රේඛීය ප්රතිගමනය උදාහරණ ප්රශ්න සහ සාකච්ඡාව
රේඛීය ප්රතිගමනය යනු විචල්ය දෙකක් හෝ වැඩි ගණනක් අතර සම්බන්ධතාවය තීරණය කිරීම සඳහා භාවිතා කරන සංඛ්යානමය ක්රමයකි. මෙම ක්රමය ආර්ථික විද්යාව, ව්යාපාර, සමාජ විද්යාවන් සහ ස්වාභාවික විද්යාවන් ඇතුළු විවිධ ක්ෂේත්රවල බහුලව භාවිතා වේ. මෙම ලිපියෙන්, අපි රේඛීය ප්රතිගමනය, එය ගණනය කරන්නේ කෙසේද යන්න සාකච්ඡා කර, පාඨකයන්ට මෙම සංකල්පය ගැඹුරින් තේරුම් ගැනීමට උපකාර කිරීම සඳහා පැහැදිලි කිරීම් සහිත උදාහරණ ගැටළු කිහිපයක් සපයන්නෙමු.
රේඛීය ප්රතිගමනය අවබෝධ කර ගැනීම
රේඛීය ප්රතිගමනය යනු ස්වාධීන විචල්ය එකක් හෝ කිහිපයක් (පුරෝකථක) සහ යැපෙන විචල්යයක් (ප්රතිචාරය) අතර සම්බන්ධතාවය ආදර්ශනය කිරීමට භාවිතා කරන විශ්ලේෂණාත්මක ක්රමයකි. සරල රේඛීය ප්රතිගමනයට එක් ස්වාධීන විචල්යයක් සහ එක් යැපෙන විචල්යයක් ඇතුළත් වන අතර බහු රේඛීය ප්රතිගමනයට එක් ස්වාධීන විචල්යයකට වඩා ඇතුළත් වේ.
සරල රේඛීය ප්රතිගාමී රේඛාවක සමීකරණය වන්නේ:
\[ Y = a + bX \]
මා:
– \( Y \) යනු යැපෙන විචල්යයයි.
– \( X \) යනු ස්වාධීන විචල්යයයි.
– \( a \) යනු අන්තඃඛණ්ඩය වන අතර, එය X = 0 වන විට Y හි අගය වේ.
– \( b \) යනු ප්රතිගාමී සංගුණකයයි, එනම්, X එක ඒකකයකින් වෙනස් වුවහොත් Y කොපමණ වෙනස් වේද යන්නයි.
රේඛීය ප්රතිගමන පියවර
1. දත්ත රැස් කරන්න: පළමුව, විශ්ලේෂණය කළ යුතු දත්ත රැස් කරන්න.
2. ප්ලොට් දත්ත: විචල්ය අතර රේඛීය සම්බන්ධතාවයක් තිබේදැයි බැලීමට විසිරුම් ප්ලොට් එකක් සාදන්න.
3. ප්රතිගාමී සංගුණකය ගණනය කරන්න: හොඳම රේඛාව තීරණය කිරීම සඳහා අවම වර්ග ක්රමය භාවිතා කරන්න.
4. ආකෘතිය පරීක්ෂා කිරීම: ප්රතිගාමී සංගුණකවල වැදගත්කම t-පරීක්ෂණයකින් පරීක්ෂා කර ආකෘතිය දත්ත වලට කෙතරම් හොඳින් ගැලපෙනවාදැයි බැලීමට R-වර්ග අගය තීරණය කරන්න.
නියැදි ප්රශ්න සහ සාකච්ඡා
උදාහරණ ප්රශ්නය 1: සරල රේඛීය ප්රතිගමනය
ප්රශ්නය:
අධ්යයන පැය ගණන (X) සහ සිසුන්ගේ විභාග ලකුණු (Y) අතර සම්බන්ධතාවය දැන ගැනීමට පර්යේෂකයෙකුට අවශ්ය වේ. ලබාගත් දත්ත පහත පරිදි වේ:
| අධ්යයන වේලාවන් (X) | විභාග ලකුණු (Y) |
|———————–|——————–|
| 2 | 70 |
| 3 | 75 |
| 5 | 80 |
| 7 | 85 |
| 8 | 90 |
මෙම දත්ත වලින් රේඛීය ප්රතිගාමී සමීකරණයක් සාදන්න!
සාකච්ඡාව:
1. සාමාන්යය ගණනය කිරීම:
\[
\bar{X} = \frac{2 + 3 + 5 + 7 + 8}{5} = 5
\]
\[
\bar{Y} = \frac{70 + 75 + 80 + 85 + 90}{5} = 80
\]
2. ප්රතිගාමී සංගුණකය ගණනය කිරීම \( b \):
\[
b = \frac{\එකතුව (X_i – \බාර්{X})(Y_i – \බාර්{Y})}{\එකතුව (X_i – \බාර්{X})^2}
\]
\[
\sum (X_i – \bar{X})(Y_i – \bar{Y}) = (2 – 5)(70 – 80) + (3 – 5)(75 – 80) + (5 – 5)(80 – 80) + (7 – 5)(85 – 80) + (8 – 5)(90 – 80)
\]
\[
= (-3)(-10) + (-2)(-5) + (0)(0) + (2)(5) + (3)(10) = 30 + 10 + 0 + 10 + 30 = 80
\]
\[
\sum (X_i – \bar{X})^2 = (2 – 5)^2 + (3 – 5)^2 + (5 – 5)^2 + (7 – 5)^2 + (8 – 5)^2
\]
\[
= 9 + 4 + 0 + 4 + 9 = 26
\]
\[
b = \frac{80}{26} \ආසන්න වශයෙන් 3.08
\]
3. අන්තඃඛණ්ඩනය ගණනය කිරීම \( a \):
\[
a = \bar{Y} – b\bar{X}
\]
\[
a = 80 – 3.08 \times 5 = 80 – 15.4 = 64.6
\]
4. ප්රතිගාමී සමීකරණය:
\[
වයි = 64.6 + 3.08X
\]
ඉතින්, දත්ත සඳහා රේඛීය ප්රතිගාමී සමීකරණය \( Y = 64.6 + 3.08X \) වේ. මෙයින් අදහස් කරන්නේ අධ්යයනය කරන සෑම අමතර පැයකදීම පරීක්ෂණ ලකුණු 3.08 කින් වැඩි වනු ඇතැයි අපේක්ෂා කරන බවයි.
උදාහරණ ප්රශ්නය 2: ආදර්ශ පරීක්ෂණය සහ අර්ථ නිරූපණය
ප්රශ්නය:
එම දත්ත සමඟම ඉදිරියට යමින්, ආකෘතිය දත්තවලට කොතරම් හොඳින් ගැලපෙනවාද යන්න මැනීමට R-වර්ග (R²) අගය ගණනය කරන්න. තවද, ප්රතිගාමී සංගුණකයේ වැදගත්කම පරීක්ෂා කරන්න \( b \).
සාකච්ඡාව:
1. වර්ගවල මුළු එකතුව (SST), වර්ගවල ප්රතිගාමී එකතුව (SSR) සහ වර්ගවල දෝෂ එකතුව (SSE) ගණනය කරන්න:
\[
SST = \එකතුව (Y_i – \තීරුව{Y})^2
\]
\[
SST = (70 – 80)^2 + (75 – 80)^2 + (80 – 80)^2 + (85 – 80)^2 + (90 – 80)^2 = 100 + 25 + 0 + 25 + 100 = 250
\]
\[
SSR = \sum (\hat{Y}_i – \bar{Y})^2
\]
\( \hat{Y}_i \) යනු ප්රතිගාමී සමීකරණයේ පුරෝකථනය කරන ලද අගය වන තැන:
\[
\hat{Y}_i = 64.6 + 3.08X_i
\]
\[
\hat{Y} = [67.76, 70.84, 76.0, 82.16, 85.24]
\]
\[
\බාර්{Y} = 80
\]
\[
SSR = (67.76 – 80)^2 + (70.84 – 80)^2 + (76.0 – 80)^2 + (82.16 – 80)^2 + (85.24 – 80)^2
\]
\[
SSR = (-12.24)^2 + (-9.16)^2 + (-4.0)^2 + 2.16^2 + 5.24^2 = 149.8
\]
2. SSE ගණනය කිරීම:
\[
SSE = SST – SSR = 250 – 149.8 = 100.2
\]
3. R-වර්ග ගණනය කිරීම:
\[
R^2 = \frac{SSR}{SST} = \frac{149.8}{250} \ආසන්න වශයෙන් 0.6
\]
0.6 ක R-වර්ග අගයක් පෙන්නුම් කරන්නේ මෙම ආකෘතිය දත්තවල විචලනයෙන් ආසන්න වශයෙන් 60% ක් පැහැදිලි කරන බවයි. මෙයින් පෙන්නුම් කරන්නේ ප්රතිගාමී රේඛාව දත්තවලට තරමක් හොඳින් ගැලපෙන බවයි.
4. සංගුණකයේ වැදගත්කම සඳහා t-පරීක්ෂණය \( b \):
\[
t = \frac{b}{SE(b)}
\]
\[
SE(b) = \sqrt{\frac{SSE}{n-2}} / \sqrt{\sum (X_i – \bar{X})^2}
\]
\[
SE(b) = \sqrt{\frac{100.2}{5-2}} / \sqrt{26}
\]
\[
SE(b) = \sqrt{33.4} / \sqrt{26} \ආසන්න වශයෙන් 1.13
\]
\[
t = \frac{3.08}{1.13} \ආසන්න වශයෙන් 2.73
\]
\( t-සංඛ්යාලේඛන \approx 2.73 \) සමඟ, අපි වැදගත්කම සඳහා පොදු සීමාවක් භාවිතා කරන්නේ නම් (α = 0.05), අපි එය t-වගුව සමඟ සංසන්දනය කරමු. උදාහරණයක් ලෙස, \( df = 3 \) සඳහා, තීරණාත්මක \( t \) ආසන්න වශයෙන් 2.353 වේ. එවිට \( t-නිරීක්ෂිත > t-විවේචනාත්මක \), සංගුණකය සැලකිය යුතු බව පෙන්නුම් කරයි.
නිගමනය
මෙම ලිපියෙන් අපි රේඛීය ප්රතිගමනයේ මූලික කරුණු, ප්රතිගමන සංගුණකය සහ අන්තර්ග්රහණය ගණනය කරන්නේ කෙසේද සහ උදාහරණ ගැටළු භාවිතයෙන් ප්රතිඵල අර්ථ නිරූපණය කරන්නේ කෙසේද යන්න ආවරණය කර ඇත්තෙමු. මෙම ක්රමය භාවිතා කිරීමේදී ප්රවීණ වීමට විවිධ දත්ත කට්ටල සමඟ නිතර පුහුණුවීම අත්යවශ්ය වේ. රේඛීය ප්රතිගමනය දත්ත විශ්ලේෂණයේ වටිනා මෙවලමක් වන අතර විචල්යයන් අතර සම්බන්ධතා පිළිබඳ ගැඹුරු අවබෝධයක් ලබා දිය හැකිය.
