Logistic ဆုတ်ယုတ်: မော်ဒယ်များနှင့်နည်းလမ်းများ

и дискриминантного анализа используются тогда, когда необходимо четко дифференцировать респондентов по целевым категориям. ကရှင်းရှင်းလင်းလင်းဖြေဆိုသူအမျိုးအစားကိုပစ်မှတ်ထားခွဲခြားရန်လိုအပ်သောအခါ Logistic ဆုတ်ယုတ်ခြင်းနှင့်ခွဲခြားဆက်ဆံခြင်းခွဲခြမ်းစိတ်ဖြာအသုံးပြုကြသည်။ ထို့အပြင်ဤအုပ်စုများတစ်ခုတည်း univariate parameter သည်အဆင့်ဆင့်ရှိပါတယ်။ а также выясним, для чего она нужна. နောက်ထပ်အသေးစိတ် Logistic ဆုတ်ယုတ်မော်ဒယ်စဉ်းစားကြည့်ပါ, အပြင်ကဘာထွက်ရှာပါ။

ယေဘုယျအမြင်

, может выступать классификация респондентов по группам покупающих и не покупающих горчицу. ပြဿနာတခုရဲ့ဥပမာ, ထောက်ပံ့ပို့ဆောင်ရေးဆုတ်ယုတ်ကိုအသုံးပြုသည်သောဖြေရှင်းချက်ထဲမှာအုပ်စုတစ်စုဝယ်ခြင်းဖြင့်ဖြေဆိုသူတစ်ဦးခွဲခြားဖြစ်နှင့်မုန်ညင်းဝယ်ယူမည်မဟုတ်ပါ။ အဆိုပါကွဲပြားခြားနားမှုလူမှုလူဦးရေဆိုင်ရာသွင်ပြင်လက္ခဏာများသည်နှင့်အညီထုတ်ယူသွားတတ်၏။ ဤရွေ့ကားများပါဝင်သည်, အထူးသဖြင့်ဒါပေါ်အသက်အရွယ်, ကျားမ, မိသားစုအဖွဲ့ဝင်အရေအတွက်, ဝင်ငွေနှင့်ပါဝင်သည်။ ခွဲခြားခြင်းနှင့်စစ်ဆင်ရေးများတွင် variable ကိုမှစံရှိပါတယ်။ အဆုံးစွန်သော, တကယ်တော့, ဖြေဆိုသူကိုဝေဖို့လိုအပျသညျ့အတှကျအပစ်မှတ်အမျိုးအစား encodes ။

တစ်ခုလုံးကိုပြည့်ပြည့်စုံစုံ

, значительно уже, чем для дискриминантного анализа. ဒါဟာခွဲခြားဆက်ဆံမှုခွဲခြမ်းစိတ်ဖြာထက်အများကြီးကျဉ်းထားတဲ့အတွက်လျှောက်ထားဆုတ်ယုတ်ထောက်ပံ့ပို့ဆောင်ရေး, ရောဂါဖြစ်ပွားမှု၏အကွာအဝေးကပြောသည်ရမည်ဖြစ်သည်။ ဤကိစ်စတှငျကွဲပြားခြားနားမှုများအတွက် universal နည်းလမ်းအဖြစ်အဆုံးစွန်၏အသုံးပြုမှုကိုပိုမိုဦးစားပေးစဉ်းစားသည်။ ထို့အပြင်, ကျွမ်းကျင်သူများတစ်ဦးခွဲခြားလေ့လာမှုခွဲခြားဆက်ဆံမှုခွဲခြမ်းစိတ်ဖြာနှင့်အတူစတင်အကြံပြုပါသည်။ ထိုအရုံရလဒ်အတွက်မရေရာ၏အမှု၌ Logistic ဆုတ်ယုတ်ကိုအသုံးပြုနိုင်ပါတယ်။ ဒါဟာလိုအပ်ချက်အများအပြားအချက်များကြောင့်ဖြစ်ရတဲ့ဖြစ်ပါတယ်။ используется при наличии четкого представления о типе независимых и зависимых переменных. လွတ်လပ်သောနှင့်မှီခို variable တွေကိုအမျိုးအစားနှင့်ပတ်သက်ပြီးရှင်းလင်းပြတ်သားတဲ့စိတ်ကူးလည်းမရှိသည့်အခါ Logistic ဆုတ်ယုတ်အသုံးပြုသည်။ ထို့ကြောင့်အဆိုပါ 3 ဖြစ်နိုင်သောလုပ်ထုံးလုပ်နည်းများများထဲမှရွေးချယ်ထားကြသည်။ အခါခွဲခြားဆက်ဆံမှုခွဲခြမ်းစိတ်ဖြာ, ထိုသုတေသနပညာရှင်အမြဲတမ်းငြိမ်စစ်ဆင်ရေးနှင့်အတူဆက်ဆံနေသည်။ ဒါဟာမဆိုအမျိုးအစား၏စကေးနှင့်တသားတမှီခိုတော်တော်များများနှင့်လွတ်လပ်သောအမျိုးအစား variable တွေကိုပါဝင်ပတ်သက်။

အမျိုးအစားများ

, состоит в определении вероятности того, что определенный респондент будет отнесен к той или иной группе. တစ်ဦး Logistic ဆုတ်ယုတ်ကိုအသုံးပြုရသောရည်ရွယ်ချက်စာရင်းအင်းသုတေသနတစ်ဦးအထူးသဖြင့်တုံ့ပြန်တဲ့အထူးသဖြင့်အုပ်စုတာဝန်ပေးမည်ဖြစ်ကြောင်းဖြစ်နိုင်ခြေကိုဆုံးဖြတ်ရန်ရန်ဖြစ်ပါသည်။ ကွဲပြားခြားနားမှုအချို့ parameters တွေကိုအညီထွက်ယူသွားတတ်၏။ လက်တွေ့တွင်တဦးတည်း၏တန်ဖိုးများအရသိရသည်သို့မဟုတ်ထိုထက်ပိုလွတ်လပ်သောအချက်များဖြေဆိုသူအုပ်စုနှစ်စုသို့ခွဲခြားနိုင်ပါသည်။ . ဤကိစ္စတွင်ခုနှစ်, တစ်ဦး binary Logistic ဆုတ်ယုတ်ရှိသေး၏။ ဒါ့အပြင်သတ်မှတ်ထားသော parameters တွေကိုအုပ်စုခွဲဝေချထားရာတွင်အသုံးပြုနိုင်ပါတယ်နှစ်ခုထက် သာ. ကြီးမြတ်သည်။ ထိုကဲ့သို့သောအခြေအနေမျိုးတွင်တစ်ဦး multinomial Logistic ဆုတ်ယုတ်ရှိသေး၏။ ရရှိလာတဲ့အုပ်စုသည်တစုံတယောက်သောသူသည် variable ကို၏အဆင့်ဆင့်ထုတ်ဖော်ပြောဆိုခဲ့သည်။

နမူနာ

သူတို့မော်စကိုမြို့ဆင်ခြေဖုံးများတွင်မြေယာဆည်းပူးဖို့ကမ်းလှမ်းချက်ကိုစိတ်ဝင်စားနေကြသည်ရှိမရှိ၏မေးခွန်းကိုဖြေဆိုသူ '' အဖြေကိုရှိပါတယ်ဆိုပါစို့။ ဤကိစ္စတွင်ခုနှစ်, options "မ" နှင့်များမှာ "ဟုတ်ကဲ့။ " ကျနော်တို့အချက်များအလားအလာဝယ်လက်များ၏ဆုံးဖြတ်ချက်အပေါ်တစ်ဦးကြီးစိုးသြဇာလွှမ်းမိုးမှုရှိအဘယ်အရာကိုထွက်ရှာရန်လိုအပ်သည်။ ဒီတုံ့ပြန်မေးခွန်းများကို binary ဆုတ်ယုတ်အသုံးပြုခြင်း။ ဒါကြောင့်အပေါ်နယ်မြေများ၏အခြေခံအဆောက်အဦးများ, မြို့တော်မှအကွာအဝေး, မြေယာဧရိယာ, လူနေအိမ်အဆောက်အဦးများ၏ရှေ့မှောက်တွင် / မရှိခြင်းနှင့်ပတ်သက်ပြီးမေးမြန်းကြသည်များအတွက်, ဖြေဆိုသူအုပ်စုနှစ်စုအတွင်းဖြန့်ဝေနိုင်ပါသည်။ အလားအလာရှိသောဝယ်လက်, ဒုတိယအသီးသီး, ထိုကဲ့သို့သောတစ်ခုကမ်းလှမ်းချက်ကိုစိတ်ဝင်စားမဟုတ်သောသူတို့၏ - ပထမဝယ်ယူမှုအတွက်စိတ်ဝင်စားနေသောသူတို့ကိုပါဝင်သည်ပါလိမ့်မယ်။ တစ်ခုချင်းစီကိုတုံ့ပြန်ဘို့, အပြင်, ကတဦးတည်းအမျိုးအစားသို့မဟုတ်အခြားဖို့တာဝန်ကျတဲ့နေရာများ၏ဖြစ်နိုင်ခြေတွက်ချက်ပါလိမ့်မည်။

နှိုင်းယှဉ်ဝိသေသလက္ခဏာများ

နှစ်ခုဂျမတူဘဲအထက်အုပ်စုများမှီခိုခြင်းနှင့်လွတ်လပ်သော variable တွေကိုတစ်ဦးကွဲပြားခြားနားသောနံပါတ်နှင့်အမျိုးအစားထဲမှာပါဝင်ပါသည်။ တစ်ဦး binary ဆုတ်ယုတ်ခုနှစ်တွင်ဥပမာ, တဦးတည်းသို့မဟုတ်ထိုထက်ပိုလွတ်လပ်သောအခြေအနေများမှအမှီခို dichotomous အချက်ကိုလေ့လာခဲ့ပါတယ်။ ဤကိစ္စတွင်ခုနှစ်, အဆုံးစွန်သောစကေးမဆိုအမျိုးအစားဖြစ်နိုင်သည်။ Multinomial ဆုတ်ယုတ်သည့်ခွဲခြား၏ဗားရှင်းတစ်ဦးကြင်ကြင်နာနာစဉ်းစားသည်။ ဒါဟာထက်ပိုမို 2 အုပ်စုများများအတွက်မှီခို variable ကိုမှပြောပြတယ်။ လွတ်လပ်သောအချက်များထုံးစံသို့မဟုတ်အမည်ခံစကေးဖြစ်စေရှိရမည်။

spss အတွက် Logistic Regression

sequence ကို - အဆိုပါစာရင်းအင်းအထုပ် 11-12, ခွဲခြမ်းစိတ်ဖြာခြင်းတစ်ဗားရှင်းအသစ်ကိုစတင်မိတ်ဆက်ခဲ့သည်။ မှီခိုအချက်အမည်တူ (ORDINAL) စကေးဆက်စပ်သည့်အခါဤနည်းလမ်းကိုအသုံးပြုသည်။ ဤကိစ္စတွင်ခုနှစ်တွင်လွတ်လပ်သော variable တွေကိုတဦးတည်းသီးခြားအမျိုးအစားရွေးချယ်ထားကြသည်။ သူတို့ဟာ ORDINAL သို့မဟုတ်အမည်ခံဖြစ်စေဖြစ်ရမည်။ အတော်ကြာအမျိုးအစားထဲမှာခွဲခြားအရှိဆုံးစွယ်စုံစဉ်းစားသည်။ ဤနည်းလမ်းကို Logistic ဆုတ်ယုတ်အသုံးပြုသောသမျှသောလေ့လာမှုများအတွက်အသုံးပြုနိုင်ပါတယ်။ , однако, можно только с помощью всех трех приемов. မော်ဒယ်များ၏အရည်အသွေးတိုးတက်ကောင်းမွန်အောင်, သို့သော်, သာအားလုံးသုံးနည်းလမ်းများ အသုံးပြု. ဖြစ်နိုင်ပါတယ်။

ORDINAL ခွဲခြား

ဒါဟာစာရင်းအင်းအထုပ်ထဲမှာအစောပိုင်းကထုံးစံစကေးနှင့်အတူမှီခိုအချက်များများအတွက်ပုံမှန်အထူးပြုခွဲခြမ်းစိတ်ဖြာဖျော်ဖြေဖို့အခွင့်အလမ်းပေးမခံခဲ့ရကြောင်းသိရသည်။ ကျော်ကို 2 အသုံးပြုသော multinomial option ကိုအုပ်စုများ၏နံပါတ်နှင့်အတူအားလုံး variable တွေကိုသည်။ အတော်လေးမကြာသေးမီကမိတ်ဆက် sequence ကိုခွဲခြမ်းစိတ်ဖြာ features တွေများစွာရှိပါတယ်။ သူတို့ကအကောင့်ထဲသို့စကေး၏အသေးစိတ်အချက်အလက်ကိုယူပါ။ часто не рассматривается как отдельный прием. ဤအတောအတွင်းအဆိုပါအတိုင်းအတာများလက်စွဲ ORDINAL Logistic ဆုတ်ယုတ်အတွက်မကြာခဏသီးခြားဧည့်ခံအဖြစ်ကုသမပေးပါ။ အောက်မှာဖေါ်ပြတဲ့အတိုင်းအကြောင်းပြချက်ဖြစ်ပါသည်: အမှတ်စဉ်ခွဲခြမ်းစိတ်ဖြာ multinomial ကျော်မဆိုသိသာအားသာချက်များရှိသည်မဟုတ်ပါဘူး။ အဆိုပါသုတေသနပညာရှင်ကောင်းကောင်းရှေ့မှောက်တွင်နှင့်အထုံးအဆုံးစွန်နှင့်အမည်ခံမှီခို variable ကိုသုံးနိုင်ပါသည်။ ဒါကြောင့်လုပ်နေတာမှာခွဲခြားဖြစ်စဉ်ကိုတစ်ဦးချင်းစီကတခြားကနေလုနီးပါးချွတ်စွပ်အရွယ်အစားရှိပါတယ်။ ဒါကကျင်းပနိုင်ရန်အလို့ငှာခွဲခြမ်းစိတ်ဖြာမဆိုပြဿနာများကိုဖြစ်ပေါ်စေမည်မဟုတ်ဟုဆိုလိုသည်။

ရွေးချယ်စရာခွဲခြမ်းစိတ်ဖြာ

တစ်ဦး binary ဆုတ်ယုတ် - ရိုးရှင်းသောကိစ္စတွင်စဉ်းစားပါ။ ဥပမာအားဖြင့်, စျေးကွက်သုတေသန၏လုပ်ငန်းစဉ်များတွင်အချို့သောမြို့ပြတက္ကသိုလ်ဘွဲ့ရဝယ်လိုအားခန့်မှန်းပါတယ်။ မေးခွန်းလွှာခုနှစ်, ဖြေဆိုသူအပါအဝင်မေးခွန်းများကိုမေးမွနျးခဲ့သညျ:

1. သငျသညျအလုပ်လုပ်နေကြသနည်း (Ql) ။
2. တစ်နှစ်ကျောင်းဆင်းပွဲ (က q 21) Specify ။
3. အဆိုပါထွက်ပေါက် (aver) ၏ပျှမ်းမျှရမှတ်ကဘာလဲ။
4. ကျား, မ (q22) ။

позволит оценить воздействие независимых факторов aver, q 21 и q 22 на переменную ql. Logistic ဆုတ်ယုတ်, aver variable ကို ql မှာက q 21 နှင့် q 22 လွတ်လပ်သောအချက်များများ၏အကျိုးသက်ရောက်မှုကိုအကဲဖြတ်ပါလိမ့်မယ်။ ရိုးရှင်းစွာအထား, ခွဲခြမ်းစိတ်ဖြာခြင်း၏ရည်ရွယ်ချက်လယ်ပြင်ပေါ်သတင်းအချက်အလက်, ထိုနှစ်ကုန်နှင့်ပျမ်းမျှရမှတ်၏အခြေခံပေါ်မှာဘွဲ့ရများ၏ဖွယ်ရှိအလုပ်အကိုင်ဆုံးဖြတ်ရန်ရန်ဖြစ်ပါသည်။

Logistic Regression

ဒွိဆုတ်ယုတ်သုံးပြီး parameters တွေကိုတင်ထားရန်, Analyze►Regression►Binary Logistic menu ကိုအသုံးပြုပါ။ အဆိုပါ Logistic Regression ရရှိနိုင် variable တွေကိုမှီခိုအချက်၏လက်ဝဲစာရင်းထဲတွင်ရွေးချယ်ဖို့ပါ။ သူတို့ဟာ ql ဖြစ်ပါတယ်။ ဤသည် variable ကို၎င်းမှီခိုလယ်ပြင်၌နေရာချရမည်ဖြစ်သည်။ က q 21, q 22, aver - ထို့နောက်သင် site ကိုလွတ်လပ်သောအချက်များ Covariates ရိုက်ထည့်ရမည်ဖြစ်သည်။ ထိုအခါသင်ခွဲခြမ်းစိတ်ဖြာ၌သူတို့ကိုအပါအဝင်တစ်လမ်းကိုရွေးချယ်ဖို့လိုအပ်ပါတယ်။ ကျော်ကို 2 လွတ်လပ်သောအချက်များ၏နံပါတ်, default အနေဖြင့်ထည့်သွင်းသမျှ variable တွေကိုများ၏တပြိုင်နက်တည်းအုပ်ချုပ်ရေး၏နည်းလမ်းသုံးပြီး, ခြေလှမ်းတို့ကခြေလှမ်းမထားဘူးဆိုရင်။ လူကြိုက်အများဆုံးလမ်းနောက်သို့စဉ်းစားသည်: LR ။ လိုက်ပြီး Select button ကိုအသုံးပြုခြင်း, သင်တို့ရှိသမျှသည်ဖြေဆိုသူရဲ့လေ့လာမှု, သာတိကျတဲ့ပစ်မှတ်အမျိုးအစားထဲမှာမပါဝင်နိုင်ပါတယ်။

အမျိုးအစား Variables ကို Define

အဆိုပါ variable တွေကိုတစ်ဦးထက်ပိုသော 2 အမျိုးအစားအရေအတွက် rated အခါအမှုကိစ္စများတွင်သုံးစွဲဖို့အမျိုးအစားခလုတ်ကို။ ဤအခြေအနေ၌, အမျိုးအစား Covariates ဘူတာရုံများတွင်အမျိုးအစား Variables ကိုပြတင်းပေါက် Define ရုံထိုကဲ့သို့သော option ကိုတင်လိုက်တယ်။ ဒီဥပမာထဲမှာ, ထိုကဲ့သို့သော variable ကိုပျောက်နေသည်။ သော drop-down စာရင်းကိုပြီးနောက်, ကို item Contrast Deviation ကို select နှင့်ပြောင်းလဲမှု button ကို click လုပ်ပါ။ ရလဒ်အတိုင်း, မှီခို variable တွေကိုအချို့တို့သည် rated အချက်အသီးအသီးကနေထုတ်လုပ်လိုက်တဲ့လိမ့်မည်။ သူတို့ရဲ့အရေအတွက်အမျိုးအစားမူရင်းအသုံးအနှုန်းများ၏နံပါတ်ကိုက်ညီ။

နယူး Variables ကို Save

အဓိကလေ့လာမှုအတွက်ကြော်ငြာကို Save လုပ်ရန် button ကိုသစ်ကို setting များကိုပေးတဲ့ dialog box ကိုဖန်တီးရန်သတ်မှတ်ထားသည်ကိုသုံးပါ။ သူတို့ကဆုတ်ယုတ်၏လုပ်ငန်းစဉ်များတွင်တွက်ချက်ဂဏန်းများပါလိမ့်မယ်။ အထူးသဖြင့်, ကဆုံးဖြတ်ရန်ကြောင်း variable တွေကိုဖန်တီးရန်ဖြစ်နိုင်သည်:

1. ခွဲခြား (Groupmembership) ၏အထူးသဖြင့်အမျိုးအစားပိုင်။
2. တစ်ခုချင်းစီကိုလေ့လာမှုအုပ်စုသည် (ဖြစ်ကောင်း) တွင်ဖြေဆိုသူခွဲခြားများ၏ဖြစ်နိုင်ခြေ။

အရာက Options button ကိုသုတေသီအသုံးပြုတဲ့အခါမဆိုသိသာထင်ရှားသောအခွင့်အလမ်းများကိုမခံမထားဘူး။ ထို့ကြောင့်သူကလျစ်လျူရှုထားနိုင်ပါတယ်။ အဓိကပြတင်းပေါက်ရှိ "OK ကို" ခလုတ်ကိုနှိပ်ပြီးနောက်ခွဲခြမ်းစိတ်ဖြာရလဒ်များကိုပြသပါလိမ့်မည်။

Logistic ဆုတ်ယုတ်လုံလောက်မှု၏အရည်အသွေးထိန်းချုပ်မှု

စားပွဲပေါ်မှာ omnibus Testsof မော်ဒယ်မြှောက်ဖော်ကိန်းစဉ်းစားပါ။ ဒါဟာအကြမ်းဖျင်းမော်ဒယ်များ၏အရည်အသွေး၏ခွဲခြမ်းစိတ်ဖြာ၏ရလဒ်များကိုဖော်ပြပေးမှာဖြစ်ပါတယ်။ ကြောင့် incremental option ကို, သင်နောက်ဆုံးအဆင့် (အဆင့် 2) ၏ရလဒ်များကိုစောင့်ကြည့်ဖို့လိုတယ်ဆိုတဲ့အချက်ကိုဟုသတ်မှတ်ထားသည်။ တစ်ဦးအပြုသဘောရလဒ်, အဓိပ်ပာယျ၏မြင့်မားသောဒီဂရီ (နဲ့ Sig ။ <0,05) မှာလာမယ့်ခြေလှမ်းဖို့အကူးအပြောင်းအတွက်ထားတဲ့အတွက်ရှာဖွေတွေ့ရှိတိုး Chi-စတုရန်းအညွှန်းကိန်းထည့်သွင်းစဉ်းစားရတော့မှာပါ။ မော်ဒယ်များ၏အရည်အသွေးမော်ဒယ်လိုင်းအတွက်ခန့်မှန်းခြေဖြစ်ပါတယ်။ သငျသညျအနှုတ်တန်ဖိုးတစ်ခုရပေမယ့်ခြုံငုံမြင့်မားသောပစ္စည်းများမော်ဒယ်လျှင်သိသာထင်ရှားသောအဖြစ်ထည့်သွင်းစဉ်းစားမထားလျှင်, နောက်ဆုံးလက်တွေ့ကျကျအသုံးဝင်သောစဉ်းစားနိုင်ပါတယ်။

စားပွဲ

မော်ဒယ်အနှစ်ချုပ်ကတော့ဆောက်လုပ်ထားမော်ဒယ် (ပုံ R ကိုရင်ပြင်မှာ) ကိုဖော်ပြထားတယ်ရသောစုစုပေါင်းအရပ်ရပ်တို့၌ကွဲပြားအညွှန်းကိန်းတစ်ခုခန့်မှန်းချက်ပေးပါသည်။ ဒါဟာတန်ဖိုး Nagelker လျှောက်ထားရန်အကြံပြုသည်။ ဒါကြောင့် 0.50 ထက်ပိုမိုမြင့်မားလျှင် positive ညွှန်ပြချက်တစ်ခု parameter သည် Nagelkerke R ကိုရင်ပြင်အဖြစ်ထည့်သွင်းစဉ်းစားစေနိုင်ပါသည်။ အဲဒီနောကျတစျခုသို့မဟုတျလေ့လာမှု၏အခြားအမျိုးအစားပိုင်၏အမှန်တကယ်အညွှန်းကိန်းဟာဆုတ်ယုတ်မော်ဒယ်အားဖြင့်ခန့်မှန်းသူတို့နှင့်အတူနှိုင်းယှဉ်ထားတဲ့အတွက်ခွဲခြား၏ရလဒ်များကိုအကဲဖြတ်။ ဤရည်ရွယ်ချက်အဘို့စားပွဲကိုခွဲခြားရေးစားပွဲတင်။ ဒါဟာအစငျသညျဆိုတဲ့မေးခွန်းကိုအတွက်အုပ်စုတစ်စု၏တစ်ဦးချင်းစီအဘို့အကွဲပြားခြားနားမှုများ၏မှန်ကန်မှုနှင့် ပတ်သက်. ကောက်ချက်ဆွဲရန်ခွင့်ပြုပါတယ်။ . အောက်ပါဇယားသည်ခွဲခြမ်းစိတ်ဖြာအဖြစ် non-စံချိန်စံညွှန်းမီအချက် Logistic ဆုတ်ယုတ်သို့ဝငျကစာရင်းအင်းသိသိသာသာလွတ်လပ်သောအချက်များတွေ့ပါကဖြစ်နိုင်သောစေသည်။ ဤအညွှန်းကိန်း၏အခြေခံတွင်တစ်ဦးသတ်သတ်မှတ်မှတ်အုပ်စုနမူနာစီတုံ့ပြန်၏ဆက်နွယ်မှုကြိုတင်ခန့်မှန်းနိုင်ပါ။ နယူး variable တွေကို Save ခလုတ်ကိုသုံးပြီးထဲသို့ဝင်နိုင်ပါတယ်။ သူတို့ကတစ်ဦးအထူးသဖြင့်ခွဲခြားအမျိုးအစား (Predictedcategory) ၏အဖွဲ့ဝင်အဖြစ်နှင့်ဤအုပ်စုများအတွက်ပါဝင်၏ဖြစ်နိုင်ခြေ (ခန့်မှန်းဖြစ်နိုင်ခြေအဖွဲ့ဝင်အဖြစ်) ရက်နေ့တွင်သတင်းအချက်အလက်ဆံ့မည်ဖြစ်သည်။ အဓိကပြတင်းပေါက်ရှိ "OK ကို" ခလုတ်ကိုနှိပ်ပြီးနောက် Multinomial Logistic Regression တွက်ချက်မှုရလဒ်များကိုပေါ်လာပါလိမ့်မယ်။

မော်ဒယ်အဝတ်အစားအစမ်းဝတ်ပြန်ကြားရေး - ထိုသုတေသနပညာရှင်များအတွက်အရေးကြီးသောညွှန်းကိန်းများပါဝင်သည်အရာပထမဦးဆုံးအစားပွဲပေါ်မှာ။ စာရင်းအင်းအရေးပါမှု၏တစ်ဦးကအဆင့်မြင့်လက်တွေ့ကျသောပြဿနာများကိုဖြေရှင်းနိုင်မှမော်ဒယ်များ၏အသုံးပြုမှုများ၏အရည်အသွေးမြင့်မားခြင်းနှင့်အသင့်လျော်ဖို့ညွှန်ပြပါလိမ့်မယ်။ နောက်ထပ်အရေးကြီးတဲ့ဇယားသည် Pseudo R-ရင်ပြင်ဖြစ်ပါတယ်။ ဒါဟာသင်ခွဲခြမ်းစိတ်ဖြာများအတွက်ရွေးချယ်ထားသောလွတ်လပ်သော variable တွေကိုကြောင့်ဖြစ်ပေါ်လာသောသောမှီခိုအချက်အတွက်စုစုပေါင်းကှဲလှဲ၏အချိုးအစားကိုခန့်မှန်းရန်ခွင့်ပြုပါတယ်။ စားပွဲတင်အဆိုအရဖြစ်နိုင်ခြေကိုအချိုးစမ်းသပ်မှုအဆုံးစွန်၏စာရင်းအင်းအရေးပါမှုနှင့်ပတ်သက်ပြီးကောက်ချက်ဆွဲနိုင်ပါတယ်။ အဆိုပါ Parameter ခန့်မှန်းသည် non-စံချိန်စံညွှန်းမီကိန်းရောင်ပြန်ဟပ်။ သူတို့ကညီမျှခြင်း၏ဆောက်လုပ်ရေးအတွက်အသုံးပြုကြသည်။ ထို့အပြင်ခုနှစ်, variable တွေကိုတစ်ခုချင်းစီပေါင်းစပ်များအတွက်မှီခိုအချက်ပေါ်တွင်သူတို့သက်ရောက်မှု၏စာရင်းအင်းအရေးပါမှုကိုဆုံးဖြတ်သည်။ ဤအတောအတွင်းစျေးကွက်သုတေသနမကြာခဏမဟုတ်သီးခြားစီ, ဒါပေမယ့်ပစ်မှတ်အုပ်စုတစ်စု၏တစ်စိတ်တစ်ပိုင်းအဖြစ်ဖြေဆိုသူရဲ့အမျိုးအစားခွဲခြားရန်လိုအပ်ပါသည်။ ဤရည်ရွယ်ချက်အဘို့စားပွဲကို Observedand frequency ခန့်မှန်းခဲ့ပါတယ်။

လက်တွေ့ကျတဲ့လျှောက်လွှာ

ခွဲခြမ်းစိတ်ဖြာခြင်း Considered နည်းလမ်းကုန်သည်များ၏လုပျငနျးအတွက်အသုံးများဖြစ်ပါတယ်။ 1991 ခုနှစ်, sigmoid Logistic ဆုတ်ယုတ်ညွှန်ပြချက်တီထွင်ခဲ့သည်။ သူကသူတို့၏ "အပူ" ဖို့ဖွယ်ရှိစျေးနှုန်းများကြိုတင်ခန့်မှန်းဖို့အသုံးပြုနိုင်ကာမှသုံးရလွယ်ကူပြီးအကျိုးရှိတဲ့ကိရိယာတခုဖြစ်တယ်။ indicator အပြိုင်တိုးချဲ့နှစ်ခုလိုင်းများကဖွဲ့စည်းချန်နယ်၏ပုံစံအတွက်ဂရပ်အပေါ်ပေးအပ်သည်။ သူတို့ကလမ်းကြောင်းသစ်ကနေတန်းတူအကွာအဝေးဖယ်ရှားခဲ့သည်။ အဆိုပါစင်္ကြံများ၏ width ကိုတစ်ခုတည်းကိုသာအဆိုပါအချိန်အပိုင်းအခြားပေါ်မူတည်ပါလိမ့်မယ်။ အားလုံးနီးပါးဟာပိုင်ဆိုင်မှုနဲ့အလုပ်လုပ်ရသောအခါအဆိုပါညွှန်ကိန်းကိုအသုံးပြုသည် - ငွေကြေးအားလုံးထံမှအဖိုးတန်သတ္တုများရန်။

ပျက်ပြားခြင်းနှင့်တဖန်ပြောင်းပြန်လှန်: လက်တွေ့တွင်ထိုသို့တူရိယာ၏အသုံးပြုမှုကို 2 key ကိုမဟာဗျူဟာများကိုထုတ်လုပ်ခဲ့ပါတယ်။ အဆုံးစွန်သောအမှု၌ယင်းကုန်သည် channel ကိုအတွင်းစျေးနှုန်းအပြောင်းအလဲများဒိုင်းနမစ်ကိုအာရုံစိုက်ပါလိမ့်မယ်။ တွင်ကထောက်ခံမှုသို့မဟုတ်ခုခံလိုင်းမှုနှုန်း၏ကုန်ကျစရိတ်ချဉ်းကပ်သကဲ့သို့လှုပ်ရှားမှုဆန့်ကျင်ဘက်ဦးတည်စတင်သည်သောဖြစ်နိုင်ခြေသည်။ စျေးနှုန်းအထက်န့်သတ်ချက်မှအနီးကပ်မထိုက်မတန်လျှင်, ထို့နောက်ပိုင်ဆိုင်မှုဖယ်ရှားပစ်နိုင်ပါတယ်။ ကနိမ့်ကန့်သတ်မှာဖြစ်တယ်လျှင်, သင်ဝယ်ယူမှုကိုစဉ်းစားသင့်ပါတယ်။ မဟာဗျူဟာပျက်ပြားရမ်း၏အသုံးပြုမှုကိုပါဝင်ပတ်သက်။ သူတို့ကအတော်လေးတိုတောင်းသောအကွာအဝေး၏ကန့်သတ်အပြင်ဘက်ကို install နေကြသည်။ အချို့ကိစ္စများတွင်စျေးနှုန်းအချိန်တိုအတွင်းအဘို့ထိုသူတို့ချိုးဖောက်ကြောင်းအကောင့်သို့ယူခြင်း, သင်ကဘေးကင်းလုံခြုံ play နှင့်ရပ်တန့်-အရှုံးသတ်မှတ်ထားသင့်တယ်။ တစ်ချိန်တည်းမှာပင်, သင်တန်း, မခွဲခြားဘဲရွေးကောက်တော်မူသောမဟာဗျူဟာ၏ coolly ဈေးကွက်ထဲမှာပျေါထှနျးသောအခွအေနေရိပ်မိခြင်းနှင့်အကဲဖြတ်တိုးမြှင့်ဖို့ကုန်သည်လိုအပ်သည်။

ကောက်ချက်

ထို့ကြောင့်, ထောက်ပံ့ပို့ဆောင်ရေးဆုတ်ယုတ်၏အသုံးပြုမှုကိုသင်မြန်မြန်ဆန်ဆန်နဲ့အလွယ်တကူသတ်မှတ်ထားသောသတ်မှတ်ချက်ဘောင်နှင့်အညီအမျိုးအစားသို့ဖြေဆိုသူခွဲခြားဖို့ခွင့်ပြုပါတယ်။ လူတယောက်လမ်းရဲ့ဖြစ်နိုင်ချေအသုံးပြုမှုကိုခွဲခြားစိတ်ဖြာအခါ။ အထူးသဖြင့်, ကွဲပြားခြားနားသော multinomial ဆုတ်ယုတ်၏ဘက်စုံ။ သို့သော်ကျွမ်းကျင်သူရှုပ်ထွေးအတွက်အထက်တွင်ဖော်ပြထားအပေါငျးတို့သနည်းလမ်းများ၏အသုံးပြုမှုကိုအကြံပြုပါသည်။ ဤသည်ဤကိစ္စတွင်အတွက်မော်ဒယ်များ၏အရည်အသွေးသိသိသာသာပိုမိုမြင့်မားဖြစ်လိမ့်မည်ဟူသောအချက်ကိုကြောင့်ဖြစ်သည်။ ဒီအလှည့်အတွက်၎င်း၏လျှောက်လွှာ၏အကွာအဝေးကိုချဲ့ထွင်။