නිර්ණය කිරීමේ සංගුණකය: අර්ථ දැක්වීම, ගණනය කිරීම සහ යෙදුම
පෙන්ඩහුලුවන්
බොහෝ විට \( R^2 \) ලෙස සංකේතවත් කරන නිර්ණය කිරීමේ සංගුණකය, දත්ත විශ්ලේෂණයේ අත්යවශ්ය කාර්යභාරයක් ඉටු කරන සංඛ්යානමය සංකල්පයකි. නිරීක්ෂණය කරන ලද දත්ත භාවිතා කරන ආකෘතිය මගින් කෙතරම් හොඳින් පැහැදිලි කළ හැකිද යන්න පිළිබඳ මිනුමක් එය සපයයි. රේඛීය ප්රතිගමනයේදී බහුලව භාවිතා වන අතර, නිර්ණය කිරීමේ සංගුණකය සංඛ්යානමය පුරෝකථනය සහ ආකෘති නිර්මාණය භාවිතා කරන විවිධ වෙනත් සන්දර්භයන් තුළ ද යෙදීම් ඇත.
මෙම ලිපියේ අරමුණ වන්නේ නිර්ණය කිරීමේ සංගුණකයේ අර්ථ දැක්වීම, එහි ගණනය කිරීමේ ක්රමය පැහැදිලි කිරීම සහ එහි සැබෑ ලෝක යෙදුම් පිළිබඳ උදාහරණ සැපයීමයි. මෙම සංකල්පය තේරුම් ගැනීමෙන් වඩාත් අර්ථවත් සංඛ්යානමය විශ්ලේෂණයක් සිදු කිරීමේ අපගේ හැකියාව වැඩිදියුණු වනු ඇත.
නිර්ණය කිරීමේ සංගුණකය අවබෝධ කර ගැනීම
නිර්ණය කිරීමේ සංගුණකය (\( R^2 \)) යනු 0 සහ 1 අතර පරාසයක පවතින අගයක් වන අතර, එය ප්රතිගාමී ආකෘතියේ ස්වාධීන විචල්යයන් මගින් පැහැදිලි කළ හැකි යැපෙන විචල්යයේ විචල්යතාවයේ අනුපාතය පෙන්නුම් කරයි. \( R^2 \) හි 1 ට ආසන්න අගයක් මඟින් තෝරාගත් ස්වාධීන විචල්යයන්ට යැපෙන විචල්යයේ බොහෝ විචල්යයන් පැහැදිලි කිරීමට හැකි බව පෙන්නුම් කරන අතර, \( R^2 \) හි 0 ට ආසන්න අගයක් මඟින් දත්තවල විචල්යතාවය පැහැදිලි කිරීමට ආකෘතිය ප්රමාණවත් නොවන බව පෙන්නුම් කරයි.
ගණිතමය වශයෙන්, නිර්ණය කිරීමේ සංගුණකය සූත්රය මගින් ප්රකාශ කළ හැක:
\[ ආර්^2 = 1 – \frac{එස්එස්ආර්}{එස්එස්ටී} \]
මා:
– \( SSR \) යනු අවශේෂ වර්ගවල මුළු එකතුවයි (අවශේෂවල වර්ගවල එකතුව හෝ පුරෝකථන දෝෂ)
– \( SST \) යනු වර්ගවල මුළු එකතුවයි (යැපෙන විචල්යයේ වර්ගවල මුළු එකතුව)
නිර්ණය කිරීමේ සංගුණකය ගණනය කිරීමේ ක්රමය
නිර්ණය කිරීමේ සංගුණකය ගණනය කරන ආකාරය වඩා හොඳින් අවබෝධ කර ගැනීම සඳහා, පියවර පැහැදිලි කරමු.
ගණනය කිරීමේ පියවර
1. පුරෝකථනය කළ අගය ගණනය කරන්න (\( \hat{y} \)):
මෙම පුරෝකථනය කරන ලද අගය අප විසින් නිර්මාණය කරන ලද ප්රතිගාමී ආකෘතියෙන් ලබා ගනී. උදාහරණයක් ලෙස, ප්රතිගාමී ආකෘතිය සරල රේඛීය නම්, එහි ස්වරූපය:
\[ \hat{y} = \beta_0 + \beta_1 x \]
2. අවශේෂය ගණනය කරන්න (\( e \)):
අවශේෂය යනු නිරීක්ෂණය කරන ලද අගය (\( y \)) සහ පුරෝකථනය කරන ලද අගය (\( \hat{y} \)) අතර වෙනසයි:
\[ e = y – \hat{y} \]
3. SSR (වර්ග අවශේෂ එකතුව) ගණනය කරන්න:
SSR යනු අවශේෂවල වර්ගවල එකතුවයි:
\[ SSR = \එකතුව (y – \hat{y})^2 \]
4. SST (වර්ගවල මුළු එකතුව) ගණනය කරන්න:
SST යනු නිරීක්ෂණය කරන ලද අගයන් (\( y \)) සහ එම නිරීක්ෂණය කරන ලද අගයන්හි මධ්යන්යය (\( \bar{y} \)) අතර වෙනස්කම්වල වර්ගවල එකතුවයි:
\[ SST = \sum (y – \bar{y})^2 \]
5. නිර්ණය කිරීමේ සංගුණකය (\( R^2 \) ගණනය කරන්න:
ඉහත සඳහන් කළ සූත්රය භාවිතයෙන් නිර්ණය කිරීමේ සංගුණකය ගණනය කෙරේ:
\[ ආර්^2 = 1 – \frac{එස්එස්ආර්}{එස්එස්ටී} \]
මෙම පියවර සමඟින්, අපට \( R^2 \) අගයක් නිපදවිය හැක, එය අපගේ ආකෘතිය දත්තවල විචල්යතාවය කෙතරම් හොඳින් පැහැදිලි කරයිද යන්න විස්තර කරයි.
\( R^2 \) හි අගය තේරුම් ගැනීම
\( R^2 \) හි අගය භාවිතා කරන ආකෘතියේ සන්දර්භය සහ සංකීර්ණත්වය අනුව බොහෝ සෙයින් වෙනස් විය හැකිය. \( R^2 \) හි අගය අර්ථ නිරූපණය කිරීම සඳහා මාර්ගෝපදේශ කිහිපයක් මෙන්න:
– \( ආර්^2 \ආසන්න වශයෙන් 0 \):
මෙයින් පෙන්නුම් කරන්නේ ප්රතිගාමී ආකෘතියට දත්තවල විචල්යතාවය පැහැදිලි කිරීමට යන්තම් හැකියාවක් ඇති බවයි. භාවිතා කරන ස්වාධීන විචල්යයන් යැපෙන විචල්යයට අදාළ නොවිය හැකිය, නැතහොත් එය කාල ශ්රේණි දත්තවල අධික ලෙස අස්ථාවර ස්වභාවය නිසා විය හැකිය.
– \( 0 < R^2 < 0.3 \): ආකෘතියට ඉතා අඩු පැහැදිලි කිරීමේ ගුණාත්මක භාවයක් ඇත, නමුත් විචල්ය අතර සම්බන්ධතාවය පිළිබඳව තවමත් උපුටා ගත හැකි තොරතුරු කිහිපයක් තිබේ.
- \( 0.3 \leq R^2 < 0.7 \): මෙම අගය මඟින් ආකෘතියට මධ්යස්ථ පැහැදිලි කිරීමේ ගුණාත්මක භාවයක් ඇති බව පෙන්නුම් කරයි. ආකෘතිය තරමක් ප්රයෝජනවත් නමුත් වැඩිදියුණු කිරීමට තවමත් ඉඩ තිබේ. - \( 0.7 \leq R^2 < 1 \): ආකෘතියට ඉහළ පැහැදිලි කිරීමේ ගුණාත්මක භාවයක් ඇත. යැපෙන විචල්යයේ බොහෝ විචල්යතාවයන් ස්වාධීන විචල්යයන් මගින් පැහැදිලි කෙරේ. - \( R^2 \approx 1 \): මෙයින් පෙන්නුම් කරන්නේ ආකෘතියට ඉතා ඉහළ පැහැදිලි කිරීමේ ගුණාත්මක භාවයක් ඇති බවයි. කෙසේ වෙතත්, මෙය ද සැලකිල්ලට ගත යුතුය, මන්ද එය අධික ලෙස සවි කිරීම පෙන්නුම් කළ හැකි බැවින්, ආකෘතිය ඉතා සංකීර්ණ වන අතර තවදුරටත් සාමාන්යකරණය කළ නොහැක. සැබෑ ලෝක යෙදුම් සමාජ විද්යාවන්හි සිට ස්වාභාවික විද්යාවන් දක්වා විවිධ ක්ෂේත්රවල නිර්ණය කිරීමේ සංගුණකය භාවිතා වේ. \( R^2 \) යෙදීම් සඳහා සංයුක්ත උදාහරණ කිහිපයක් මෙන්න: 1. ආර්ථික විද්යාව: ආර්ථික විශ්ලේෂණයේ දී, ආර්ථික ආකෘතියක් ආදායම, පරිභෝජනය සහ ආයෝජනය වැනි විචල්යයන් අතර සම්බන්ධතාවය පැහැදිලි කිරීමට කොතරම් හොඳින් සමත් වේද යන්න තක්සේරු කිරීමට නිර්ණය කිරීමේ සංගුණකය භාවිතා කරයි. 2. ජෛව සංඛ්යාලේඛන: වෛද්ය පර්යේෂණ වලදී, ඖෂධ මාත්රාව සහ රෝගියාගේ ප්රතිචාරය අතර සම්බන්ධතාවයේ ඵලදායීතාවය ඇගයීමට \( R^2 \) භාවිතා කරයි. හොඳ ආකෘතියකට ඉහළ \( R^2 \) ඇති අතර, එයින් පෙන්නුම් කරන්නේ ඖෂධ මාත්රාව රෝගියාගේ ප්රතිචාරයේ බොහෝ විචල්යතාවයන් පැහැදිලි කළ හැකි බවයි. 3. පාරිසරික විද්යාව: දේශගුණික ආකෘති නිර්මාණයේදී, වර්ෂාපතනය, උෂ්ණත්වය සහ ආර්ද්රතාවය වැනි දේශගුණික සාධක අතර සම්බන්ධතාවය ඇගයීමට \( R^2 \) භාවිතා කළ හැකිය. අධිෂ්ඨාන සංගුණකයක් පෙන්නුම් කරන්නේ දේශගුණික විචලනය පැහැදිලි කිරීමේදී භාවිතා කරන දේශගුණික ආකෘතිය තරමක් හොඳ බවයි. 4. ව්යාපාර සහ අලෙවිකරණය: අලෙවිකරණ විශ්ලේෂණයේදී, \( R^2 \) ප්රතිගාමී ආකෘතියක් වෙළඳ දැන්වීම් වියදම් සහ විකුණුම් අතර සම්බන්ධතාවය කෙතරම් හොඳින් විස්තර කරනවාද යන්න තක්සේරු කිරීමට භාවිතා කළ හැකිය. ඉහළ \( R^2 \) අගයක් පෙන්නුම් කරන්නේ වෙළඳ දැන්වීම් වියදම් විකුණුම් පිළිබඳ හොඳ පුරෝකථනයක් බවයි. නිර්ණය කිරීමේ සංගුණකයේ සීමාවන් නිර්ණය කිරීමේ සංගුණකය ඉතා ප්රයෝජනවත් මෙවලමක් වුවද, එය සලකා බැලිය යුතු සීමාවන් කිහිපයක් ද ඇත: 1. හේතුඵලවාදය මනින්නේ නැත: ඉහළ \( R^2 \) අගයක් ස්වාධීන විචල්යය යැපෙන විචල්යය වෙනස් වීමට හේතු වන බව නොපෙන්වයි. එය දෙක අතර රේඛීය සම්බන්ධතාවයක් පමණක් දක්වයි. 2. අධික ලෙස සවි කිරීමට ගොදුරු විය හැකිය: අධික ලෙස සංකීර්ණ ආකෘතියකට ඉතා ඉහළ \( R^2 \) තිබිය හැකි නමුත් අනෙකුත් දත්ත වලට සාමාන්යකරණය කළ නොහැක. එබැවින්, මෙම ආකෘතිය වලංගු කිරීමේ ක්රම සලකා බැලීම ද වැදගත් වේ, උදාහරණයක් ලෙස හරස් වලංගුකරණය. 3. පුරෝකථනය කරන්නන්ගේ තනි ගුණාත්මකභාවය පිළිබඳ තොරතුරු සපයන්නේ නැත: බහුවිචල්ය ආකෘතියක එක් එක් ස්වාධීන විචල්යයේ තනි දායකත්වය පිළිබඳ තොරතුරු නිර්ණය කිරීමේ සංගුණකය සපයන්නේ නැත. නිගමනය නිර්ණය කිරීමේ සංගුණකය (\( R^2 \)) යනු දත්ත විචල්යතාවය පැහැදිලි කිරීමට ආකෘතියක හැකියාව ඇගයීම සඳහා ඉතා වැදගත් සංඛ්යානමය මෙවලමකි. එය ගණනය කර අර්ථකථනය කරන ආකාරය තේරුම් ගැනීමෙන්, අපට අර්ථවත් දත්ත විශ්ලේෂණය වඩා හොඳින් සිදු කළ හැකිය. බොහෝ සංඛ්යානමය මෙවලම් වලින් එකක් ලෙස සැමවිටම \( R^2 \) භාවිතා කිරීම, එහි සීමාවන් තේරුම් ගැනීම සහ වඩාත් පුළුල් හා නිවැරදි ප්රතිඵල ලබා ගැනීම සඳහා අනෙකුත් වලංගුකරණ ක්රම සමඟ ඒකාබද්ධව භාවිතා කිරීම වැදගත් වේ. නිර්ණය කිරීමේ සංගුණකය පිළිබඳ ලිපිය මෙයින් අවසන් වේ. ඔබේ දත්ත විශ්ලේෂණයේදී මෙම සංකල්පය වඩා හොඳින් අවබෝධ කර ගැනීමට සහ යෙදීමට එය ප්රයෝජනවත් වනු ඇතැයි බලාපොරොත්තු වෙමු.