புள்ளியியலில் நேரியல் பின்னடைவு

புள்ளியியலில் நேரியல் பின்னடைவு

தரவுப் பகுப்பாய்வில் மிகவும் அடிப்படையான மற்றும் பரவலாகப் பயன்படுத்தப்படும் புள்ளியியல் நுட்பங்களில் நேரியல் பின்னடைவும் ஒன்றாகும். சார்பற்ற (அல்லது முன்கணிப்பான்) மற்றும் சார்புள்ள (அல்லது எதிர்வினை) மாறிகளுக்கு இடையிலான உறவைப் புரிந்துகொள்ளவும் மாதிரியாக்கவும் இது நமக்கு உதவுகிறது. அதன் எளிமை மற்றும் விளக்கக்கூடிய தன்மை காரணமாக, பொருளாதாரம், உயிரியல், பொறியியல், சமூக அறிவியல் மற்றும் பல துறைகள் உட்பட பல்வேறு துறைகளில் நேரியல் பின்னடைவு பிரபலமாக உள்ளது.

நேரியல் பின்னடைவுக்கான அறிமுகம்

நேரியல் பின்னடைவு என்பது இரண்டு அல்லது அதற்கு மேற்பட்ட மாறிகளுக்கு இடையே ஒரு நேரியல் உறவைக் கண்டறிவதை நோக்கமாகக் கொண்டுள்ளது. அதன் எளிய வடிவமான எளிய நேரியல் பின்னடைவில், ஒரு சார்பற்ற மாறிக்கும் ஒரு சார்பு மாறிக்கும் இடையிலான உறவை நாம் ஒரு நேர்கோடாக மாதிரியாக்குகிறோம். எளிய நேரியல் பின்னடைவுக்கான அடிப்படை கணிதச் சமன்பாடு பின்வருமாறு கூறப்படுகிறது:

\[ Y = \beta_0 + \beta_1X + \epsilon \]

எங்கே:
– \$ Y \$$ என்பது சார்பு மாறி அல்லது எதிர்வினை மாறி ஆகும்.
– \$ X \$$ என்பது சார்பற்ற அல்லது முன்கணிப்பு மாறி ஆகும்.
– \$ \beta_0 \$$ என்பது இடைவெட்டு (தொடர்ச்சியற்ற கோடு Y-அச்சை வெட்டும் புள்ளி).
– \$ \beta_1 \$$ என்பது சாய்வு (தொடர்புப் பின்னடைவுக் கோட்டின் சரிவு).
– \$ \epsilon \$$ என்பது, தரவு சிறந்த பொருத்தக் கோட்டிலிருந்து எவ்வளவு விலகியுள்ளது என்பதை விவரிக்கும் பிழை (மீதம்) ஆகும்.

பன்முக நேரியல் பின்னடைவில், ஒன்றுக்கு மேற்பட்ட சார்பற்ற மாறிகளைக் கையாள்வதற்காக இந்தக் கருத்தை நாம் பின்வருமாறு விரிவுபடுத்துகிறோம்:

\[ Y = \beta_0 + \beta_1X_1 + \beta_2X_2 + … + \beta_nX_n + \epsilon \]

இங்கு, \$ X_1, X_2, …, X_n \$$ என்பவை சார்பற்ற மாறிகள், மற்றும் \$ \beta_1, \beta_2, …, \beta_n \$$ என்பவை ஒவ்வொரு சார்பற்ற மாறியும் சார்பு மாறியின் மீது ஏற்படுத்தும் விளைவை அளவிடும் பின்னடைவுக் கெழுக்கள் ஆகும்.

அளவுரு மதிப்பீடு

நேரியல் பின்னடைவில் அளவுரு மதிப்பீடு பொதுவாக சாதாரண குறைந்தபட்ச வர்க்கங்கள் (OLS) முறையைப் பயன்படுத்தி செய்யப்படுகிறது. இந்த முறை, கணிக்கப்பட்ட மற்றும் உண்மையான மதிப்புகளுக்கு இடையிலான வேறுபாடுகளின் வர்க்கங்களின் கூட்டுத்தொகையைக் குறைக்கிறது. கணிதரீதியாக, OLS முறையானது பின்வரும் சார்பைக் குறைக்கும் குணகங்களான \$ \beta \$$-ஐக் கண்டறிகிறது:

\[ \sum_{i=1}^{n} (Y_i – (\beta_0 + \beta_1X_{i1} + \beta_2X_{i2} + … + \beta_nX_{in}))^2 \]

இந்தக் குறைத்தல் செயல்முறையானது, கிடைக்கப்பெற்ற தரவுகளுக்கு மிகச்சரியாகப் பொருந்தும் குணகங்களை உருவாக்கி, மொத்த வர்க்கப் பிழையைக் குறைக்கும் ஒரு பின்னடைவுக் கோட்டை அளிக்கிறது.

நேரியல் பின்னடைவு அனுமானங்கள்

சரியான பயன்பாட்டிற்கும் முடிவுகளின் நம்பகத்தன்மைக்கும், நேரியல் பின்னடைவு பல அனுமானங்களைக் கொண்டுள்ளது, அவை பூர்த்தி செய்யப்பட வேண்டும்:
1. நேர்கோட்டுத்தன்மை: சார்பற்ற மற்றும் சார்பு மாறிகளுக்கு இடையேயான தொடர்பு நேர்கோட்டுத் தன்மையுடையது.
2. சார்பின்மை: மீதங்கள் (பிழைகள்) ஒன்றுக்கொன்று சார்பற்றவை.
3. சம பரவல் தன்மை: சார்பற்ற மாறியின் அனைத்து மதிப்புகளுக்கும் மீதமுள்ள மாறுபாடு மாறிலியாக இருக்கும்.
4. இயல்புநிலை: மீதங்கள் இயல்நிலைப் பரவலைப் பின்பற்றுகின்றன.

இந்த அனுமானங்கள் மீறப்பட்டால், பின்னடைவுப் பகுப்பாய்வு முடிவுகள் செல்லாதவையாகவும் தவறாக வழிநடத்துபவையாகவும் ஆகிவிடும். எனவே, முடிவுகளுக்கு வருவதற்கு முன்பு, பின்னடைவுப் பகுப்பாய்வு கண்டறிதல் மூலம் இந்த அனுமானங்களைச் சரிபார்ப்பது முக்கியம்.

பயன்பாடு மற்றும் பிரயோகம்

நேரியல் பின்னடைவு அதன் எளிமை மற்றும் பன்முகத்தன்மை காரணமாக பரவலாகப் பயன்படுத்தப்படுகிறது. பல்வேறு துறைகளில் அதன் பயன்பாடுகளுக்கான சில எடுத்துக்காட்டுகள் இங்கே கொடுக்கப்பட்டுள்ளன:
1. பொருளியல்: பொருட்களின் விலையை, உற்பத்திச் செலவுகள், சந்தைத் தேவை மற்றும் பிற காரணிகளுடன் தொடர்புபடுத்துதல்.
2. நிதி: இடர் அல்லது பொருளாதாரக் காரணிகளின் அடிப்படையில் பங்கு வருமானங்களை மாதிரியாக்குதல்.
3. உயிரியல்: ஒரு குறிப்பிட்ட மருந்தின் அளவுக்கும் அதன் செயல்திறனுக்கும் உள்ள தொடர்பை ஆராய்கிறது.
4. சமூகம்: கல்விக்கும் வருமானத்திற்கும் இடையிலான உறவைப் பகுப்பாய்வு செய்தல்.

மேலும், தரவு முன்னறிவிப்பு அல்லது கணிப்பில் நேரியல் பின்னடைவு அடிக்கடி பயன்படுத்தப்படுகிறது. வரலாற்றுத் தரவுகளில் உள்ள போக்குகளைப் பகுப்பாய்வு செய்வதன் மூலம், எதிர்கால மதிப்புகளைக் கணிக்க நேரியல் பின்னடைவைப் பயன்படுத்தலாம்.

மாதிரி மதிப்பீடு

நேரியல் பின்னடைவு மாதிரியானது போதுமானதாகவும், தரவை போதுமான அளவு விளக்குவதாகவும் இருப்பதை உறுதி செய்வதற்காக மாதிரி மதிப்பீடு செய்யப்படுகிறது. இந்த மாதிரி மதிப்பீட்டில் பல அளவீடுகள் அடிக்கடி பயன்படுத்தப்படுகின்றன, அவற்றுள் சில:
– R-வர்க்கம் (R^2): சார்பு மாறியின் மொத்த மாறுபாட்டில், பின்னடைவு மாதிரியால் விளக்கப்படும் விகிதத்தை இது அளவிடுகிறது. R^2 மதிப்புகள் 0 முதல் 1 வரை இருக்கும், அதிக மதிப்புகள் சிறந்த மாதிரியைக் குறிக்கின்றன.
– சரிசெய்யப்பட்ட R-வர்க்கம் : பயன்படுத்தப்பட்ட சார்பற்ற மாறிகளின் எண்ணிக்கையின் அடிப்படையில் R-வர்க்கத்தைச் சரிசெய்கிறது, மாதிரியின் ஒட்டுமொத்த முக்கியத்துவத்தைத் தீர்மானிக்க F-புள்ளியியல் பெரும்பாலும் பயன்படுத்தப்படுகிறது.
– சராசரி வர்க்கப் பிழை (MSE): உண்மையான மற்றும் கணிக்கப்பட்ட மதிப்புகளுக்கு இடையேயான வர்க்க வேறுபாடுகளின் சராசரி.

நோயறிதல் மற்றும் சரிபார்ப்பு

முன்கணிப்பு அல்லது மேலதிக முடிவெடுப்பதற்காக ஒரு பின்னடைவு மாதிரியைப் பயன்படுத்துவதற்கு முன்பு, பின்னடைவு கண்டறிதல் சோதனைகளை மேற்கொள்வது முக்கியம். சில பொதுவான கண்டறிதல் நுட்பங்கள் பின்வருமாறு:
1. எச்ச வரைபடம்: நேர்கோட்டுத்தன்மை மற்றும் சம மாறுபாட்டுத்தன்மையை மதிப்பிடுக.
2. QQ வரைபடம்: மீதங்களின் இயல்புத்தன்மையை மதிப்பிடுக.
3. டர்பின்-வாட்சன் சோதனை: எஞ்சிய தன்னியக்கத் தொடர்பைச் சோதிக்கிறது.
4. மாறுபாடு பணவீக்கக் காரணி (VIF): சார்பற்ற மாறிகளுக்கு இடையேயான பன்முக நேர்கோட்டுத்தன்மையைக் கண்டறிதல்.

இந்தப் பரிசோதனை முறைகளின் பயன்பாடு, ஏற்படக்கூடிய சிக்கல்களைக் கண்டறிய உதவுவதோடு, பயனர்கள் தேவையான சரிசெய்தல்களையோ அல்லது தரவு உருமாற்றங்களையோ செய்யவும் அனுமதிக்கிறது.

சிக்கல்கள் மற்றும் வரம்புகள்

நேரியல் பின்னடைவு ஒரு சக்திவாய்ந்த கருவியாக இருந்தாலும், அதற்கும் சில வரம்புகள் உள்ளன. சில பொதுவான சிக்கல்கள் பின்வருமாறு:
– பன்முக நேர்கோட்டுத்தன்மை: சார்பற்ற மாறிகள் ஒன்றுக்கொன்று அதிகத் தொடர்பு கொண்டிருக்கும்போது இது ஏற்படுகிறது. இது நிலையற்ற குணக மதிப்பீடுகளுக்கும் குழப்பமான விளக்கங்களுக்கும் வழிவகுக்கும்.
– புறமதிப்புகள்: உச்சபட்ச தரவு மதிப்புகள் பின்னடைவு முடிவுகளைத் திரித்துவிடக்கூடும்.
– நேர்கோட்டுத்தன்மை இன்மை: மாறிகளுக்கு இடையேயான தொடர்பு நேர்கோட்டுத்தன்மை அற்றதாக இருந்தால், நேரியல் பின்னடைவு அவ்வளவு பொருத்தமானதாக இருக்காது. சில சமயங்களில், ஒரு நேர்கோட்டுத்தன்மை அற்ற மாதிரி மிகவும் பொருத்தமானதாக இருக்கலாம்.
– மாறுபட்ட பரவல்: மீதமுள்ள மாறுபாட்டை மாற்றுவது, திறனற்ற குணக மதிப்பீடுகளுக்கு வழிவகுக்கலாம்.

முடிவுரை

தரவுப் பகுப்பாய்வில் நேரியல் பின்னடைவு ஒரு முக்கியமான புள்ளியியல் நுட்பமாகும். நேரியல் பின்னடைவைப் பயன்படுத்தி, ஒன்று அல்லது அதற்கு மேற்பட்ட சார்பற்ற மாறிகளுக்கும் ஒரு சார்பு மாறிக்கும் இடையிலான உறவை நாம் புரிந்துகொண்டு மாதிரியாக்கலாம். நேரியல் பின்னடைவு ஒரு எளிய மற்றும் எளிதில் புரிந்துகொள்ளக்கூடிய கருவியாக இருந்தாலும், சரியான முடிவுகளை உறுதிசெய்ய, அதன் அடிப்படை அனுமானங்களை எப்போதும் சரிபார்ப்பதும் பின்னடைவு கண்டறிதல் சோதனைகளை மேற்கொள்வதும் அவசியமாகும். சில வரம்புகள் இருந்தபோதிலும், சரியான அணுகுமுறை மற்றும் சரிசெய்தல்களுடன், நேரியல் பின்னடைவு பரந்த அளவிலான துறைகளில் உள்ள பல நடைமுறைப் பயன்பாடுகளில் மிகவும் பயனுள்ள முறையாகத் திகழ்கிறது.