ဒေတာသိပ္ပံ - ဆုတ်ယုတ်မှုဇယား- P-တန်ဖိုး
Regression Table ရှိ "ကိန်းဂဏန်းများ၏ကိန်းဂဏန်းများ"
ယခုအခါ၊ linear regression function မှ coefficients များသည် dependent variable (Calorie_Burnage) အပေါ် သိသာထင်ရှားသော အကျိုးသက်ရောက်မှုရှိမရှိ စမ်းသပ်လိုပါသည်။
ဆိုလိုသည်မှာ ကိန်းဂဏန်းစစ်ဆေးမှုများကို အသုံးပြု၍ Average_Pulse နှင့် Calorie_Burnage အကြား ဆက်နွယ်မှုရှိကြောင်း ကျွန်ုပ်တို့ သက်သေပြလိုပါသည်။
Coefficients ၏ ကိန်းဂဏန်းများကို ရှင်းပြသော အစိတ်အပိုင်း လေးခု ရှိပါသည်။
- std err သည် Standard Error ဖြစ်သည်။
- t သည် coefficients ၏ "t-value" ဖြစ်သည်။
- P>|t| P-value လို့ခေါ်ပါတယ်
- [0.025 0.975] သည် coefficients ၏ ယုံကြည်မှုကြားကာလကို ကိုယ်စားပြုသည်။
ဤ module ရှိ "P-value" ကို နားလည်ရန် အာရုံစိုက်ပါမည်။
P-တန်ဖိုး
P-value သည် Average_Pulse နှင့် Calorie_Burnage အကြား ဆက်စပ်မှုရှိမရှိ နိဂုံးချုပ်ရန် ကိန်းဂဏန်းတစ်ခုဖြစ်သည်။
Coefficient ၏ စစ်မှန်သောတန်ဖိုးသည် သုည (ဆက်စပ်မှုမရှိ) နှင့် ညီမျှခြင်းရှိမရှိ စမ်းသပ်ပါသည်။ ယင်းအတွက် ကိန်းဂဏန်းစမ်းသပ်မှုအား Hypothesis testing ဟုခေါ်သည်။
- နိမ့်သော P-တန်ဖိုး (< 0.05) ဆိုသည်မှာ ကိန်းဂဏန်းသည် သုညနှင့် ညီမျှမည်မဟုတ်ကြောင်း ဆိုလိုသည်။
- မြင့်မားသော P-တန်ဖိုး (> 0.05) ဆိုသည်မှာ ရှင်းလင်းချက်ကိန်းရှင်သည် မှီခိုကိန်းရှင်အပေါ် သက်ရောက်မှုရှိသည် (ဤနေရာတွင်- Average_Pulse သည် Calorie_Burnage ကို သက်ရောက်ပါက) ဟု ကျွန်ုပ်တို့ ကောက်ချက်ချနိုင်မည်မဟုတ်ပေ။
- မြင့်မားသော P-တန်ဖိုးကို အရေးမပါသော P-တန်ဖိုးဟုလည်း ခေါ်သည်။
Hypothesis စမ်းသပ်ခြင်း။
Hypothesis testing သည် သင့်ရလဒ်များ မှန်ကန်မှုရှိမရှိ စမ်းသပ်ရန် ကိန်းဂဏန်းဆိုင်ရာ လုပ်ထုံးလုပ်နည်းတစ်ခုဖြစ်သည်။
ကျွန်ုပ်တို့၏ ဥပမာတွင်၊ Average_Pulse ၏ စစ်မှန်သော coefficient နှင့် intercept သည် သုညနှင့် ညီမျှခြင်းရှိမရှိ စမ်းသပ်နေပါသည်။
Hypothesis test တွင် ဖော်ပြချက်နှစ်ခုရှိသည်။ null hypothesis နှင့် အစားထိုးယူဆချက်။
- null hypothesis ကို H0 အဖြစ် တိုတိုတုတ်တုတ် ရေးသားနိုင်ပါသည်။
- အခြားယူဆချက်အား HA အဖြစ် တိုတိုတုတ်တုတ် ရေးသားနိုင်ပါသည်။
သင်္ချာနည်းဖြင့် ရေးထားသည်-
H0: Average_Pulse = 0
HA: Average_Pulse ≠ 0
H0: Intercept =
0
HA: Intercept ≠ 0
နိမိတ် ≠ ဆိုသည်မှာ "မညီ"၊
Hypothesis Testing နှင့် P-value
null hypothesis ကို ငြင်းပယ်နိုင်သည်ဖြစ်စေ မပြုလုပ်နိုင်ပါ။
ကျွန်ုပ်တို့သည် null hypothesis ကို ငြင်းပယ်ပါက၊ ၎င်းသည် Average_Pulse နှင့် Calorie_Burnage အကြား ဆက်နွယ်မှုရှိကြောင်း ကျွန်ုပ်တို့ ကောက်ချက်ချပါသည်။ ဤကောက်ချက်အတွက် P-တန်ဖိုးကို အသုံးပြုသည်။
P-value ၏ ဘုံတံခါးပေါက်သည် 0.05 ဖြစ်သည်။
မှတ်ချက်- 0.05 ၏ P-value ဆိုသည်မှာ အကြိမ်များ၏ 5% သည် null hypothesis ကို လွဲမှားစွာ ငြင်းဆိုပါမည်။ ဆိုလိုသည်မှာ အကြိမ်များ၏ 5% သည် ကျွန်ုပ်တို့သည် မှားယွင်းသောဆက်ဆံရေးတစ်ခုကို နိဂုံးချုပ်သွားခြင်းဖြစ်နိုင်သည်ဟု ကျွန်ုပ်တို့လက်ခံပါသည်။
P-value သည် 0.05 ထက်နိမ့်ပါက၊ ကျွန်ုပ်တို့သည် null hypothesis ကိုငြင်းပယ်ပြီး variables များကြားတွင် ဆက်နွယ်မှုရှိနေသည်ဟု ကောက်ချက်ချနိုင်ပါသည်။
သို့သော် Average_Pulse ၏ P-value သည် 0.824 ဖြစ်သည်။ ထို့ကြောင့်၊ Average_Pulse နှင့် Calorie_Burnage အကြား ဆက်စပ်မှုကို ကျွန်ုပ်တို့ ကောက်ချက်ချ၍ မရပါ။
Average_Pulse ၏ စစ်မှန်သော coefficient သည် သုညဖြစ်ရန် 82.4% အခွင့်အလမ်းရှိသည်ဟု ဆိုလိုသည်။
ကြားဖြတ်အား ဆုတ်ယုတ်မှုလုပ်ဆောင်ချက်၏ ပိုမိုတိကျစွာ ခန့်မှန်းနိုင်မှုကို ချိန်ညှိရန် အသုံးပြုသည်။ ထို့ကြောင့် ကြားဖြတ်၏ P-တန်ဖိုးကို အဓိပ္ပာယ်ဖွင့်ဆိုရန်မှာ အဆန်းဖြစ်သည်။