සංඛ්යාලේඛනවල සහසම්බන්ධතාවය සහ ප්රතිගමනය
සංඛ්යාලේඛන යනු දත්ත රැස් කිරීම, විශ්ලේෂණය, අර්ථ නිරූපණය සහ ඉදිරිපත් කිරීම කෙරෙහි අවධානය යොමු කරන ගණිත අංශයකි. සංඛ්යාලේඛනවල ඉතා වැදගත් සංකල්ප දෙකක් වන්නේ සහසම්බන්ධතාවය සහ ප්රතිගාමීත්වයයි. විචල්යයන් අතර සම්බන්ධතා පුරෝකථනය කිරීමට සහ තේරුම් ගැනීමට ආර්ථික විද්යාව, ජීව විද්යාව, සමාජ විද්යාව සහ තාක්ෂණය ඇතුළු විවිධ ක්ෂේත්රවල මෙම සංකල්ප නිතර භාවිතා වේ.
සහසම්බන්ධය
සරලව කිවහොත්, සහසම්බන්ධය යනු විචල්ය දෙකක් අතර රේඛීය සම්බන්ධතාවයක ශක්තිය සහ දිශාව මැනීමකි. සහසම්බන්ධය සංගුණකය හරහා ලබා ගත හැකි අතර එය සාමාන්යයෙන් \( r \) ලෙස දැක්වේ. \( r \) හි අගය -1 සිට +1 දක්වා පරාසයක පවතී. \( r \) හි අගය පිළිබඳ අර්ථ නිරූපණය මෙන්න:
– \( r = +1 \): එක් විචල්යයක වැඩිවීමක් සෑම විටම අනෙක් විචල්යයේ වැඩිවීමක් සමඟ සිදුවන විචල්ය දෙක අතර පරිපූර්ණ ධනාත්මක රේඛීය සම්බන්ධතාවයක් දක්වයි.
– \( r = -1 \): එක් විචල්යයක වැඩිවීමක් සෑම විටම අනෙක් විචල්යයේ අඩුවීමක් සමඟ සිදුවන පරිපූර්ණ සෘණ රේඛීය සම්බන්ධතාවයක් දක්වයි.
– \( r = 0 \): විචල්ය දෙක අතර රේඛීය සම්බන්ධතාවයක් නොමැත.
ඊට අමතරව, +1 හෝ -1 ට ආසන්න \( r \) අගයක් ශක්තිමත් රේඛීය සම්බන්ධතාවයක් පෙන්නුම් කරන අතර, 0 ට ආසන්න \( r \) අගයක් දුර්වල සම්බන්ධතාවයක් පෙන්නුම් කරයි.
ප්රායෝගිකව සහසම්බන්ධතාවයේ උදාහරණ
උදාහරණයක් ලෙස, සිසුන් අධ්යයනය සඳහා ගත කරන කාලය සහ ඔවුන්ගේ විභාග ලකුණු අතර සම්බන්ධතාවයක් තිබේද යන්න තීරණය කිරීමට අපට අවශ්ය යැයි සිතමු. අපට සිසුන් කණ්ඩායමකින් ඔවුන් අධ්යයනය සඳහා ගත කරන පැය ගණන සහ ඔවුන්ගේ විභාග ලකුණු පිළිබඳ දත්ත රැස් කළ හැකිය. එවිට අපට විචල්ය දෙක අතර සම්බන්ධතාවයේ ශක්තිය තීරණය කිරීම සඳහා සහසම්බන්ධතා සංගුණකයක් ගණනය කළ හැකිය.
ගණනය කිරීමේ ප්රතිඵල \( r = 0.8 \) අගයක් පෙන්නුම් කරන්නේ නම්, අධ්යයන කාලය සහ විභාග ලකුණු අතර ශක්තිමත් ධනාත්මක සම්බන්ධතාවයක් ඇති බව අපට නිගමනය කළ හැකිය. මෙයින් අදහස් කරන්නේ සිසුන් අධ්යයනය සඳහා වැඩි කාලයක් ගත කරන තරමට ඔවුන්ගේ විභාග ලකුණු වැඩි වන බවයි.
සහසම්බන්ධතාවයේ සීමාවන්
සහසම්බන්ධය විචල්ය දෙකක් අතර සම්බන්ධතාවය පිළිබඳ වටිනා තොරතුරු සපයන අතර, සහසම්බන්ධය හේතුඵල සම්බන්ධතාවයක් අදහස් නොකරන බව මතක තබා ගැනීම වැදගත්ය. විචල්ය දෙකක් දැඩි ලෙස සහසම්බන්ධ වන නිසා එක් විචල්යයක් අනෙකෙහි වෙනස්කම් ඇති කරන බව අදහස් නොවේ. මෙම සම්බන්ධතාවය වෙනත්, නිරීක්ෂණය නොකළ විචල්යයන් නිසා ඇති විය හැක.
පසුබෑම
ප්රතිගමනය, විශේෂයෙන් රේඛීය ප්රතිගමනය, යනු ස්වාධීන විචල්ය එකක් හෝ කිහිපයක් (පුරෝකථක) සහ යැපෙන විචල්යයක් (ප්රතිචාරය) අතර සම්බන්ධතාවය ආකෘතිකරණය කිරීමට සහ විශ්ලේෂණය කිරීමට භාවිතා කරන සංඛ්යානමය ක්රමයකි. ප්රතිගමනය මඟින් ස්වාධීන විචල්යයන්ගේ අගයන් මත පදනම්ව යැපෙන විචල්යයක අගය පුරෝකථනය කිරීමට සහ ස්වාධීන විචල්යයන් යැපෙන විචල්යයට කොතරම් දුරට බලපාන්නේද යන්න තේරුම් ගැනීමට අපට ඉඩ සලසයි.
සරල රේඛීය ප්රතිගමනයට එක් ස්වාධීන විචල්යයක් සහ එක් යැපෙන විචල්යයක් ඇතුළත් වේ. සරල රේඛීය ප්රතිගමන ආකෘතිය සමීකරණය මගින් ප්රකාශ වේ:
\[ Y = a + bX + \එප්සිලන් \]
මා:
– \( Y \) යනු යැපෙන විචල්යයයි.
– \( X \) යනු ස්වාධීන විචල්යයයි.
– \( a \) යනු අන්තඃඛණ්ඩය (\( X = 0 \) විට \( Y \) හි අගය) වේ.
– \( b \) යනු ප්රතිගාමී සංගුණකය (ප්රතිගාමී රේඛාවේ බෑවුම) වේ.
– \( \epsilon \) යනු දෝෂය හෝ අවශේෂය වන අතර එය නිරීක්ෂණය කළ අගය සහ පුරෝකථනය කළ අගය අතර වෙනස වේ.
ප්රායෝගිකව පසුබෑමේ උදාහරණ
උදාහරණයක් ලෙස, අධ්යයන කාලය සහ පරීක්ෂණ ලකුණු සමඟ එකම උදාහරණයේදී, අධ්යයන පැය ගණන මත පදනම්ව පරීක්ෂණ ලකුණු පුරෝකථනය කිරීමට අපට අවශ්ය වේ. අපි සිසුන් කිහිප දෙනෙකුගෙන් දත්ත රැස් කර, පසුව ප්රතිගාමී රේඛාවේ සමීකරණය සොයා ගැනීමට රේඛීය ප්රතිගාමී විශ්ලේෂණය භාවිතා කරමු.
උදාහරණයක් ලෙස විශ්ලේෂණයේ ප්රතිඵල මගින් ප්රතිගාමී සමීකරණය සපයයි:
\[ \text{විභාග ලකුණු} = 50 + 5 \times (\text{අධ්යයන පැය}) \]
මෙයින් අදහස් කරන්නේ අධ්යයනය කිරීමට ගතවන සෑම අමතර පැයක්ම පරීක්ෂණ ලකුණු 5 කින් වැඩි කරන බවත්, මූලික ලකුණු (අන්තරාවර්තනය) ලකුණු 50 කින් වැඩි කරන බවත් උපකල්පනය කෙරේ.
සහසම්බන්ධතාවය සහ ප්රතිගමනය ඒකාබද්ධව භාවිතා කිරීම
විචල්ය අතර සම්බන්ධතාවය පිළිබඳ වඩාත් සම්පූර්ණ චිත්රයක් ලබා ගැනීම සඳහා සහසම්බන්ධතාවය සහ ප්රතිගාමීත්වය බොහෝ විට එකට භාවිතා කරයි. පළමුව, විචල්ය දෙකක් අතර සැලකිය යුතු සම්බන්ධතාවයක් තිබේද යන්න තීරණය කිරීමට අපට සහසම්බන්ධතාවය භාවිතා කළ හැකිය. තිබේ නම්, අපට එම සම්බන්ධතාවය ආකෘතිකරණය කිරීමට සහ අනාවැකි පළ කිරීමට ප්රතිගාමීත්වය භාවිතා කළ හැකිය.
පර්යේෂණයේ සහසම්බන්ධතා සහ ප්රතිගාමී විශ්ලේෂණය
විද්යාත්මක පර්යේෂණ සන්දර්භය තුළ, සහසම්බන්ධතාවය සහ ප්රතිගාමී විශ්ලේෂණය බොහෝ විට අත්යවශ්ය පියවර වේ. පර්යේෂකයන්ට ඔවුන්ගේ දත්ත ගවේෂණය කිරීමට සහ ආරම්භක රටා හෝ සම්බන්ධතා සොයා ගැනීමට සහසම්බන්ධතාවය භාවිතා කළ හැකිය. ඔවුන් සැලකිය යුතු සම්බන්ධතාවයක් සොයාගත් පසු, එය වඩාත් ගැඹුරින් ආකෘතිගත කිරීමට සහ ඔවුන්ගේ උපකල්පන පරීක්ෂා කිරීමට ඔවුන්ට ප්රතිගාමීත්වය භාවිතා කළ හැකිය.
උදාහරණයක් ලෙස, මානසික සෞඛ්යයට බලපාන සාධක පිළිබඳ අධ්යයනයක දී, පර්යේෂකයෙකුට ආතති මට්ටම් සහ නින්දේ ගුණාත්මකභාවය අතර සැලකිය යුතු සෘණාත්මක සහසම්බන්ධයක් ඇති බව සොයා ගත හැකිය. ඊළඟ පියවර වන්නේ මෙම සම්බන්ධතාවය ආදර්ශනය කිරීමට සහ ආතතිය නින්දේ ගුණාත්මක භාවයට කෙතරම් බලපාන්නේද යන්න තීරණය කිරීමට ප්රතිගාමීත්වය භාවිතා කිරීමයි. ඉහළ ආතති මට්ටම් ඇති පුද්ගලයින්ගේ නින්දේ ගුණාත්මකභාවය වැඩි දියුණු කිරීම සඳහා අනාවැකි පළ කිරීමට සහ වඩාත් ඵලදායී මැදිහත්වීම් වර්ධනය කිරීමට පර්යේෂකයන්ට ප්රතිඵලයක් ලෙස ලැබෙන ප්රතිගාමී ආකෘතිය භාවිතා කළ හැකිය.
නිගමනය
සහසම්බන්ධතාවය සහ ප්රතිගමනය යනු දත්ත විශ්ලේෂණයේ දී නිතර භාවිතා වන ඉතා ප්රයෝජනවත් සංඛ්යානමය ශිල්පීය ක්රම දෙකකි. සහසම්බන්ධතාවය අපට විචල්ය දෙකක් අතර සම්බන්ධතාවයේ ශක්තිය සහ දිශාව තේරුම් ගැනීමට උපකාරී වන අතර, ප්රතිගමනය අපට එම සම්බන්ධතාවය ආදර්ශනය කිරීමට සහ අනාවැකි පළ කිරීමට ඉඩ සලසයි.
කෙසේ වෙතත්, සහසම්බන්ධය හේතුඵල සම්බන්ධතාවයක් අදහස් නොකරන බව මතක තබා ගැනීම වැදගත් වන අතර, ඕනෑම ප්රතිගාමී විශ්ලේෂණ ප්රතිඵලයක් ප්රවේශමෙන් අර්ථ නිරූපණය කළ යුතු අතර, ව්යාකූල හෝ බැහැර කළ විචල්යයන් සලකා බැලිය යුතුය. මෙම ශිල්පීය ක්රම දෙක නිසි ලෙස භාවිතා කිරීමෙන් ගැඹුරු අවබෝධයක් ලබා ගත හැකි අතර දත්ත මත පදනම්ව වඩා හොඳ තීරණ ගැනීමට අපට උපකාරී වේ.
නිගමනයක් ලෙස, සහසම්බන්ධය සහ ප්රතිගාමීත්වය යනු දත්ත විශ්ලේෂණයේ මූලික මෙවලම් වන අතර එමඟින් විවිධ පර්යේෂණ ක්ෂේත්ර සහ ප්රායෝගික යෙදීම්වල වටිනා මග පෙන්වීමක් සහ අවබෝධයක් ලබා දිය හැකිය. ගැඹුරු අවබෝධයක් සහ නිසි භාවිතයක් සමඟින්, අපට දත්ත වඩාත් කාර්යක්ෂමව සහ නිවැරදිව සැකසීමට සහ අර්ථ නිරූපණය කිරීමට හැකිය.
