په احصایو کې خطي ریګریشن
خطي رجعت د معلوماتو تحلیل کې یو له خورا بنسټیزو او پراخه کارول شویو احصایوي تخنیکونو څخه دی. دا موږ سره مرسته کوي چې د خپلواک (یا وړاندوینې کونکي) او انحصاري (یا غبرګون) متغیرونو ترمنځ اړیکه درک او ماډل کړو. خطي رجعت په مختلفو برخو کې مشهور دی، پشمول د اقتصاد، بیولوژي، انجینرۍ، ټولنیزو علومو، او نورو، د هغې د سادګۍ او تشریح کولو له امله.
د خطي رجعت پیژندنه
خطي رجعت موخه د دوو یا ډیرو متغیرونو ترمنځ د خطي اړیکې موندل دي. په ساده بڼه - ساده خطي رجعت - موږ د یو خپلواک متغیر او یو انحصاري متغیر ترمنځ اړیکه د مستقیم کرښې په توګه ماډل کوو. د ساده خطي رجعت لپاره اساسي ریاضيکي معادله په لاندې ډول بیان شوې ده:
\[ Y = \beta_0 + \beta_1X + \epsilon \]
چیرته:
– \$ Y \$$ انحصاري یا غبرګون متغیر دی.
– \$ X \$$ خپلواک یا وړاندوینه کوونکی متغیر دی.
– \$ \beta_0 \$$ هغه مداخله ده (هغه نقطه چیرې چې د ریګریشن کرښه د Y محور سره قطع کوي).
– \$ \beta_1 \$$ د (د رجعت کرښې ميلان) ميلان دی.
– \$ \epsilon \$$ هغه تېروتنه (پاتې شوې) ده چې د غوره مناسبې کرښې څخه د معلوماتو انحراف بیانوي.
په څو خطي ریګریشن کې، موږ دا مفهوم د یو څخه ډیرو خپلواک متغیرونو اداره کولو لپاره غځوو، په لاندې ډول:
\[ Y = \beta_0 + \beta_1X_1 + \beta_2X_2 + … + \beta_nX_n + \epsilon \]
دلته، \$ X_1, X_2, …, X_n \$$ خپلواک متغیرونه دي، او \$ \beta_1, \beta_2, …, \beta_n \$$ د ریګریشن ضریبونه دي چې د هر خپلواک متغیر اغیز په انحصاري متغیر باندې اندازه کوي.
د پیرامیټر اټکل
په خطي ریګریشن کې د پیرامیټر اټکل معمولا د عادي لږترلږه مربعونو (OLS) په کارولو سره ترسره کیږي. دا طریقه د وړاندوینې شوي او اصلي ارزښتونو ترمنځ د توپیرونو مربعونو مجموعه کموي. په ریاضي ډول، د OLS طریقه هغه ضریبونه \$ \beta \$$ پیدا کوي چې لاندې فعالیت کموي:
\[ \sum_{i=1}^{n} (Y_i – (\beta_0 + \beta_1X_{i1} + \beta_2X_{i2} + … + \beta_nX_{in}))^2 \]
د کمولو دا پروسه هغه ضریبونه تولیدوي چې د شته معلوماتو سره غوره فټ کیږي، د ریګریشن کرښه ورکوي چې د ټول مربع غلطی کموي.
د خطي رجعت انګیرنې
د پایلو د سمې کارونې او اعتبار لپاره، خطي ریګریشن څو انګیرنې لري چې باید پوره شي:
۱. خطي والی: د خپلواکو او تړلو متغیرونو ترمنځ اړیکه خطي ده.
۲. خپلواکي: پاتې شوني (غلطۍ) له یو بل څخه خپلواک دي.
۳. همجنسي: د خپلواک متغیر د ټولو ارزښتونو لپاره پاتې شوی توپیر ثابت دی.
۴. نورمالیت: پاتې شوني د نورمال ویش تعقیبوي.
که چیرې دا انګیرنې سرغړونه وشي، د رجعت پایلې بې اعتباره او ګمراه کوونکې کیدی شي. له همدې امله، دا مهمه ده چې د پایلو ترلاسه کولو دمخه د رجعت تشخیص له لارې دا انګیرنې تایید کړئ.
کارول او کارول
خطي ریګریشن د خپل سادګۍ او څو اړخیزوالي له امله په پراخه کچه کارول کیږي. دلته په مختلفو برخو کې د غوښتنلیکونو ځینې مثالونه دي:
۱. اقتصاد: د توکو بیه د تولید لګښتونو، د بازار تقاضا او نورو عواملو سره نښلول.
۲. مالي چارې: د خطر یا اقتصادي عواملو پر بنسټ د ونډو د عاید ماډل کول.
۳. بیولوژي: د یو ځانګړي درمل د خوراک او د هغې د اغیزمنتیا کچې ترمنځ اړیکه معاینه کوي.
۴. ټولنیز: د زده کړې او عاید ترمنځ د اړیکو تحلیل.
برسېره پردې، خطي رجعت اکثرا د معلوماتو وړاندوینې یا وړاندوینې کې کارول کیږي. د تاریخي معلوماتو کې د رجحاناتو تحلیل کولو سره، خطي رجعت د راتلونکي ارزښتونو وړاندوینې لپاره کارول کیدی شي.
د ماډل ارزونه
د خطي ریګریشن ماډل ارزونه ترسره کیږي ترڅو ډاډ ترلاسه شي چې ماډل کافي دی او په مناسب ډول معلومات تشریح کوي. د دې ماډل ارزونې کې ډیری میټریکونه ډیری وختونه کارول کیږي، په شمول د:
– R-مربع (R^2): د انحصاري متغیر کې د ټول متغیر تناسب اندازه کوي چې د ریګریشن ماډل لخوا تشریح شوی. د R^2 ارزښتونه د 0 او 1 ترمنځ دي، لوړ ارزښتونه د غوره ماډل نښه کوي.
- تعدیل شوی R-مربع: د کارول شویو خپلواکو متغیرونو د شمیر پراساس R-مربع سموي، د F-احصایې ډیری وختونه د ماډل عمومي اهمیت ټاکلو لپاره کارول کیږي.
– د منځنۍ مربع تېروتنه (MSE): د اصلي او وړاندوینې شوي ارزښتونو ترمنځ د مربع توپیرونو اوسط.
تشخیص او اعتبار
مخکې لدې چې د ریګریشن ماډل د وړاندوینې یا نورو پریکړې کولو لپاره وکارول شي، دا مهمه ده چې د ریګریشن تشخیصات ترسره شي. ځینې عام تشخیصي تخنیکونه پدې کې شامل دي:
۱. پاتې شوې پلاټ: خطي او همجنسي ارزونه وکړئ.
۲. د QQ پلاټ: د پاتې شونو نورمالیت ارزونه وکړئ.
۳. د ډربین-واټسن ازموینه: د پاتې شونو اتوماتیک ارتباط ازموینه کوي.
۴. د توپیر انفلاسیون فکتور (VIF): د خپلواکو متغیرونو ترمنځ د څو اړخیزه خط پیژندنه.
د دې تشخیصاتو کارول د احتمالي ستونزو په پیژندلو کې مرسته کوي او کاروونکو ته اجازه ورکوي چې اړین سمونونه یا د معلوماتو بدلونونه راولي.
ستونزې او محدودیتونه
که څه هم خطي ریګریشن یو پیاوړی وسیله ده، دا محدودیتونه هم لري. ځینې عامې ستونزې په لاندې ډول دي:
– څو اړخیزه خطي والی: هغه وخت رامنځته کیږي کله چې خپلواک متغیرونه یو له بل سره په لوړه کچه تړاو ولري. دا کولی شي د بې ثباته ضریب اټکلونو او مغشوش تعبیرونو لامل شي.
- بهرنۍ برخې: د معلوماتو خورا لوړ ارزښتونه کولی شي د ریګریشن پایلې تحریف کړي.
– غیر خطي: که چیرې د متغیرونو ترمنځ اړیکه غیر خطي وي، نو خطي رجعت ممکن لږ مناسب وي. یو غیر خطي ماډل ممکن په ځینو مواردو کې ډیر مناسب وي.
– هیټروسکیډاسټیسټي: د پاتې شونو تغیراتو بدلول کولی شي د غیر موثر ضریب اټکلونو لامل شي.
پایله
خطي رجعت د معلوماتو تحلیل کې یو مهم احصایوي تخنیک دی. د خطي رجعت په کارولو سره، موږ کولی شو د یو یا ډیرو خپلواک متغیرونو او یو انحصاري متغیر ترمنځ اړیکه درک او ماډل کړو. که څه هم خطي رجعت یو ساده او اسانه تشریح کولو وسیله ده، دا مهمه ده چې تل د اصلي انګیرنو چک کول او د اعتبار وړ پایلو ډاډ ترلاسه کولو لپاره د رجعت تشخیص ترسره کول مهم دي. د ځینو محدودیتونو سره سره، د سم چلند او سمونونو سره، خطي رجعت په پراخه کچه ساحو کې په ډیری عملي غوښتنلیکونو کې خورا ګټور میتود پاتې کیږي.
