгий ойлголт өгөх боломжтой.
