Variance ခွဲခြမ်းစိတ်ဖြာခြင်းတွင် F စမ်းသပ်မှု
Pendahuluan
စာရင်းအင်းသုတေသနတွင် အဓိကရည်မှန်းချက်များထဲမှတစ်ခုမှာ အချက်အလက်အုပ်စုများအကြား သိသာထင်ရှားသော ကွာခြားချက်များရှိမရှိကို နားလည်ရန်ဖြစ်သည်။ F-test သည် ဤရည်ရွယ်ချက်အတွက် အသုံးပြုသော နည်းလမ်းတစ်ခုဖြစ်ပြီး၊ အထူးသဖြင့် Analysis of Variance (ANOVA) နှင့် ဆက်စပ်၍ဖြစ်သည်။ ဤစမ်းသပ်မှုသည် သုတေသီများအား အချို့သော စာရင်းအင်းဆိုင်ရာ ယူဆချက်များနှင့် ကိုက်ညီပါက စမ်းသပ်မှုရလဒ်များ၏ ယုံကြည်စိတ်ချရမှုကို အကဲဖြတ်နိုင်စေသောကြောင့် စမ်းသပ်ဒေတာခွဲခြမ်းစိတ်ဖြာမှုတွင် မရှိမဖြစ်လိုအပ်ပါသည်။ ဤဆောင်းပါးတွင်၊ variance ကို ခွဲခြမ်းစိတ်ဖြာရာတွင် F-test ၏ အယူအဆ၊ အသုံးချမှု၊ ယူဆချက်များနှင့် အဓိပ္ပာယ်ဖွင့်ဆိုချက်များကို ကျွန်ုပ်တို့ လေ့လာပါမည်။
F စာမေးပွဲ၏ အခြေခံသဘောတရား
F-test ကို ၎င်း၏တန်ဖိုးများသည် variance ကို ခွဲခြမ်းစိတ်ဖြာရာတွင် မကြာခဏအသုံးပြုလေ့ရှိသော စဉ်ဆက်မပြတ်ဖြစ်နိုင်ခြေဖြန့်ဖြူးမှုဖြစ်သည့် F-distribution ကို လိုက်နာသောကြောင့် ထိုသို့အမည်ပေးထားသည်။ F-distribution ကို အုပ်စုအကြား variability နှင့် အုပ်စုအတွင်း variability ကို နှိုင်းယှဉ်ရန်အသုံးပြုပြီး အုပ်စုပျမ်းမျှကွာခြားချက်အကြား သိသာထင်ရှားသောကွာခြားချက်ရှိမရှိ ဆုံးဖြတ်ရန်ကူညီပေးသည်။
F စစ်ဆေးမှုတွင် အရေးကြီးသော အစိတ်အပိုင်းများမှာ-
၁။ အုပ်စုအတွင်း ကွဲလွဲမှု (အုပ်စုများအတွင်း ကွဲလွဲမှု): အုပ်စုတစ်ခုစီအတွင်းရှိ အချက်အလက်များ၏ ကွဲလွဲမှုကို တိုင်းတာသည်။
၂။ အုပ်စုအကြား ကွဲလွဲမှု (အုပ်စုများအကြား ကွဲလွဲမှု): အုပ်စုများအကြား ပျမ်းမျှကွဲလွဲမှုကို တိုင်းတာသည်။
အုပ်စုများအကြား ကွဲပြားမှုသည် အုပ်စုများအတွင်း ကွဲပြားမှုထက် များစွာပိုများပါက အုပ်စုများအကြား အမှန်တကယ် ကွာခြားချက်ရှိနိုင်ဖွယ်ရှိသည်။
ANOVA တွင် F စမ်းသပ်မှုကို အသုံးချခြင်း
ANOVA သည် အုပ်စုနှစ်စုထက်ပိုသော ပျမ်းမျှတန်ဖိုးများကို နှိုင်းယှဉ်ရန်အသုံးပြုသော စာရင်းအင်းနည်းပညာတစ်ခုဖြစ်သည်။ တစ်လမ်းသွား ANOVA၊ နှစ်လမ်းသွား ANOVA နှင့် အခြားမျိုးကွဲများအပါအဝင် ANOVA အမျိုးအစားများစွာရှိသည်။ ၎င်းတို့အကြား အဓိကကွာခြားချက်မှာ လေ့လာထားသော အချက်များ၏ သဘောသဘာဝနှင့် အရေအတွက်ပေါ်တွင် မူတည်သည်။ ဤဆောင်းပါးတွင်၊ F-test ၏အသုံးချမှုကို သရုပ်ပြရန် ရိုးရှင်းသော ဥပမာတစ်ခုအနေဖြင့် တစ်လမ်းသွား ANOVA ကို အာရုံစိုက်ပါမည်။
One-Way ANOVA ဖြင့် ခွဲခြမ်းစိတ်ဖြာမှု အဆင့်များ
၁။ ယူဆချက် ဖော်မြူလာ-
– Null hypothesis ($H_0$): လူဦးရေပျမ်းမျှအားလုံးသည် အတူတူပင်ဖြစ်သည်ဟု ဖော်ပြထားသည် (အုပ်စုများအကြား ကွာခြားချက်မရှိ)။
– အခြားယူဆချက် ($H_1$): သည် အနည်းဆုံး မတူညီသော လူဦးရေပျမ်းမျှတစ်ခုရှိသည်ဟု ဖော်ပြထားသည်။
၂။ F စာရင်းအင်းကို တွက်ချက်ပါ-
- စတုရန်းစုစုပေါင်းပေါင်းလဒ် (SST):
\[
SST = \sum_{i=1}^{N}(X_i – \bar{X})^2
\]
၎င်းသည် အချက်အလက်များ၏ စုစုပေါင်းကွဲပြားမှုကို တိုင်းတာသည်။
– အုပ်စုနှစ်ခုကြားရှိ စတုရန်းပေါင်းလဒ် (SSB):
\[
SSB = \sum_{j=1}^{k} n_j (\bar{X_j} – \bar{X})^2
\]
၎င်းသည် အုပ်စုများအကြား ကွဲပြားမှုကို တိုင်းတာသည်။
– အုပ်စုအတွင်း စတုရန်းပေါင်းလဒ် (SSW):
\[
SSW = \sum_{j=1}^{k} \sum_{i=1}^{n_j} (X_{ij} – \bar{X_j})^2
\]
၎င်းသည် အုပ်စုတစ်ခုစီအတွင်းရှိ ကွဲပြားမှုကို တိုင်းတာသည်။
- F စာရင်းအင်းကို တွက်ချက်ပါ-
\[
F = \frac{\text{MSB}}{\text{MSW}} = \frac{\text{SSB}/(k-1)}{\text{SSW}/(Nk)}
\]
MSB သည် အုပ်စုများအကြားရှိ ပျမ်းမျှစတုရန်းဖြစ်ပြီး MSW သည် အုပ်စုများအတွင်းရှိ ပျမ်းမျှစတုရန်းဖြစ်သည်။
၃။ အရေးပါမှုတန်ဖိုး-
F တန်ဖိုးကို တွက်ချက်ပြီးနောက်၊ ကျွန်ုပ်တို့သည် ဤတန်ဖိုးကို significance level (\(\alpha\)) နှင့် degree of freedom ပေါ်မူတည်၍ F distribution ၏ critical value နှင့် နှိုင်းယှဉ်ပါသည်။ တွက်ချက်ထားသော F တန်ဖိုးသည် critical value ထက် ကြီးပါက၊ null hypothesis ကို ငြင်းပယ်ပါသည်။
F-စမ်းသပ်မှု ယူဆချက်များ
F-test ကို အသုံးချခြင်းသည် အခြေခံယူဆချက်များစွာပေါ်တွင် မူတည်ကြောင်း မှတ်သားထားရန် အရေးကြီးပါသည်။ ဤယူဆချက်များ မကိုက်ညီပါက F-test ရလဒ်များသည် မှားယွင်းနိုင်ပါသည်။ ဤယူဆချက်များတွင် အောက်ပါတို့ ပါဝင်သည်-
၁။ လွတ်လပ်မှု-
အုပ်စုတစ်ခုစီရှိ လေ့လာတွေ့ရှိချက်များသည် တစ်ခုနှင့်တစ်ခု မှီခိုမှုမရှိရမည်။
၂။ ပုံမှန်ဖြစ်မှု
အုပ်စုတစ်ခုစီရှိဒေတာသည် ပုံမှန်ဖြန့်ဖြူးမှုကို လိုက်နာသင့်သည်။ ပုံမှန်ဖြစ်မှုယူဆချက်များကို Shapiro-Wilk စမ်းသပ်မှုကဲ့သို့သော ပုံမှန်ဖြစ်မှုစမ်းသပ်မှုများကို အသုံးပြု၍ သို့မဟုတ် QQ ကွက်များကို ဂရပ်ဖစ်ဖြင့် အသုံးပြု၍ စမ်းသပ်နိုင်သည်။
၃။ ကွဲလွဲမှု၏ တစ်သားတည်းဖြစ်မှု-
အုပ်စုတစ်ခုစီအတွင်းရှိ ကွဲလွဲမှုများသည် တူညီရမည်။ ဤယူဆချက်ကို Levene's test သို့မဟုတ် Bartlett's test ကို အသုံးပြု၍ စမ်းသပ်နိုင်သည်။
ပုံမှန်ဖြစ်မှု သို့မဟုတ် ကွဲလွဲမှု၏ တစ်သားတည်းဖြစ်မှုဆိုင်ရာ ယူဆချက်များ မကိုက်ညီပါက၊ လုပ်ဆောင်နိုင်သော အသွင်ပြောင်းမှုများ (ဥပမာ logarithms သို့မဟုတ် square roots) သို့မဟုတ် ဤယူဆချက်များ မလိုအပ်သော Kruskal-Wallis H စမ်းသပ်မှုကဲ့သို့သော အခြား nonparametric စမ်းသပ်မှုများ ရှိပါသည်။
ရလဒ်များ၏ အဓိပ္ပာယ်ဖွင့်ဆိုချက်
ANOVA ပြုလုပ်ပြီး F-value နှင့် p-value တို့ကို ရယူပြီးနောက်၊ နောက်တစ်ဆင့်မှာ ရလဒ်များကို အဓိပ္ပာယ်ဖွင့်ဆိုရန်ဖြစ်သည်။ ဖြစ်နိုင်ချေရှိသော အဓိပ္ပာယ်ဖွင့်ဆိုချက်အချို့ကို အောက်တွင်ဖော်ပြထားပါသည်။
၁။ p-value < \(\alpha\) ဖြစ်ပါက- null hypothesis ကို ငြင်းပယ်ပြီး အုပ်စုပျမ်းမျှကွာခြားချက်ကြားတွင် သိသာထင်ရှားသော ကွာခြားချက်မရှိကြောင်း ညွှန်ပြသည်။ ၂။ p-value > \(\alpha\) ဖြစ်ပါက- null hypothesis ကို ငြင်းပယ်ရန် အထောက်အထား မလုံလောက်ပါ၊ အုပ်စုပျမ်းမျှကွာခြားချက်ကြားတွင် သိသာထင်ရှားသော ကွာခြားချက်မရှိကြောင်း ညွှန်ပြသည်။
null hypothesis ကို ငြင်းပယ်လိုက်ရင်တောင် ANOVA က ဘယ်အုပ်စုတွေ ကွာခြားလဲဆိုတာ မပြပါဘူး။ ဒီလိုလုပ်ဖို့ Tukey's HSD (Honestly Significant Difference)၊ Bonferroni's correction ဒါမှမဟုတ် Sidak's test လိုမျိုး post-hoc စစ်ဆေးမှုတွေ လိုအပ်ပြီး ဘယ်အုပ်စုတွေ သိသိသာသာ ကွာခြားလဲဆိုတာကို ခွဲခြားသတ်မှတ်ဖို့ ကူညီပေးနိုင်ပါတယ်။
နမူနာအမှု
အောက်ပါရိုးရှင်းတဲ့ ဥပမာကို စဉ်းစားကြည့်ရအောင်။
သုတေသီတစ်ဦးသည် ဓာတ်မြေဩဇာသုံးမျိုး၏ အပင်ကြီးထွားမှုအပေါ် ထိရောက်မှုတွင် သိသာထင်ရှားသော ကွာခြားချက်ရှိမရှိ ဆုံးဖြတ်လိုသည်။ သုတေသီသည် ဓာတ်မြေဩဇာ A၊ B နှင့် C တို့ကို အသုံးပြုသော အပင်အုပ်စုသုံးစုအတွက် တစ်လအကြာတွင် အပင်အမြင့် (စင်တီမီတာဖြင့်) ကို တိုင်းတာသည်။
ယူဆချက်ဆိုင်ရာဒေတာ-
| ဓာတ်မြေဩဇာ A | ဓာတ်မြေဩဇာ B | ဓာတ်မြေဩဇာ C |
|———|———|———|
| ၁၉ | ၁၆ | ၂၄ |
| ၁၉ | ၁၆ | ၂၄ |
| ၁၉ | ၁၆ | ၂၄ |
ခွဲခြမ်းစိတ်ဖြာမှု အဆင့်များ-
၁။ ယူဆချက် ဖော်မြူလာ-
– $H_0$: ဓာတ်မြေဩဇာအားလုံးအတွက် ပျမ်းမျှအပင်အမြင့်သည် အတူတူပင်ဖြစ်သည်။
– $H_1$: အနည်းဆုံး အပင်အမြင့်တစ်ခုသည် ကွဲပြားသည်။
၂။ F စာရင်းအင်းကို တွက်ချက်ပါ-
– SST၊ SSB နှင့် SSW တို့ကို တွက်ချက်ပြီး F တွက်ချက်မှုဖြင့် ဆက်လက်လုပ်ဆောင်ပါ။
၃။ သိသာထင်ရှားသောတန်ဖိုးနှင့် နှိုင်းယှဉ်ပါ-
– F ဖြန့်ဖြူးမှုဇယားနှင့် လွတ်လပ်မှုဒီဂရီများကို အသုံးပြု၍ တွက်ချက်ထားသော F တန်ဖိုးသည် သိသာထင်ရှားမှုရှိမရှိကို ဆုံးဖြတ်ပါသည်။
Kesimpulan-
F တန်ဖိုးသည် သိသာထင်ရှားသော ကွာခြားချက်ရှိကြောင်း ညွှန်ပြပါက သုတေသီသည် မည်သည့်အုပ်စုများ ကွာခြားသည်ကို ဆုံးဖြတ်ရန် post-hoc စမ်းသပ်မှုများကို ဆက်လက်လုပ်ဆောင်နိုင်သည်။
နိဂုံး
ကွဲလွဲမှုကို ခွဲခြမ်းစိတ်ဖြာရာတွင် F-test သည် အုပ်စုများအကြား သိသာထင်ရှားသော ကွာခြားချက်များ ရှိမရှိ ဆုံးဖြတ်ရာတွင် အလွန်အသုံးဝင်သော ကိရိယာတစ်ခုဖြစ်သည်။ စာရင်းအင်းဆိုင်ရာ ယူဆချက်များကို ဖြည့်ဆည်းခြင်းဖြင့် ဤစစ်ဆေးမှုသည် ခွဲခြမ်းစိတ်ဖြာထားသော အချက်အလက်များအပေါ် အစွမ်းထက်သော ထိုးထွင်းသိမြင်မှုများကို ပေးစွမ်းနိုင်သည်။ လက်တွေ့အသုံးချမှုများတွင် ဤစစ်ဆေးမှုသည် ဇီဝဗေဒ၊ လူမှုရေးလေ့လာမှုများ၊ စီးပွားရေး စသည်တို့ကဲ့သို့သော သုတေသနနယ်ပယ်အမျိုးမျိုးတွင် အလွန်အထောက်အကူဖြစ်စေသည်။ F-test ကို မည်သည့်အချိန်တွင် မည်သို့အသုံးပြုရမည်ကို သိရှိခြင်းအပြင် ၎င်း၏ယူဆချက်များနှင့် အဓိပ္ပာယ်ဖွင့်ဆိုချက်များကို နားလည်ခြင်းသည် စာရင်းအင်းခွဲခြမ်းစိတ်ဖြာမှု၏ အရည်အသွေးကို မြှင့်တင်ပေးပြီး အချက်အလက်အခြေပြု ဆုံးဖြတ်ချက်ချရန်အတွက် ခိုင်မာသောအုတ်မြစ်ကို ပေးစွမ်းလိမ့်မည်။
