रैखिक प्रतिगमन और न्यूनतम-वर्ग विधि का गणितीय आधार
साधारण न्यूनतम-वर्ग (Ordinary Least Squares - OLS) विधि दो चरों के बीच रैखिक संबंध को समझने और मॉडल करने की एक स्थापित सांख्यिकीय तकनीक है। जब हमारे पास युग्मित डेटा बिंदु होते हैं, तो यह विधि एक ऐसी सीधी रेखा स्थापित करती है जो वास्तविक डेटा बिंदुओं और रेखा के बीच के ऊर्ध्वाधर अंतर (अवशेष) के वर्गों के योग को न्यूनतम करती है।
इस गणितीय मॉडल को समझने के लिए कुछ बुनियादी गणनाओं की आवश्यकता होती है। सबसे पहले, दोनों चरों के माध्य की गणना की जाती है:
- औसत: x̄ =
‹sumX›÷‹n›=‹meanX›और ȳ =‹sumY›÷‹n›=‹meanY›
इसके बाद, चरों के अपने माध्य से विचलन और उनके आपसी सह-संबंध को मापने के लिए निम्नलिखित मान निकाले जाते हैं:
- फैलाव और सह-गतिविधि: Sxx =
‹sxx›और Sxy =‹sxy›
इन मानों का उपयोग करके, प्रतिगमन रेखा के दो मुख्य घटकों—ढाल (Slope) और अंतःखंड (Intercept)—की गणना की जाती है:
- ढाल: b = Sxy ÷ Sxx =
‹sxy›÷‹sxx›=‹slope› - अंतःखंड: a = ȳ − b·x̄ =
‹meanY›− (‹slope›)·‹meanX›=‹intercept›
यह गणना प्रक्रिया अत्यधिक सटीक और स्थिर द्वि-चरणीय संकलन विधि (compensated summation) का उपयोग करती है, जिससे डेटा के बड़े या व्यापक रूप से भिन्न मानों में भी शुद्धता बनी रहती है।
प्रतिगमन गुणांकों और सांख्यिकीय मानों की व्याख्या
रैखिक प्रतिगमन मॉडल के परिणामों को सही ढंग से समझने के लिए इसके विभिन्न गुणांकों और सांख्यिकीय पैमानों की व्याख्या आवश्यक है:
- ढाल b (Slope): यह दर्शाता है कि स्वतंत्र चर (x) में बदलाव का आश्रित चर (y) पर क्या प्रभाव पड़ता है। "औसत रूप से, x में प्रत्येक 1 की वृद्धि के लिए y में
‹slope›का परिवर्तन होता है।" - अंतःखंड a (Intercept): यह रेखा का प्रारंभिक बिंदु है। "जहाँ x का मान 0 है, वहाँ रेखा y =
‹intercept›पर स्थित होती है।" - सहसंबंध r (Correlation coefficient): यह दोनों चरों के बीच संबंध की दिशा और ताकत को दर्शाता है। यह ढाल के चिह्न के साथ R² का वर्गमूल होता है।
- R² (Coefficient of Determination): "समझाए गए प्रसरण का हिस्सा: R² = SSR ÷ SST =
‹ssr›÷‹sst›=‹r2›"। यह मॉडल द्वारा स्पष्ट किए गए प्रसरण के अनुपात को दर्शाता है। - समायोजित R² (Adjusted R²): यह डेटा बिंदुओं और स्वतंत्र चरों की संख्या के आधार पर R² को समायोजित करता है।
- अवशिष्ट फैलाव s (Residual spread): "अवशिष्ट फैलाव: s = √(SSE ÷ (n − 2)) = √(
‹sse›÷‹df›) =‹s›"। यह दर्शाता है कि वास्तविक बिंदु रेखा से औसतन कितने दूर हैं।
गुणांक तालिका और परिकल्पना परीक्षण
मॉडल की सार्थकता की जांच करने के लिए गुणांकों का परीक्षण किया जाता है। इसके लिए "गुणांक" तालिका में निम्नलिखित मान प्रदर्शित किए जाते हैं:
| पद | अनुमान | मानक त्रुटि | t | p | ‹level›% अंतराल |
|---|---|---|---|---|---|
| ढाल b | ‹slope› |
‹se› |
‹t› |
‹p› |
अंतराल सीमा |
| अंतःखंड a | ‹intercept› |
‹se_a› |
‹t_a› |
‹p_a› |
अंतराल सीमा |
ढाल की सार्थकता का परीक्षण करने के लिए मानक त्रुटि और t-सांख्यिकी की गणना इस प्रकार की जाती है:
- "ढाल की मानक त्रुटि: SE(b) = s ÷ √Sxx =
‹s›÷ √‹sxx›=‹se›" - "t = b ÷ SE(b) =
‹slope›÷‹se›=‹t›, इसलिए‹df›स्वतंत्रता कोटि (degrees of freedom) पर p =‹p›है।"
यदि p-मान आपके चुने हुए सार्थकता स्तर (जैसे 0.05) से कम है, तो यह दर्शाता है कि ढाल सांख्यिकीय रूप से महत्वपूर्ण है।
प्रसरण का विभाजन (ANOVA)
प्रतिगमन मॉडल की समग्र उपयोगिता को समझने के लिए प्रसरण का विभाजन (ANOVA) किया जाता है। यह कुल भिन्नता को रेखा द्वारा स्पष्ट की गई भिन्नता और शेष बची भिन्नता में विभाजित करता है:
| स्रोत | df | वर्गों का योग | माध्य वर्ग | F | p |
|---|---|---|---|---|---|
| रेखा द्वारा स्पष्ट किया गया | 1 | SSR | MSR | F | p |
| शेष | n - 2 | SSE | MSE | ||
| कुल | n - 1 | SST |
चूंकि यहाँ केवल एक पूर्वानुमानकर्ता (x) है, इसलिए समग्र F-परीक्षण का p-मान और ढाल के t-परीक्षण का p-मान हमेशा समान होता है।
डेटा प्रविष्टि, सीमाएं और त्रुटि संदेश
इस टूल में डेटा प्रविष्टि के लिए दो लेआउट उपलब्ध हैं: "युग्मित पंक्तियाँ" (प्रति पंक्ति एक x और y) और "दो सूचियाँ" (x और y के लिए अलग-अलग इनपुट)।
इनपुट सीमाएं और नियम:
- न्यूनतम बिंदु: कम से कम 2 बिंदु आवश्यक हैं।
- अधिकतम सीमा: अधिकतम 50,000 बिंदु और 1 MB तक का पेस्ट किया गया टेक्स्ट समर्थित है।
- दशमलव विभाजक: बिंदु (जैसे
12.5) या कॉमा (जैसे12,5) दोनों का समर्थन है। बिंदु लेआउट में मानों को स्पेस, कॉमा या नई लाइन से अलग किया जाता है, जबकि कॉमा लेआउट में स्पेस, सेमीकोलन या नई लाइन का उपयोग होता है। - हेडर छोड़ना: यदि पहली पंक्ति के दोनों मान गैर-संख्यात्मक हैं, तो उसे स्प्रेडशीट हेडर मानकर छोड़ दिया जाता है।
विशिष्ट त्रुटि संदेश और सीमाएं:
- यदि डेटा अपूर्ण है: "पंक्ति
‹position›में ठीक दो संख्याएँ होनी चाहिए: पहले x फिर y।" - यदि सूचियों की लंबाई असमान है: "यहाँ
‹countX›x मान और‹countY›y मान हैं — सूचियों की लंबाई समान होनी चाहिए।" - यदि डेटा अपर्याप्त है: "कम से कम 2 बिंदु दर्ज करें; एक बिंदु किसी रेखा को परिभाषित नहीं करता है।"
- यदि डेटा सीमा पार हो जाए: "डेटा को
‹max›बिंदुओं से कम रखें।" - यदि संख्यात्मक सीमा पार हो जाए: "कोई मान या मध्यवर्ती परिणाम समर्थित संख्या सीमा से अधिक है।"
गणितीय सीमाएं और विशेष स्थितियां:
- ठीक दो बिंदु: "दो बिंदु रेखा को सटीक रूप से निर्धारित करते हैं, इसलिए अनिश्चितता का अनुमान लगाने के लिए कुछ भी शेष नहीं बचता है।"
- सटीक फिट: "बिंदु ठीक रेखा पर स्थित हैं, इसलिए कोई अवशिष्ट फैलाव नहीं है और किसी भी अंतराल या p-मान का अनुमान नहीं लगाया जा सकता है।"
- समान Y मान: "प्रत्येक y समान है, इसलिए रेखा समतल है और r, R² तथा सार्थकता परीक्षण अपरिभाषित हैं।"
- समान X मान (लंबवत रेखा): "प्रत्येक x समान है, इसलिए रेखा लंबवत होगी और ढाल शून्य से विभाजित हो जाएगी।"
गोपनीयता और डेटा प्रोसेसिंग
इस टूल का उपयोग करते समय आपकी गोपनीयता पूरी तरह सुरक्षित रहती है। आपके डेटा बिंदु और हर सांख्यिकी इसी ब्राउज़र में रहते हैं और इन्हें कभी भी अपलोड नहीं किया जाता है। संपूर्ण गणना स्थानीय स्तर पर आपके वेब ब्राउज़र के भीतर ही निष्पादित की जाती है।
अक्सर पूछे जाने वाले प्रश्न (FAQ)
क्या इससे कोई फर्क पड़ता है कि मैं किस कॉलम को x में रखता हूँ?
हाँ। न्यूनतम-वर्ग लंबवत अंतर को न्यूनतम करता है, इसलिए यह y को स्पष्ट की जाने वाली चीज़ और x को स्पष्ट करने वाली चीज़ के रूप में मानता है। उन्हें आपस में बदलें और आपको एक अलग ढाल और एक अलग अंतःखंड मिलेगा — केवल r और R² समान रहते हैं। जिस चर का आप पूर्वानुमान लगाना चाहते हैं उसे y में रखें; यदि कॉलम गलत तरीके से दर्ज हो गए हैं, तो स्वैप बटन उन्हें उसी स्थान पर फिर से लिख देता है।
R² वास्तव में मुझे क्या बताता है?
R² y में होने वाले उतार-चढ़ाव का वह हिस्सा है जिसे रेखा स्पष्ट करती है: 0.96 का अर्थ है कि इसका 96% हिस्सा x के साथ संरेखित है और 4% नहीं है। यह इस बारे में कुछ नहीं बताता कि क्या एक सीधी रेखा सही आकार थी — एक स्पष्ट वक्र भी उच्च स्कोर कर सकता है — इसलिए इसे अवशिष्ट आरेख (रेसिड्यूअल प्लॉट) के साथ पढ़ें। सहसंबंध r, ढाल के चिह्न के साथ R² का वर्गमूल है, यही कारण है कि नीचे की ओर जाने वाली रेखा के लिए r ऋणात्मक होता है।
क्या छोटे p-मान का अर्थ यह है कि x के कारण y घटित होता है?
नहीं। p-मान केवल एक संकीर्ण प्रश्न का उत्तर देता है: यदि वास्तविक ढाल 0 होती, तो इस आकार का नमूना कितनी बार 0 से कम से कम इतनी दूर की ढाल उत्पन्न करता? एक छोटा मान “कोई संबंध न होने” को एक अजीब स्पष्टीकरण बनाता है, इससे अधिक कुछ नहीं। कारण जानने के लिए अध्ययन के डिज़ाइन की आवश्यकता होती है — दोनों कॉलमों को प्रभावित करने वाला कोई तीसरा कारक, या ऐसा नमूना जिसे स्वतंत्र रूप से एकत्र नहीं किया गया था, भी उतनी ही आसानी से छोटे p-मान उत्पन्न कर सकता है।
पूर्वानुमान दो अंतरालों के साथ क्यों आते हैं?
वे अलग-अलग प्रश्नों के उत्तर देते हैं। माध्य अंतराल यह पूछता है कि उस x पर सभी के लिए औसत y कहाँ स्थित है, इसलिए केवल रेखा की अपनी अनिश्चितता ही मायने रखती है। व्यक्तिगत अंतराल यह पूछता है कि एक नया प्रेक्षण कहाँ गिरेगा, जिसमें रेखा के चारों ओर बिंदुओं का प्रकीर्णन भी जुड़ जाता है — इसी अतिरिक्त पद के कारण यह हमेशा दोनों में से अधिक चौड़ा होता है। जैसे-जैसे x आपके डेटा के मध्य से दूर जाता है, दोनों अंतराल चौड़े होते जाते हैं।