సంకల్పం యొక్క గుణకం ఏమిటి?
సంకల్పం యొక్క గుణకం గణాంక విశ్లేషణలో ఉపయోగించే ఒక కొలత, ఇది ఒక మోడల్ భవిష్యత్ ఫలితాలను ఎంత బాగా వివరిస్తుంది మరియు అంచనా వేస్తుంది. ఇది డేటా సెట్‌లో వివరించిన వేరియబిలిటీ స్థాయిని సూచిస్తుంది. "R- స్క్వేర్డ్" అని కూడా పిలువబడే సంకల్పం యొక్క గుణకం మోడల్ యొక్క ఖచ్చితత్వాన్ని కొలవడానికి మార్గదర్శకంగా ఉపయోగించబడుతుంది.
ఈ సంఖ్యను వివరించడానికి ఒక మార్గం ఏమిటంటే, ఇచ్చిన మోడల్‌లో చేర్చబడిన వేరియబుల్స్ గమనించిన వైవిధ్యంలో సుమారు x% వివరిస్తాయి. కాబట్టి, R 2 = 0.50 అయితే, గమనించిన వైవిధ్యంలో సగం మోడల్ ద్వారా వివరించవచ్చు.
R-స్క్వేర్డ్
కీ టేకావేస్
- సంకల్పం యొక్క గుణకం భవిష్యత్ డేటా యొక్క గణాంక విశ్లేషణపై కేంద్రీకృతమై ఉన్న ఒక సంక్లిష్టమైన ఆలోచన. మరొక కారకంతో దాని సంబంధం వల్ల ఒక కారకం యొక్క ఎంత వైవిధ్యం సంభవిస్తుందో వివరించడానికి సంకల్పం యొక్క గుణకం ఉపయోగించబడుతుంది.
నిర్ణయించే గుణకం అర్థం చేసుకోవడం
ఒక కారకం యొక్క మరొక వైవిధ్యం దాని సంబంధం వల్ల ఎంత వైవిధ్యం ఏర్పడుతుందో వివరించడానికి సంకల్పం యొక్క గుణకం ఉపయోగించబడుతుంది. ఇది ధోరణి విశ్లేషణలో ఎక్కువగా ఆధారపడింది మరియు ఇది 0 మరియు 1 మధ్య విలువగా సూచించబడుతుంది.
విలువ 1 కి దగ్గరగా ఉంటుంది, రెండు కారకాల మధ్య సరిపోయేది లేదా సంబంధం. సంకల్పం యొక్క గుణకం సహసంబంధ గుణకం యొక్క చతురస్రం, దీనిని "R" అని కూడా పిలుస్తారు, ఇది రెండు వేరియబుల్స్ మధ్య సరళ సహసంబంధ స్థాయిని ప్రదర్శించడానికి అనుమతిస్తుంది.
ఈ సహసంబంధాన్ని "సరిపోయే మంచితనం" అంటారు. 1.0 యొక్క విలువ ఖచ్చితమైన సరిపోతుందని సూచిస్తుంది మరియు ఇది భవిష్యత్ భవిష్యత్ కోసం చాలా నమ్మదగిన నమూనా, ఇది గమనించిన అన్ని వైవిధ్యాలను మోడల్ వివరిస్తుందని సూచిస్తుంది. 0 యొక్క విలువ, మరోవైపు, మోడల్ డేటాను ఖచ్చితంగా మోడల్ చేయడంలో విఫలమైందని సూచిస్తుంది. మల్టిపుల్ రిగ్రెషన్ మోడల్ వంటి అనేక వేరియబుల్స్ ఉన్న మోడల్ కోసం, సర్దుబాటు చేయబడిన R 2 సంకల్పం యొక్క మంచి గుణకం. ఆర్థిక శాస్త్రంలో, 0.60 పైన ఉన్న R 2 విలువ విలువైనదిగా కనిపిస్తుంది.
సంకల్పం యొక్క గుణకాన్ని విశ్లేషించడం యొక్క ప్రయోజనాలు
సంకల్పం యొక్క గుణకం డేటా సమితిలో అంచనా వేసిన స్కోర్‌ల మధ్య పరస్పర సంబంధం యొక్క చతురస్రం. ఇది X మరియు Y స్కోర్‌ల మధ్య పరస్పర సంబంధం యొక్క చతురస్రంగా కూడా వ్యక్తీకరించబడుతుంది, X స్వతంత్ర వేరియబుల్ మరియు Y ఆధారిత వేరియబుల్.
ప్రాతినిధ్యంతో సంబంధం లేకుండా, 0 కి సమానమైన R- స్క్వేర్డ్ అంటే స్వతంత్ర వేరియబుల్ ఉపయోగించి డిపెండెంట్ వేరియబుల్ pred హించలేము. దీనికి విరుద్ధంగా, ఇది 1 కి సమానం అయితే, వేరియబుల్ యొక్క ఆధారపడటం ఎల్లప్పుడూ స్వతంత్ర వేరియబుల్ ద్వారా is హించబడుతుంది.
ఈ పరిధిలో వచ్చే సంకల్పం యొక్క గుణకం స్వతంత్ర వేరియబుల్ ద్వారా ఆధారిత వేరియబుల్ అంచనా వేసే స్థాయిని కొలుస్తుంది. ఉదాహరణకు, 0.20 యొక్క R- స్క్వేర్డ్ అంటే, 20% డిపెండెంట్ వేరియబుల్ స్వతంత్ర వేరియబుల్ ద్వారా is హించబడుతుంది.
సరిపోయే మంచితనం, లేదా సరళ సహసంబంధం యొక్క డిగ్రీ, గ్రాఫ్‌లో అమర్చిన పంక్తికి మరియు గ్రాఫ్ చుట్టూ చెల్లాచెదురుగా ఉన్న అన్ని డేటా పాయింట్ల మధ్య దూరాన్ని కొలుస్తుంది. డేటా యొక్క గట్టి సెట్ పాయింట్లకు చాలా దగ్గరగా ఉండే రిగ్రెషన్ లైన్ కలిగి ఉంటుంది మరియు అధిక స్థాయి ఫిట్ కలిగి ఉంటుంది, అంటే లైన్ మరియు డేటా మధ్య దూరం చాలా చిన్నది. మంచి ఫిట్‌కు 1 కి దగ్గరగా ఉండే R- స్క్వేర్ ఉంది.
ఏదేమైనా, డేటా పాయింట్లు లేదా అంచనాలు పక్షపాతంతో ఉన్నాయో లేదో R- స్క్వేర్డ్ గుర్తించలేకపోయింది. నిర్ణయ విలువ యొక్క గుణకం మంచిదా కాదా అని ఇది విశ్లేషకుడికి లేదా వినియోగదారుకు చెప్పదు. తక్కువ R- స్క్వేర్డ్ చెడ్డది కాదు, ఉదాహరణకు, R- స్క్వేర్డ్ సంఖ్య ఆధారంగా నిర్ణయం తీసుకోవలసిన వ్యక్తి.
సంకల్పం యొక్క గుణకం అమాయకంగా అర్థం చేసుకోకూడదు. ఉదాహరణకు, ఒక మోడల్ యొక్క R- స్క్వేర్డ్ 75% వద్ద నివేదించబడితే, దాని లోపాల యొక్క వైవిధ్యం ఆధారిత వేరియబుల్ యొక్క వైవిధ్యం కంటే 75% తక్కువ, మరియు దాని లోపాల యొక్క ప్రామాణిక విచలనం ఆధారపడిన ప్రామాణిక విచలనం కంటే 50% తక్కువ వేరియబుల్. మోడల్ యొక్క లోపాల యొక్క ప్రామాణిక విచలనం మీరు స్థిరమైన-మాత్రమే మోడల్‌తో పొందే లోపాల యొక్క ప్రామాణిక విచలనం యొక్క మూడింట ఒక వంతు పరిమాణం.
చివరగా, R- స్క్వేర్డ్ విలువ పెద్దది అయినప్పటికీ, ఒక నమూనాలో వివరణాత్మక వేరియబుల్స్ యొక్క గణాంక ప్రాముఖ్యత ఉండకపోవచ్చు లేదా ఆచరణాత్మక పరంగా ఈ వేరియబుల్స్ యొక్క ప్రభావవంతమైన పరిమాణం చాలా తక్కువగా ఉండవచ్చు.
