අන්තර්ගත වගුව
ප්‍රතිගාමී විශ්ලේෂණය SPSS , R, වැනි සෑම වර්ගයකම පාහේ සංඛ්‍යානමය මෘදුකාංගයක් වන අතර Excel ගැන සඳහන් නොකළ යුතුය. විචල්‍යයන් අතර සම්බන්ධතා පිළිබඳ විශාල චිත්‍රයක් ප්‍රතිගමනය අපට ලබා දිය හැක. Data Analysis මෙවලම භාවිතයෙන් Excel හි රේඛීය ප්‍රතිගාමීත්වය ඉතා ඉක්මනින් සිදු කළ හැක. Excel හි ප්‍රතිගාමී ප්‍රතිඵල අර්ථකථනය කරන ආකාරය මෙම ලිපියෙන් පෙන්වනු ඇත.
ප්‍රායෝගික වැඩපොත බාගන්න
මෙම පුහුණු වැඩපොත පහතින් බාගන්න.
ප්‍රතිගාමී ප්‍රතිඵල අර්ථකථනය කරන්න.xlsx
ප්‍රතිගාමීත්වය යනු කුමක්ද?
ප්‍රතිගාමී විශ්ලේෂණය බොහෝ විට දත්ත විශ්ලේෂණයේදී බහු විචල්‍යයන් අතර ආශ්‍ර තීරණය කිරීමට භාවිතා කරයි. ස්වාධීන විචල්‍ය වලින් එකක් වෙනස් වුවහොත් පරායත්ත විචල්‍යයට කුමක් සිදුවේද යන්න තෝරා ගැනීමට ප්‍රතිගාමී විශ්ලේෂණය ඔබට ඉඩ සලසයි. එය ඔබට ගණිතමය වශයෙන් කුමන ස්වාධීන විචල්‍යයන්ට බලපෑමක් ඇති දැයි සොයා ගැනීමටද ඉඩ සලසයි.
සරල රේඛීය ප්‍රතිග්‍රහනය සංඛ්‍යාලේඛනවල බහු රේඛීය ප්‍රතිග්‍රහනයකින් වෙනස් වේ. රේඛීය ශ්‍රිතයක් භාවිතා කරමින්, සරල රේඛීය ප්‍රතිගාමී විශ්ලේෂණය විචල්‍යයන් සහ එක් ස්වාධීන විචල්‍යයක් අතර සම්බන්ධය කරයි. බහු රේඛීය ප්‍රතිග්‍රහනය යනු විචල්‍යයන් තීරණය කිරීම සඳහා පැහැදිලි කිරීමේ සාධක දෙකක් හෝ වැඩි ගණනක් භාවිතා කරන විටය. දත්ත සම්බන්ධතා රේඛීය නොවන බැවින් පරායත්ත විචල්‍යය වෙනුවට රේඛීය නොවන ප්‍රතිගාමීත්වය භාවිතා කිරීම රේඛීය නොවන ශ්‍රිතයක් ලෙස විස්තර කෙරේ. මෙම ලිපිය බහු රේඛීය වෙත අවධානය යොමු කරනු ඇතප්‍රතිගමනය ඔබට Excel හි ප්‍රතිගාමී ප්‍රතිඵල අර්ථකථනය කළ හැකි ආකාරය නිරූපණය කිරීමට
Excel හි ප්‍රතිගමනය කිරීමට පියවර
ප්‍රතිගාමී අරමුණු සඳහා, අපි පහත දත්ත කට්ටලය භාවිතා කරන්නෙමු. විශ්ලේෂණ අරමුණු. මෙහි ස්වාධීන විචල්‍යය වනුයේ Price column සහ Sold column වේ. ස්වාධීන තීරුව ඉල්ලුම තීරුව වේ.
පියවර
- 10>අපිට Data ටැබයට ගොස් ප්‍රතිගමනය කිරීමට Data Analysis මත ක්ලික් කරන්න .
- නව කවුළුවක් ඇත; රඳා පවතින විචල්‍යය සහ ස්වාධීන විචල්‍ය දත්ත පරාසය තෝරන්න.
- ඉන්පසු ලේබල් කොටුව සහ විශ්වාසය කොටුව සලකුණු කරන්න.
- ඉන්පසු ප්‍රතිදාන සෛල පරාසය මත ක්ලික් කරන්න. ප්‍රතිදාන සෛල ලිපිනය තේරීමට කොටුව
- ඊළඟට, අවශේෂ ගණනය කිරීමට අවශේෂ මත ලකුණු කරන්න.
- ඉන් පසු, අවශේෂ බිම් කොටස් සහ Line Fit Plots boxes
- මෙයින් පසු OK ක්ලික් කරන්න.
- ක්ලික් කිරීමෙන් පසු හරි, විශ්ලේෂණයේ ප්‍රාථමික ප්‍රතිදාන පරාමිති නියමිත කොටුවල ඇත.
- එවිට ඔබට පරාමිති කිහිපයක්ද ලැබෙනු ඇත. ANOVA ( විචලනය පිළිබඳ විශ්ලේෂණය ) වගුවේ ඇති වැදගත් අගය යනාදිය.
- මෙහි, df දක්වන්නේ විචල්‍ය ප්‍රභවයට අදාළ නිදහසේ උපාධිය.
- SS වර්ග එකතුව දක්වයි. ඔබේ ආකෘතිය දත්ත වඩා හොඳින් පිළිබිඹු කරයි නම් අවශේෂ SS යනු මුළු SS ට වඩා කුඩාය.
- MS යනු වර්ග වේ.
- F ශුන්‍ය කල්පිතය සඳහා F -පරීක්‍ෂණය දක්වයි.
- වැදගත්කම F P -අගය F දක්වයි.
- එවිට ඔබට වගුවක විචල්‍යයේ සංගුණක, වැදගත්කමේ අගය ආදියද ලැබේ.
- ඉන්පසු ඔබට එක් එක් ප්‍රවේශය සඳහා අවශේෂ අගය අඩංගු සංගුණක වගුවට පහළින් අවසාන වගුවක් ලැබෙනු ඇත.
- ඊළඟට, ඔබට ඉල්ලුම එදිරිව මිල ප්‍රතිගාමී ප්‍රස්ථාරය, ප්‍රවණතා රේඛාවක් සමඟ ලැබෙනු ඇත.
- පසු මෙය, ඔබට ඉල්ලුම එදිරිව විකිණූ ප්‍රවනතා ප්‍රස්ථාරයක් සහිත ප්‍රතිගාමී සටහනක් ලැබේ විකිණූ විචල්‍යයේ එක් එක් ප්‍රවේශයේ අවශේෂ බෙදාහැරීම පෙන්වන ප්‍රස්ථාරය මිල විචල්‍යයෙන් එක් එක් ප්‍රවේශය.
ඊළඟට, අපි ඔබට පෙන්වන්නම් n Excel හි මෙම ප්‍රතිගාමී ප්‍රතිඵල විග්‍රහ කරන්න.
වැඩිදුර කියවන්න: Excel හි Logistic Regression කරන්නේ කෙසේද (ඉක්මන් පියවර සමඟ)
අර්ථකථනය කරන්නේ කෙසේද Excel හි ප්‍රතිගාමී ප්‍රතිඵල
ප්‍රතිගමන විශ්ලේෂණය කර ඒවා අර්ථකථනය කිරීමෙන් පසු ඔබ කළ යුතු ඊළඟ දෙය. ප්‍රතිඵල පහතින් විස්තර කර විස්තාරනය කර ඇත.
බහු R-චතුරස්‍ර ප්‍රතිගාමී අගය විශ්ලේෂණය
R-squared අංකය මඟින් දත්ත කට්ටලයේ මූලද්‍රව්‍ය කෙතරම් සමීපව සම්බන්ධ වී ඇත්ද සහ ප්‍රතිගාමී රේඛාව දත්ත සමඟ කෙතරම් හොඳින් ගැලපේද යන්න දක්වයි. අපි ප්‍රධාන සාධකය මත විචල්‍ය දෙකක් හෝ වැඩි ගණනක බලපෑම තීරණය කිරීමට යන බහු රේඛීය ප්‍රතිගාමී විශ්ලේෂණය භාවිතා කරන්නෙමු. ස්වාධීන විචල්‍ය වලින් එකක් වෙනස් වන විට පරායත්ත විචල්‍යය වෙනස් වන ආකාරය මෙයින් අදහස් කෙරේ. මෙම සංගුණකයේ පරාසය -1 සිට 1 දක්වා වේ. මෙහි
- 1 යනු සමීප ධනාත්මක සම්බන්ධතාවයකි
- 0 යනු විචල්‍යයන් අතර සම්බන්ධතා නොමැති බවයි. වෙනත් වචන වලින් කිවහොත්, දත්ත ලක්ෂ්‍ය අහඹු වේ.
- -1 යනු විචල්‍ය අතර ප්‍රතිලෝම හෝ සෘණ සම්බන්ධතාවකි.
ඉහත පෙන්වා ඇති ප්‍රතිදාන ප්‍රතිඵලවල, ලබා දී ඇති බහු R-අගය වේ. දත්ත කට්ටල o.7578( ආසන්න ), එය විචල්‍යයන් අතර ශක්තිමත් සම්බන්ධතා පෙන්නුම් කරයි.
R වර්ග
R වර්ග අගය මඟින් පරායත්ත විචල්‍යවල ප්‍රතිචාරය ස්වාධීන විචල්‍යයට වෙනස් වන ආකාරය පැහැදිලි කරයි. අපගේ නඩුවේදී, අගය 0.574 (ආසන්න) වේ, එය විචල්‍යයන් අතර සාධාරණ ලෙස නිවැරදි සම්බන්ධතාවයක් ලෙස අර්ථ දැක්විය හැක.
සීරුමාරු කළ R-වර්ග
මෙය හුදෙක් R වර්ග අගයෙහි විකල්ප අනුවාදයකි. මෙය හුදෙක් ප්‍රතිචාර විචල්‍යය පුරෝකථනය කරන අතරම අනාවැකි විචල්‍ය මාරු කරයි. එය ගණනය කරන්නේ
R^2 = 1 – [(1-R^2)*(n-1)/(n-k-1)]
මෙහි, R^2 : අපට ලැබුණු R^2 අගයදත්ත කට්ටලය.
n : නිරීක්ෂණ ගණන.
K : අනාවැකි විචල්‍ය ගණන.
වැදගත්කම predictor විචල්‍ය දෙකක් අතර ප්‍රතිගාමී විශ්ලේෂණයක් සිදු කරන විට මෙම අගය මතු වේ. දත්ත කට්ටලය තුළ අනාවැකි විචල්‍ය එකකට වඩා තිබේ නම්, R වර්ග අගය පුම්බනු ඇත, එය ඉතා නුසුදුසු ය. ගැලපුම් R වර්ග අගය මෙම උද්ධමනය සීරුමාරු කර විචල්‍යයන් පිළිබඳ නිවැරදි චිත්‍රයක් ලබා දෙයි.
සම්මත දෝෂය
තවත් සුදුසු-සුදුසු මෙට්‍රික් එය ඔබගේ ප්‍රතිගාමී විශ්ලේෂණයේ නිරවද්‍යතාවය පෙන්නුම් කරයි; අගය අඩු වන තරමට, ඔබේ ප්‍රතිගාමී විශ්ලේෂණයේ දී ඔබට වඩාත් විශ්වාස කළ හැක.
සම්මත දෝෂය යනු ප්‍රවණතා රේඛාවෙන් ලකුණු අපගමනය වන සාමාන්‍ය දුර නියෝජනය කරන අනුභූතික මෙට්‍රික් එකකි. ඊට වෙනස්ව, R2 නියෝජනය කරන්නේ යැපෙන විචල්‍ය විචල්‍යයේ අනුපාතයයි. මෙම අවස්ථාවෙහිදී, සම්මත දෝෂය හි අගය 288.9 ( ආසන්න ) වේ, එයින් අදහස් කරන්නේ අපගේ දත්ත ලක්ෂ්‍ය සාමාන්‍යයෙන් ප්‍රවණතා රේඛාවෙන් 288.9 පහත වැටෙන බවයි.
නිරීක්ෂණ
නිරීක්ෂණ හෝ ඇතුළත් කිරීම් ගණන දක්වන්න.
සැලකිය යුතු විචල්‍ය නිර්ණය කරන්න
වැදගත් අගය අපගේ විශ්ලේෂණයේ විශ්වසනීයත්වය (සංඛ්‍යානමය වශයෙන් හොඳ) පෙන්නුම් කරයි. වෙනත් වචන වලින් කිවහොත්, එය අපගේ දත්ත කට්ටලය වැරදි වීමේ සම්භාවිතාව දක්වයි. මෙම අගය 5% ට අඩු විය යුතුය. නමුත් මෙම අවස්ථාවේදී, අපගේ වැදගත්කම අගය 0.00117,එය 0.1% ට පරිවර්තනය වන අතර එය 5% ට වඩා බෙහෙවින් අඩු ය. ඉතින් අපේ විග්‍රහය හරි. එසේ නොමැතිනම්, අපගේ විශ්ලේෂණය සඳහා විවිධ විචල්‍යයන් තෝරා ගැනීමට අපට සිදු විය හැක.
ප්‍රතිගාමී විශ්ලේෂණයේ P-අගය
සැලකිය යුතු අගයකට සමීපව සම්බන්ධ කර ඇත, P- අගය සංගුණක අගය වැරදි වීමේ සම්භාවිතාව දක්වයි. P-අගය යනු විචල්‍යයන් සමඟ ශුන්‍ය කල්පිතයේ සම්බන්ධය දක්වයි.
ඔබගේ p-අගය < වැදගත්කම සංඛ්‍යාව, ශුන්‍ය අගය කල්පිතය ප්‍රතික්ෂේප කිරීමට ප්‍රමාණවත් සාක්ෂි තිබේ. මෙයින් අදහස් කරන්නේ විචල්‍යයන් අතර ශුන්‍ය නොවන සහසම්බන්ධයක් පවතින බවයි.
නමුත් p-අගය > වැදගත් අගය නම්, ප්‍රමාණවත් සාක්ෂි නොමැති වනු ඇත null කල්පිතය. විචල්‍ය අතර සහසම්බන්ධයක් නොතිබිය හැකි බව එයින් අදහස් වේ. 0.00117 (වැදගත් අගය),
එබැවින් මෙහි ශුන්‍ය කල්පිතයක් සිදු නොවන අතර, විචල්‍යයන් අතර සහසම්බන්ධයක් ප්‍රකාශ කිරීමට ප්‍රමාණවත් සාක්ෂි ඇත.
අනෙක් අතට, <1 විචල්‍යය සඳහා>විකුණුවා , (P-අගය) 0.0038515 < 0.0011723 (වැදගත් අගය)
එබැවින් මෙහි ශුන්‍ය උපකල්පනයක් සිදු විය හැකි අතර, විචල්‍යයන් අතර ශුන්‍ය නොවන සහසම්බන්ධයක් ප්‍රකාශ කිරීමට ප්‍රමාණවත් සාක්ෂි නොමැත.
බොහෝ අවස්ථාවලදී, මෙම P -value දත්ත කට්ටලයේ විචල්‍යයක් තිබේද නැද්ද යන්න තීරණය කරයි. උදාහරණයක් ලෙස, අපි විකිණූ ඉවත් කළ යුතුයදත්ත කට්ටලයේ ශක්තිමත් බව ආරක්ෂා කිරීමට විචල්‍යය.
ප්‍රතිගාමී සමීකරණය
අපි Excel හි රේඛීය ප්‍රතිගාමී විශ්ලේෂණය තීරණය කරන විට, ප්‍රවණතා රේඛාව ද රේඛීය විය යුතුය. සාමාන්‍ය ස්වරූපය වන්නේ:
Y=mX+C.
මෙහි, Y යනු පරායත්ත විචල්‍යය වේ.
සහ X යනු මෙහි ස්වාධීන විචල්‍යය වේ, එයින් අදහස් වන්නේ Y විචල්‍යය මත x විචල්‍යයේ වෙනසෙහි බලපෑම අපි තීරණය කරන බවයි.
C යනු Y-අක්ෂයේ ඡේදනය වීමේ අගය පමණි. line.
මෙම අවස්ථාවේදී, C intercept හි අගය 9502.109853
සහ විචල්‍ය දෙක සඳහා m හි අගය -809.265 සහ 0.424818 වේ.
ඉතින්, අපට වෙනම විචල්‍ය දෙක සඳහා අවසාන සමීකරණය ඇත.
පළමු එක:
Y=-809.265771X+9502.12සහ දෙවන විචල්‍යය සඳහා සමීකරණය වන්නේ:
Y=0.4248X+9502.12සංගුණක
අපට ලැබුණු සංගුණක m1=-809.2655 සහ m2=04248 වේ. සහ interceptor, C= 9502.12 .
- පළමුව, interceptor අගය පෙන්නුම් කරන්නේ මිල ශුන්‍ය වූ විට ඉල්ලුම 9502 වනු ඇති බවයි.
- සහ අගයන් m මිල වෙනස්වීම් ඒකකයකට ඉල්ලුම වෙනස් වන අනුපාතය දක්වයි. මිල සංගුණක අගය -809.265 වන අතර, ඒකක මිල වැඩිවීමක් මඟින් ඉල්ලුම දළ වශයෙන් ඒකක 809 කින් පහත වැටෙනු ඇති බව පෙන්නුම් කරයි.
- දෙවන විචල්‍යය, Sold සඳහා, m අගය 0.424 වේ. මෙයින් ඇඟවෙන්නේ විකුණන ලද අයිතමයකට ඒකක වෙනස් වන බවයිනිෂ්පාදනයේ 0424-කාලීන ඒකක වැඩි වීමක් ඇති කරයි.
අවශේෂ
අවශේෂ මුල් පිටපත සහ ගණනය කළ අතර වෙනස ප්‍රතිගාමී රේඛාවෙන් ඇතුල් වීම වෙනස වේ. අවශේෂ දැක්වෙන්නේ සැබෑ අගය රේඛාවෙන් කෙතරම් දුරින්ද යන්නයි. උදාහරණයක් ලෙස, පළමු ප්‍රවේශය සඳහා ප්‍රතිගාමී විශ්ලේෂණයෙන් ගණනය කළ ප්‍රවේශය 9497 වේ. සහ පළමු මුල් අගය 9500 වේ. එබැවින් ඉතිරිය 2.109 පමණ වේ.
T-සංඛ්‍යාන අගය
T-ස්ථිතික අගය යනු සම්මත අගයෙන් සංගුණකය බෙදීමයි. අගය වැඩි වන තරමට, සංගුණකයේ වඩා හොඳ විශ්වසනීයත්වය පෙන්නුම් කරයි.
මෙම අගයෙහි තවත් වැදගත්කමක් ඇත, එය P-අගය ගණනය කිරීමට අවශ්‍ය වේ.
95% Confidence Interval
මෙහි අපි ආරම්භයේදී 95 ලෙස සකසන විචල්‍යයේ විශ්වාසය. කෙසේ වෙතත් එය වෙනස් විය හැක.
- මෙහි, පහළ 95% හි සංගුණක අගය 8496.84 ලෙස ගණනය කර ඇත, එයින් අදහස් වන්නේ ඉහළ 95% 10507.37 ලෙස ගණනය කෙරේ,
- මෙයින් අදහස් වන්නේ අපගේ ප්‍රධාන සංගුණකය පමණ වේ, 9502.1. අවස්ථා 95% ක් සඳහා අගය 8496 ට වඩා අඩු විය හැකි අතර එය 10507.37 ට වැඩි වීමට 5% සම්භාවිතාවක් ඇත
වැඩිදුර කියවන්න:
4> මතක තබාගත යුතු දේවල්✎ ප්‍රතිගාමී විශ්ලේෂණ ක්‍රමය මගින් පරීක්ෂණයට භාජනය වන විචල්‍යයන් අතර සම්බන්ධතාවය පමණක් තක්සේරු කරයි. එය හේතුකාරකයක් ස්ථාපිත නොකරයි. වෙනත් ආකාරයකින්, අංගය පමණිසහසම්බන්ධතාවය සලකා බලයි. යම් ක්‍රියාවක් යම් දෙයකට හේතු වන විට එය හේතුකාරකයක් බවට පත් වේ. එක් විචල්‍යයක වෙනස්වීමක් වෙනස්කම් ඇති කරන විට, එය හේතුකාරකයක් ලෙස සැලකිය හැක.
✎ ප්‍රතිගාමී විශ්ලේෂණය පිටස්තරයන් විසින් දැඩි ලෙස බාධා කරයි. විශ්ලේෂණය සිදු කිරීමට පෙර සියලු වර්ගවල පිටස්තර ඉවත් කළ යුතුය. Excel හි ප්‍රතිගාමී විශ්ලේෂණ ප්‍රතිඵල විශ්ලේෂණය කිරීමට සහ අර්ථ නිරූපණය කිරීමට, ඔබ මෙම කරුණු සලකා බැලිය යුතුය.
නිගමනය
එය සාරාංශ කිරීම සඳහා, “Excel හි ප්‍රතිගාමී ප්‍රතිඵල අර්ථකථනය කරන්නේ කෙසේද” යන ප්‍රශ්නයට විස්තීර්ණ ලෙස පිළිතුරු සපයනු ලැබේ. එය විශ්ලේෂණය කිරීම සහ පසුව අර්ථ නිරූපණය කිරීම. විශ්ලේෂණය දත්ත ටැබය තුළ ඇති දත්ත විශ්ලේෂණය මෙවලම හරහා සිදු කෙරේ.
මෙම ගැටලුව සඳහා, ඔබට ප්‍රතිගාමී විශ්ලේෂණය පුහුණු කිරීමට සහ අර්ථ නිරූපණය කළ හැකි වැඩපොතක් බාගත කිරීම සඳහා තිබේ. එය.
අදහස් කොටස හරහා ඕනෑම ප්‍රශ්නයක් හෝ ප්‍රතිපෝෂණ ඇසීමට නිදහස් වන්න. Exceldemy ප්‍රජාවේ අභිවෘද්ධිය සඳහා වන ඕනෑම යෝජනාවක් ඉතා අගය කළ යුතුය.
