බහු ප්රතිගමනය යනු කුමක්ද?
බහු ප්රතිගමනය යනු එක් යැපෙන විචල්යයක් සහ ස්වාධීන විචල්ය දෙකක් හෝ වැඩි ගණනක් අතර සම්බන්ධතාවය තේරුම් ගැනීමට භාවිතා කරන සංඛ්යානමය විශ්ලේෂණ තාක්ෂණයකි. මෙම ක්රමය සමාජ, ආර්ථික, ව්යාපාර, සෞඛ්ය, අධ්යාපනය සහ දත්ත විද්යා පර්යේෂණ වලදී නිතර භාවිතා වේ, මන්ද එයට සාධක කිහිපයක් සාමූහිකව ප්රතිඵලයකට බලපාන ආකාරය පැහැදිලි කළ හැකිය.
උදාහරණයක් ලෙස, යමෙකුට ශිෂ්යයෙකුගේ විභාග ලකුණු පුරෝකථනය කිරීමට අවශ්ය යැයි සිතමු. විභාග ලකුණු (යැපෙන විචල්යය) අධ්යයන වේලාවන්, පැමිණීම සහ උපකාරක පන්ති සඳහා ප්රවේශය (ස්වාධීන විචල්යයන්) මගින් බලපෑම් කළ හැකිය. බහු ප්රතිගමනය පහත සඳහන් ප්රශ්නවලට පිළිතුරු දීමට උපකාරී වේ: කුමන සාධක වඩාත්ම බලගතුද? අධ්යයන වේලාවන් වැඩි වුවහොත්, අනෙකුත් සාධක නියතව තබා ගනිමින් සාමාන්ය විභාග ලකුණු කොපමණ වැඩි වේද?
-
බහුවිධ ප්රතිගමනයේ අර්ථ දැක්වීම සහ අරමුණ
සරලව කිවහොත්, බහු ප්රතිගමනය අරමුණු කරන්නේ:
1. ස්වාධීන විචල්ය කිහිපයක් මත පදනම්ව යැපෙන විචල්යයේ අගය පුරෝකථනය කරන්න.
2. එක් එක් ස්වාධීන විචල්යය යැපෙන විචල්යයට කෙතරම් බලපෑමක් ඇති කරයිද යන්න පැහැදිලි කරන්න.
3. යථාර්ථයේ දී සංසිද්ධියක් බොහෝ සාධක මගින් බලපානු ලැබුවද, අපි එක් ස්වාධීන විචල්යයක් පමණක් භාවිතා කළහොත් ඇතිවිය හැකි පක්ෂග්රාහීත්වය අඩු කරයි.
4. විශේෂිත විචල්යයක බලපෑම පරීක්ෂා කිරීමේදී අනෙකුත් විචල්යයන් (පාලනය) පාලනය කිරීම.
සරල ප්රතිගමනය සමඟ, අපි ප්රතිඵලයකට එක් සාධකයක සම්බන්ධතාවය පමණක් බලමු. කෙසේ වෙතත්, සැබෑ ලෝකයේ, බලපෑම් බොහෝ විට අතිච්ඡාදනය වේ. බහු ප්රතිගමනය වඩාත් යථාර්ථවාදී වන්නේ මෙහිදීය: එය එකවර බොහෝ විචල්යයන් ඇතුළත් කිරීමෙන් “විශාල චිත්රය” දැකීමට උත්සාහ කරයි.
-
බහු ප්රතිගාමී සමීකරණයේ සාමාන්ය ආකාරය
බහු ප්රතිගමනය සාමාන්යයෙන් සමීකරණය ලෙස ලියා ඇත:
Y = a + b1X1 + b2X2 + b3X3 + … + bnXn + e
කෙතරංගන්:
– Y = යැපෙන විචල්යය (පැහැදිලි කළ යුතු/පුරෝකථනය කළ යුතු)
– a = නියතය (සියලුම Xs 0 වන විට Y හි අගය)
– b1, b2, … bn = එක් එක් ස්වාධීන විචල්යය සඳහා ප්රතිගාමී සංගුණක
– X1, X2, … Xn = ස්වාධීන විචල්යයන්
– e = දෝෂය/අවශේෂය (ආකෘතිය මගින් පැහැදිලි කළ නොහැකි Y හි විචලනයේ කොටස)
b සංගුණකය යනු බොහෝ විට අර්ථකථනය කරන ලද සංරචකයයි. උදාහරණයක් ලෙස, b1 = 2,5 නම්, X1 හි සෑම ඒකක 1 ක වැඩිවීමක්ම Y 2,5 කින් වැඩි කරනු ඇත, අනෙකුත් ස්වාධීන විචල්යයන් නියතව පවතින බව උපකල්පනය කරයි. "අනෙක් සියල්ල නියත වීම" යන වාක්ය ඛණ්ඩය වැදගත් වන්නේ එය බහු ප්රතිගමනයේ ප්රධාන ලක්ෂණයක් නියෝජනය කරන බැවිනි: එය විචල්යයක "අර්ධ" බලපෑම මනිනු ලබයි.
-
බහු ප්රතිගාමී යෙදුමක උදාහරණය
එය පහසු කිරීම සඳහා, මෙන්න සරල ව්යාපාරික උදාහරණයක්. සමාගමක් නිෂ්පාදන අලෙවියට (Y) බලපාන සාධක දැන ගැනීමට අවශ්ය යැයි සිතමු. සමාගම දත්ත රැස් කරයි:
– X1 = වෙළඳ දැන්වීම් පිරිවැය (රුපියල් මිලියන වලින්)
– X2 = නිෂ්පාදනයේ මිල (රුපියල් දහස් ගණනින්)
– X3 = ක්රියාකාරී නැවත විකුණුම්කරුවන් සංඛ්යාව
විශ්ලේෂණයේ ප්රතිඵල සමීකරණය නිපදවයි:
විකුණුම් = 100 + 8X1 – 5X2 + 12X3
අර්ථ නිරූපණය:
– නියත 100: වෙළඳ දැන්වීම් පිරිවැය, මිල ගණන් සහ නැවත විකුණුම්කරුවන් 0 ලෙස සලකන විට, විකුණුම් ඒකක 100 ක් ලෙස ඇස්තමේන්තු කර ඇත (මෙය ගණිතමය අර්ථකථනයක් පමණි, සමහර විට එය යථාර්ථයේ දී තේරුමක් නැත).
– 8X1: මිල සහ නැවත විකුණන්නා එලෙසම පැවතුනහොත්, වෙළඳ දැන්වීම් පිරිවැයෙන් ලැබෙන සෑම අමතර මිලියන 1 ක්ම විකුණුම් ඒකක 8 කින් වැඩි කරන බවට ඇස්තමේන්තු කර ඇත.
– -5X2: අනෙකුත් විචල්යයන් නියතව පැවතුනහොත්, මිලෙහි සෑම රුපියල් 1 ක වැඩිවීමක්ම විකුණුම් ඒකක 5 කින් අඩු කරන බවට ඇස්තමේන්තු කර ඇත.
– 12X3: අනෙකුත් විචල්යයන් නියතව පවතී නම්, සෑම අමතර ක්රියාකාරී නැවත විකුණුම්කරුවන් 1 දෙනෙකුම විකුණුම් ඒකක 12 කින් වැඩි කරයි.
මෙම ආකෘතිය සමඟින්, සමාගම්වලට ප්රතිපත්ති නිර්මාණය කළ හැකිය: නිදසුනක් ලෙස, විකුණුම් ඉලක්ක සපුරා ගැනීම සඳහා වෙළඳ දැන්වීම්, මිල ගණන් සහ නැවත විකුණුම්කරුවන් සංඛ්යාවේ සංයෝජනය තීරණය කිරීම.
-
බහු ප්රතිගමනය භාවිතා කිරීම සුදුසු වන්නේ කවදාද?
බහු ප්රතිගමනය පහත සඳහන් අවස්ථා වලදී භාවිතා කිරීමට සුදුසු වේ:
1. ඔබට පුරෝකථනය කිරීමට අවශ්ය එක් ප්රධාන ප්රතිඵලයක් ඇත (Y).
2. ප්රතිඵලයට බලපෑම් කරන බවට සැක කරන සාධක එකකට වඩා තිබේ (X).
3. දත්ත සංඛ්යාත්මක පරිමාණයකින් හෝ සංඛ්යාත්මක ආකාරයකට වෙනස් කළ හැකිය (උදාහරණයක් ලෙස, කාණ්ඩ ඩමි බවට වෙනස් වේ).
මෙම ක්රමය පර්යේෂණවලදී "න්යායන් පරීක්ෂා කිරීමට" ද භාවිතා කළ හැකිය, උදාහරණයක් ලෙස රැකියා පළපුරුද්ද සහ පදිංචි ස්ථානය පාලනය කිරීමෙන් පසුව ආදායමට අධ්යාපනයේ බලපෑම තවමත් සැලකිය යුතු ද යන්න.
-
බහුවිධ ප්රතිගමනයේ වැදගත් උපකල්පන
ප්රතිඵල වලංගු වීමට නම්, බහු ප්රතිගමනයට සලකා බැලිය යුතු උපකල්පන කිහිපයක් තිබේ:
1. රේඛීයතාව
ස්වාධීන සහ යැපෙන විචල්යයන් අතර සම්බන්ධතාවය රේඛීය යැයි උපකල්පනය කෙරේ. සත්ය සම්බන්ධතාවය වක්ර (රේඛීය නොවන) නම්, රේඛීය ආකෘතිය අඩු නිරවද්යතාවයක් තිබිය හැකිය.
2. ඉහළ බහු රේඛීයතාවයක් නොමැත.
ස්වාධීන විචල්යයන් ඕනෑවට වඩා දැඩි ලෙස සහසම්බන්ධ නොවිය යුතුය. X1 සහ X2 බොහෝ දුරට සමාන නම්, ඒවායේ අදාළ බලපෑම් වෙන් කිරීම දුෂ්කර වනු ඇත.
3. සමලිංගිකත්වය
සියලුම පුරෝකථනය කරන ලද අගයන් හරහා අවශේෂ විචලනය සාපේක්ෂව නියත වනු ඇතැයි අපේක්ෂා කෙරේ. අවශේෂය යම් අගයකදී (විෂමතා) විශාල වුවහොත්, ඇස්තමේන්තුව අඩු කාර්යක්ෂම විය හැකිය.
4. අවශේෂවල සාමාන්යභාවය (බොහෝ විට අවශ්ය)
විශේෂයෙන් වැදගත්කම පරීක්ෂා කිරීමේ අරමුණු සඳහා, අවශේෂ ආසන්න වශයෙන් සාමාන්යයෙන් බෙදා හැරිය යුතුය.
5. දෝෂ වලින් ස්වාධීන වීම
නිරීක්ෂණ අතර දෝෂ සහසම්බන්ධ නොවිය යුතුය. මෙම ගැටළුව බොහෝ විට කාල ශ්රේණි දත්ත වලදී පැන නගී.
උපකල්පන පරීක්ෂා කිරීම සාමාන්යයෙන් සිදු කරනු ලබන්නේ අවශේෂ ප්රස්ථාර, සංඛ්යානමය පරීක්ෂණ (උදා: බහුකොලීනියරිටි සඳහා VIF) සහ අනෙකුත් රෝග විනිශ්චය විශ්ලේෂණ හරහාය.
-
ආකෘති ගුණාත්මකභාවය මැනීම: R² සහ වැදගත්කම පරීක්ෂණ
බහු ප්රතිගමනයේදී, පොදු දර්ශක කිහිපයක් භාවිතා වේ:
– R² (නිර්ණය කිරීමේ සංගුණකය)
ආකෘතිය මගින් පැහැදිලි කළ හැකි Y හි විචලනයේ අනුපාතය පෙන්වයි. R² අගයන් 0–1 දක්වා පරාසයක පවතී. R² විශාල වන තරමට, ස්වාධීන විචල්යය පැහැදිලි කරන විචලනය වැඩි වේ. කෙසේ වෙතත්, විශාල R² ස්වයංක්රීයව ආකෘතිය "නිවැරදි" යැයි අදහස් නොකෙරේ; අධික ලෙස සවි කිරීම සිදුවිය හැකිය.
– සකස් කළ R²
ස්වාධීන විචල්ය ගණන සැලකිල්ලට ගන්නා R² අනුවාදයකි. මෙය විවිධ විචල්ය සංඛ්යා සමඟ ආකෘති සංසන්දනය කිරීමට උපකාරී වේ.
– F පරීක්ෂණය (එකවර)
ස්වාධීන විචල්යයන් එක්ව Y මත සැලකිය යුතු බලපෑමක් ඇති කරන්නේ දැයි පරීක්ෂා කිරීම.
– ටී-පරීක්ෂණය (අර්ධ)
එක් එක් සංගුණකය (b1, b2, ආදිය) සංඛ්යානමය වශයෙන් වැදගත් දැයි පරීක්ෂා කරන්න.
මෙම පරීක්ෂණය සමඟින්, පර්යේෂකයන්ට ආකෘතිය ප්රයෝජනවත්ද යන්න සහ කුමන විචල්යයන් ඇත්ත වශයෙන්ම දායක වේද යන්න තක්සේරු කළ හැකිය.
-
බහුවිධ ප්රතිගමනයේ වාසි සහ සීමාවන්
අතිරික්තය
- එය එකවර බොහෝ සාධක සැලකිල්ලට ගන්නා නිසා වඩාත් යථාර්ථවාදී ය.
- පුරෝකථනය සහ පැහැදිලි කිරීම සඳහා භාවිතා කළ හැකිය.
– අර්ධ බලපෑම් විශ්ලේෂණයට (අනෙකුත් විචල්ය පාලනය) ඉඩ සලසයි.
– එය සංඛ්යාලේඛන සහ යන්ත්ර ඉගෙනීමේ බොහෝ දියුණු ක්රම සඳහා පදනම වේ.
සීමාවන්
– බහු සහසම්බන්ධතාවයට ගොදුරු වීමේ හැකියාව.
– උපකල්පන සපුරා නොමැති නම් ප්රතිඵල නොමඟ යවන සුළු විය හැකිය.
– හේතුඵල සම්බන්ධතාවයක් ස්වයංක්රීයව දක්වන්නේ නැත; ප්රතිගමනය සම්බන්ධය පෙන්වන අතර, හේතුඵල සම්බන්ධතාවයට ශක්තිමත් පර්යේෂණ සැලසුමක් අවශ්ය වේ.
- දත්ත ප්රමාණයට සාපේක්ෂව ඕනෑවට වඩා විචල්යයන් තිබේ නම් අධික ලෙස සවි කිරීම සිදුවිය හැක.
-
වසා දැමීම
බහු ප්රතිගමනය යනු තනි යැපෙන විචල්යයක් සහ බහු ස්වාධීන විචල්යයන් අතර සම්බන්ධතාවය විශ්ලේෂණය කිරීම සඳහා වැදගත් සංඛ්යානමය මෙවලමකි. සාපේක්ෂව සරල සමීකරණයක් භාවිතා කරමින්, මෙම ක්රමය පර්යේෂකයන්ට සහ වෘත්තිකයන්ට බලපෑම්කාරී සාධක තේරුම් ගැනීමට, එක් එක් විචල්යයේ බලපෑමේ ශක්තිය මැනීමට සහ තනි සාධකයක් පමණක් භාවිතා කිරීමට වඩා නිවැරදි අනාවැකි පළ කිරීමට උපකාරී වේ.
කෙසේ වෙතත්, බහු ප්රතිගමනය "මැජික් මෙවලමක්" නොවේ. නිවැරදි අර්ථ නිරූපණය සහතික කිරීම සඳහා එයට හොඳ දත්ත ගුණාත්මකභාවය, සාධාරණ විචල්ය තේරීම සහ උපකල්පන පරීක්ෂාව අවශ්ය වේ. සුදුසු පරිදි භාවිතා කළ විට, බහු ප්රතිගමනය විවිධ ක්ෂේත්රවල දත්ත මත පදනම් වූ තීරණ ගැනීම සඳහා ශක්තිමත් පදනමක් සැපයිය හැකිය.
ඔබට අවශ්ය නම්, සරල ගණනය කිරීමේ උදාහරණ සහ SPSS/Excel/R ප්රතිදානය කියවන ආකාරය සමඟ සම්පූර්ණ වූ නිශ්චිත සන්දර්භයක් සඳහා (උදා: නිබන්ධනයක් සඳහා, ව්යාපාර සඳහා හෝ උසස් පාසල් පාඨකයින් සඳහා) මෙම ලිපියේ අනුවාදයක් නිර්මාණය කිරීමට මට ඔබට උදව් කළ හැකිය.
