گھڻن ريگريشن ڇا آهي؟

ملٽيپل ريگريشن ڇا آهي؟

ملٽيپل ريگريشن هڪ شمارياتي تجزيي جي ٽيڪنڪ آهي جيڪا هڪ منحصر متغير ۽ ٻن يا وڌيڪ آزاد متغيرن جي وچ ۾ تعلق کي سمجهڻ لاءِ استعمال ڪئي ويندي آهي. هي طريقو سماجي، معاشي، ڪاروباري، صحت، تعليم، ۽ ڊيٽا سائنس جي تحقيق ۾ اڪثر استعمال ڪيو ويندو آهي ڇاڪاڻ ته اهو وضاحت ڪري سگهي ٿو ته ڪيئن ڪيترائي عنصر گڏيل طور تي هڪ نتيجي تي اثر انداز ٿين ٿا.

مثال طور، فرض ڪريو ڪو ماڻهو ڪنهن شاگرد جي امتحان جي اسڪور جي اڳڪٿي ڪرڻ چاهي ٿو. امتحان جا اسڪور (انحصار ڪندڙ متغير) مطالعي جي ڪلاڪن، حاضري، ۽ ٽيوشن تائين رسائي (آزاد متغير) کان متاثر ٿي سگهن ٿا. گھڻن رجعت سوالن جا جواب ڏيڻ ۾ مدد ڪري ٿي جهڙوڪ: ڪهڙا عنصر سڀ کان وڌيڪ اثر انداز ٿين ٿا؟ جيڪڏهن مطالعي جا ڪلاڪ وڌندا آهن، ته امتحان جو سراسري اسڪور ڪيترو وڌندو، ٻين عنصرن کي مستقل رکندي؟

-

گھڻن ريگريشن جي تعريف ۽ مقصد

سادي لفظن ۾، گھڻن رجعت جو مقصد آهي:

1. ڪيترن ئي آزاد متغيرن جي بنياد تي منحصر متغير جي قدر جو اندازو لڳايو.
2. وضاحت ڪريو ته هر آزاد متغير جو انحصار ڪندڙ متغير تي ڪيترو اثر آهي.
3. تعصب کي گھٽائي ٿو جيڪو پيدا ٿي سگھي ٿو جيڪڏهن اسان صرف هڪ آزاد متغير استعمال ڪريون ٿا، جيتوڻيڪ حقيقت ۾ هڪ رجحان ڪيترن ئي عنصرن کان متاثر ٿئي ٿو.
4. ڪنهن خاص متغير جي اثر کي جانچڻ وقت ٻين متغيرن (ڪنٽرول) کي ڪنٽرول ڪرڻ.

سادي رجعت سان، اسان صرف هڪ عنصر جي نتيجي سان تعلق کي ڏسون ٿا. جڏهن ته، حقيقي دنيا ۾، اثر اڪثر اوورليپ ٿين ٿا. هي اهو هنڌ آهي جتي گھڻن رجعت وڌيڪ حقيقي بڻجي ويندي آهي: اهو هڪ ئي وقت ڪيترن ئي متغيرن کي شامل ڪندي "وڏي تصوير" ڏسڻ جي ڪوشش ڪندو آهي.

-

گھڻن ريگريشن مساوات جو عام روپ

گھڻن رجعت کي عام طور تي مساوات طور لکيو ويندو آهي:

وائي = a + b1X1 + b2X2 + b3X3 + … + bnXn + e

ڄاڻ:
- Y = منحصر متغير (جيڪو وضاحت / اڳڪٿي ڪئي وڃي)
– a = مسلسل (Y جو قدر جڏهن سڀئي X 0 آهن)
- b1، b2، ... bn = هر آزاد متغير لاءِ ريگريشن ڪوئفيشينٽس
– X1، X2، … Xn = آزاد متغير
- اي = غلطي/باقي (Y ۾ تبديلي جو حصو جيڪو ماڊل ذريعي بيان نٿو ڪري سگهجي)

ڪوفيشينٽ b سڀ کان وڌيڪ تعبير ڪيل جزو آهي. مثال طور، جيڪڏهن b1 = 2,5، ته پوءِ X1 ۾ هر 1-يونٽ واڌ Y کي 2,5 وڌائيندي، فرض ڪيو ته ٻيا آزاد متغير مستقل رهندا. جملي "ٻيا سڀ مستقل هجڻ" اهم آهي ڇاڪاڻ ته اهو گھڻن رجعت جي هڪ اهم خصوصيت جي نمائندگي ڪري ٿو: اهو هڪ متغير جي "جزوي" اثر کي ماپي ٿو.

-

گھڻن ريگريشن ايپليڪيشن جي مثال

ان کي آسان بڻائڻ لاءِ، هتي هڪ سادي ڪاروباري مثال آهي. فرض ڪريو ته ڪا ڪمپني انهن عنصرن کي ڄاڻڻ چاهي ٿي جيڪي پراڊڪٽ سيلز (Y) تي اثر انداز ٿين ٿا. ڪمپني ڊيٽا گڏ ڪري ٿي:
– X1 = اشتهارن جي قيمت (لکين روپين ۾)
– X2 = پيداوار جي قيمت (هزارين روپين ۾)
- X3 = فعال ريليررز جو تعداد

تجزيي جا نتيجا مساوات پيدا ڪن ٿا:
وڪرو = 100 + 8X1 – 5X2 + 12X3

تفسير:
- مسلسل 100: جڏهن اشتهارن جي قيمتن، قيمتن، ۽ وڪرو ڪندڙن کي 0 سمجهيو ويندو آهي، ته سيلز جو اندازو 100 يونٽ هوندو آهي (هي صرف هڪ رياضياتي تشريح آهي، ڪڏهن ڪڏهن اهو حقيقت ۾ سمجهه ۾ نه ايندو آهي).
- 8X1: جيڪڏهن قيمت ۽ وڪرو ڪندڙ ساڳيو رهي ٿو ته هر اضافي 1 ملين اشتهارن جي قيمت سان سيلز ۾ 8 يونٽن جو اضافو ٿيندو.
– -5X2: قيمت ۾ هر 1 هزار روپيا جي واڌ سان سيلز ۾ 5 يونٽن جي گهٽتائي جو اندازو لڳايو ويو آهي، جيڪڏهن ٻيا متغير مستقل رهن ٿا.
- 12X3: هر اضافي 1 فعال ري سيلر سيلز ۾ 12 يونٽ وڌائي ٿو، جيڪڏهن ٻيا متغير مستقل رهن ٿا.

هن ماڊل سان، ڪمپنيون پاليسيون ٺاهي سگهن ٿيون: مثال طور، سيلز جا هدف حاصل ڪرڻ لاءِ اشتهارن، قيمتن، ۽ ريليررز جي تعداد جي ميلاپ جو تعين ڪرڻ.

-

ملٽيپل ريگريشن ڪڏهن استعمال ڪرڻ لاءِ مناسب آهي؟

گھڻن ريگريشن استعمال لاءِ مناسب آهي جڏهن:

1. توهان وٽ هڪ مکيه نتيجو آهي جيڪو توهان اڳڪٿي ڪرڻ چاهيو ٿا (Y).
2. هڪ کان وڌيڪ عنصر آهن جيڪي نتيجي تي اثر انداز ٿيڻ جو شڪ آهي (X).
3. ڊيٽا عددي پيماني تي آهي يا عددي شڪل ۾ تبديل ڪري سگهجي ٿو (مثال طور، زمرا ڊمي ۾ تبديل ڪيا ويندا آهن).

هي طريقو تحقيق ۾ "نظرين جي جانچ" لاءِ پڻ استعمال ڪري سگهجي ٿو، مثال طور، ڇا ڪم جي تجربي ۽ رهائش جي جڳهه کي ڪنٽرول ڪرڻ کان پوءِ به آمدني تي تعليم جو اثر اهم آهي.

-

گھڻن رجعت ۾ اهم مفروضا

نتيجن جي صحيح هجڻ لاءِ، گھڻن رجعت ۾ ڪيترائي مفروضا آهن جن تي غور ڪرڻ جي ضرورت آهي:

1. لڪيريت
آزاد ۽ منحصر متغيرن جي وچ ۾ تعلق کي لڪير سمجهيو ويندو آهي. جيڪڏهن اصل تعلق وکر (غير لڪير) آهي، ته لڪير ماڊل گهٽ صحيح ٿي سگهي ٿو.

2. ڪو به اعليٰ ملٽي ڪول لائنريٽي ناهي
آزاد متغيرن کي تمام گهڻو مضبوطي سان لاڳاپيل نه هجڻ گهرجي. جيڪڏهن X1 ۽ X2 تقريبن هڪجهڙا آهن، ته انهن جي لاڳاپيل اثرات کي الڳ ڪرڻ ڏکيو ٿيندو.

3. هم جنس پرستي
باقي ويرينس سڀني اڳڪٿي ڪيل قدرن ۾ نسبتاً مستقل هجڻ جي اميد آهي. جيڪڏهن باقي هڪ خاص قدر (هيٽروسڪيڊسٽيسٽي) تي وڏو ٿي وڃي ٿو، ته اندازو گهٽ ڪارآمد ٿي سگهي ٿو.

4. باقيات جي عام حالت (اڪثر گهربل)
باقيات کي تقريبن عام طور تي ورهايو وڃي، خاص طور تي اهميت جي جانچ جي مقصدن لاءِ.

5. غلطين جي آزادي
مشاهدن جي وچ ۾ غلطين کي لاڳاپيل نه ڪيو وڃي. هي مسئلو اڪثر وقت جي سيريز ڊيٽا ۾ پيدا ٿئي ٿو.

مفروضن جي جانچ عام طور تي بقايا گراف، شمارياتي ٽيسٽ (مثال طور، ملٽي ڪول لائنريٽي لاءِ VIF)، ۽ ٻين تشخيصي تجزين ذريعي ڪئي ويندي آهي.

-

ماڊل جي معيار کي ماپڻ: R² ۽ اهميت جا امتحان

گھڻن رجعت ۾، ڪيترائي عام اشارا استعمال ڪيا ويندا آهن:

- R² (تعين جو ڪوفيشينٽ)
Y ۾ تبديلي جو تناسب ڏيکاري ٿو جيڪو ماڊل ذريعي بيان ڪري سگهجي ٿو. R² قدر 0-1 تائين آهن. R² جيترو وڏو هوندو، آزاد متغير اوترو ئي وڌيڪ تبديلي بيان ڪندو. جڏهن ته، هڪ وڏو R² خود بخود اهو مطلب نٿو رکي ته ماڊل "صحيح" آهي؛ اوور فٽنگ ٿي سگهي ٿي.

- ترتيب ڏنل R²
R² جو هڪ نسخو جيڪو آزاد متغيرن جي تعداد کي حساب ۾ رکي ٿو. هي ماڊلز کي مختلف متغيرن جي انگن سان مقابلو ڪرڻ ۾ مدد ڪري ٿو.

- ايف ٽيسٽ (هڪ ئي وقت)
جانچ ڪرڻ ته ڇا آزاد متغير گڏجي Y تي اهم اثر رکن ٿا.

- ٽي-ٽيسٽ (جزوي)
جانچ ڪريو ته ڇا هر ڪوفيشينٽ (b1، b2، وغيره) شمارياتي طور تي اهم آهي.

هن ٽيسٽ سان، محقق اندازو لڳائي سگهن ٿا ته ڇا ماڊل ڪارآمد آهي ۽ ڪهڙا متغير اصل ۾ حصو وٺندا آهن.

-

گھڻن ريگريشن جا فائدا ۽ حدون

ڪليبهان
- وڌيڪ حقيقي ڇاڪاڻ ته اهو هڪ ئي وقت ڪيترن ئي عنصرن کي نظر ۾ رکي ٿو.
- اڳڪٿي ۽ وضاحت لاءِ استعمال ڪري سگهجي ٿو.
- جزوي اثر جي تجزيي جي اجازت ڏئي ٿو (ٻين متغيرن جو ڪنٽرول).
- اهو انگ اکر ۽ مشين لرننگ ۾ ڪيترن ئي جديد طريقن جو بنياد آهي.

حدون
- گھڻ-سطحي لڪيريءَ لاءِ حساس.
- جيڪڏهن مفروضا پورا نه ٿيا ته نتيجا گمراهه ڪندڙ ٿي سگهن ٿا.
- خود بخود هڪ سببي تعلق جي نشاندهي نٿو ڪري؛ رجعت ايسوسيئيشن ڏيکاري ٿي، ۽ سببيت کي هڪ مضبوط تحقيقي ڊيزائن جي ضرورت آهي.
- جيڪڏهن ڊيٽا جي مقدار جي مقابلي ۾ تمام گهڻا متغير هجن ته اوور فٽ ٿي سگهي ٿو.

-

پينوٽ اپ

هڪ واحد منحصر متغير ۽ ڪيترن ئي آزاد متغيرن جي وچ ۾ تعلق جي تجزيي لاءِ هڪ اهم شمارياتي اوزار آهي. هڪ نسبتاً سادي مساوات کي استعمال ڪندي، هي طريقو محققن ۽ عملي کي بااثر عنصرن کي سمجهڻ، هر متغير جي اثر جي طاقت کي ماپڻ، ۽ صرف هڪ عنصر کي استعمال ڪرڻ کان وڌيڪ صحيح اڳڪٿيون ڪرڻ ۾ مدد ڪري ٿو.

جڏهن ته، گھڻن ريگريشن هڪ "جادوئي اوزار" ناهي. ان کي صحيح تشريح کي يقيني بڻائڻ لاءِ سٺي ڊيٽا جي معيار، مناسب متغير چونڊ، ۽ مفروضن جي جانچ جي ضرورت آهي. جڏهن مناسب طور تي استعمال ڪيو وڃي، گھڻن ريگريشن مختلف شعبن ۾ ڊيٽا تي ٻڌل فيصلي سازي لاءِ هڪ مضبوط بنياد فراهم ڪري سگهي ٿو.

جيڪڏهن توهان چاهيو ٿا، ته مان توهان جي مدد ڪري سگهان ٿو ته هن مضمون جو هڪ نسخو هڪ مخصوص حوالي سان (مثال طور، هڪ ٿيسز لاءِ، ڪاروبار لاءِ، يا هاءِ اسڪول جي پڙهندڙن لاءِ) سادي حساب جي مثالن سان مڪمل ڪيو وڃي ۽ SPSS/Excel/R آئوٽ پُٽ ڪيئن پڙهجي.