ലീനിയർ റിഗ്രഷൻ കാൽക്കുലേറ്റർ

ജോടിയാക്കിയ ഡാറ്റയിലേക്ക് ഒരു ലീസ്റ്റ്-സ്ക്വയർ ലൈൻ ഫിറ്റ് ചെയ്യുക, അതിന്റെ സ്ലോപ്പ്, R², p-മൂല്യം, കോൺഫിഡൻസ് ഇന്റർവലുകൾ, റെസിഡ്യുവലുകൾ, പ്രവചനങ്ങൾ എന്നിവ ഒരിടത്ത് കാണുക.

ഡാറ്റ

ആദ്യം x, പിന്നെ y നൽകുക. ഒരു സ്പ്രെഡ്ഷീറ്റിൽ നിന്ന് കോപ്പി ചെയ്ത രണ്ട് കോളങ്ങൾ ഹെഡർ വരി ഉൾപ്പെടെ നേരിട്ട് പേസ്റ്റ് ചെയ്യാം. ദശാംശങ്ങൾക്ക് 12.5 എന്നതുപോലെ ഡോട്ട് ഉപയോഗിക്കുക.
ഓപ്ഷണൽ. സ്പേസുകൾ ഉപയോഗിച്ച് വേർതിരിച്ച 50 മൂല്യങ്ങൾ വരെ.

റിഗ്രഷൻ ലൈൻ

ലീസ്റ്റ്-സ്ക്വയർ ലൈൻ

—

കോഫിഫിഷ്യന്റുകൾ

ടേംഎസ്റ്റിമേറ്റ്സ്റ്റാൻഡേർഡ് എറർtp{level}% ഇന്റർവൽ

വേരിയൻസ് വിശദീകരണം

ഉറവിടംdfസം ഓഫ് സ്ക്വയേഴ്സ്മീൻ സ്ക്വയർFp

ഫിറ്റും റെസിഡ്യുവലുകളും

പ്രവചനങ്ങൾ

ശരാശരി ഇന്റർവൽ ആ x-ലെ ശരാശരി y-യെ ഉൾക്കൊള്ളുന്നു. വ്യക്തിഗത ഇന്റർവൽ ഒരു പുതിയ നിരീക്ഷണത്തെ ഉൾക്കൊള്ളുന്നു, അതിനാൽ ഇത് എപ്പോഴും കൂടുതൽ വീതിയുള്ളതായിരിക്കും.

xŷശരാശരി {level}%വ്യക്തിഗതം {level}%

ഓരോ പോയിന്റായി

xyŷy − ŷ

ഫോർമുലയും സബ്സ്റ്റിറ്റ്യൂഷനും

b = Σ(x − x̄)(y − ȳ) ÷ Σ(x − x̄)²

a = ȳ − b·x̄

SSE = Σ(y − ŷ)²

SST = Σ(y − ȳ)²

R² = 1 − SSE ÷ SST

s = √(SSE ÷ (n − 2))

SE(b) = s ÷ √Σ(x − x̄)²

    ഒരു ലൈൻ ഫിറ്റ് ചെയ്യുന്നതിനായി x, y ജോടികൾ പേസ്റ്റ് ചെയ്യുക.

    നിങ്ങളുടെ ഡാറ്റാ പോയിന്റുകളും എല്ലാ സ്ഥിതിവിവരക്കണക്കുകളും ഈ ബ്രൗസറിൽ തന്നെ തുടരും, അവ ഒരിക്കലും അപ്‌ലോഡ് ചെയ്യപ്പെടില്ല.

    പതിവ് ചോദ്യങ്ങൾ

    R² യഥാർത്ഥത്തിൽ എന്താണ് വ്യക്തമാക്കുന്നത്?

    y-യുടെ മുകളോട്ടും താഴോട്ടുമുള്ള ചലനത്തിൽ ലൈൻ എത്രത്തോളം പങ്കുവഹിക്കുന്നു എന്നതാണ് R²: 0.96 എന്നാൽ അതിന്റെ 96% x-മായി പൊരുത്തപ്പെടുന്നു എന്നും 4% പൊരുത്തപ്പെടുന്നില്ല എന്നുമാണ് അർത്ഥം. ഒരു നേർരേഖയാണോ ശരിയായ രൂപം എന്നതിനെക്കുറിച്ച് ഇത് ഒന്നും പറയുന്നില്ല — വ്യക്തമായ ഒരു കർവിനും ഉയർന്ന സ്കോർ ലഭിക്കാം — അതിനാൽ ഇത് റെസിഡ്യുവൽ പ്ലോട്ടിനൊപ്പം വായിക്കുക. കോറിലേഷൻ r എന്നത് സ്ലോപ്പിന്റെ ചിഹ്നമുള്ള R²-ന്റെ വർഗ്ഗമൂലമാണ്, അതുകൊണ്ടാണ് താഴേക്ക് പോകുന്ന ലൈനുകൾക്ക് r നെഗറ്റീവ് ആകുന്നത്.

    ചെറിയ p-മൂല്യം എന്നാൽ x കാരണം y സംഭവിക്കുന്നു എന്നാണോ?

    അല്ല. p-മൂല്യം ഒരു ചെറിയ ചോദ്യത്തിന് മാത്രമേ ഉത്തരം നൽകുന്നുള്ളൂ: യഥാർത്ഥ സ്ലോപ്പ് 0 ആയിരുന്നെങ്കിൽ, ഈ വലുപ്പമുള്ള ഒരു സാമ്പിൾ എത്ര തവണ 0-ൽ നിന്ന് ഇത്രയെങ്കിലും അകലെയുള്ള ഒരു സ്ലോപ്പ് ഉണ്ടാക്കും? ഒരു ചെറിയ മൂല്യം “ഒരു ബന്ധവുമില്ല” എന്ന വിശദീകരണത്തെ അപ്രസക്തമാക്കുന്നു, അതിൽ കൂടുതൽ ഒന്നുമില്ല. കാര്യകാരണ ബന്ധത്തിന് പഠനത്തിന്റെ രൂപകൽപ്പന ആവശ്യമാണ് — രണ്ട് കോളങ്ങളെയും സ്വാധീനിക്കുന്ന മൂന്നാമതൊരു ഘടകമോ അല്ലെങ്കിൽ സ്വതന്ത്രമായി ശേഖരിക്കാത്ത ഒരു സാമ്പിളോ ഉണ്ടെങ്കിലും വളരെ എളുപ്പത്തിൽ ചെറിയ p-മൂല്യങ്ങൾ ഉണ്ടാകാം.

    പ്രവചനങ്ങൾ രണ്ട് ഇന്റർവലുകളോടെ വരുന്നത് എന്തുകൊണ്ടാണ്?

    അവ വ്യത്യസ്ത ചോദ്യങ്ങൾക്കാണ് ഉത്തരം നൽകുന്നത്. ശരാശരി ഇന്റർവൽ ചോദിക്കുന്നത് ആ x-ലുള്ള എല്ലാവരുടെയും ശരാശരി y എവിടെയായിരിക്കും എന്നാണ്, അതിനാൽ ലൈനിലെ അനിശ്ചിതത്വം മാത്രമേ ഇവിടെ കണക്കിലെടുക്കൂ. വ്യക്തിഗത ഇന്റർവൽ ചോദിക്കുന്നത് ഒരു പുതിയ നിരീക്ഷണം എവിടെയായിരിക്കും എന്നാണ്, ഇത് ലൈനിന് ചുറ്റുമുള്ള പോയിന്റുകളുടെ ചിതറിക്കിടക്കലിനെക്കൂടി കൂട്ടിച്ചേർക്കുന്നു — ഈ അധിക ഘടകം ഉള്ളതുകൊണ്ടാണ് ഇത് എപ്പോഴും രണ്ടാമത്തേതിനേക്കാൾ വീതിയുള്ളതായിരിക്കുന്നത്. നിങ്ങളുടെ ഡാറ്റയുടെ മധ്യഭാഗത്ത് നിന്ന് x അകലേക്ക് പോകുന്തോറും ഇവ രണ്ടും വീതിയുള്ളതായി മാറും.

    ഞാൻ ഏത് കോളം x-ൽ നൽകുന്നു എന്നത് പ്രധാനമാണോ?

    അതെ. ലീസ്റ്റ് സ്ക്വയറുകൾ ലംബമായ വിടവുകൾ കുറയ്ക്കുന്നു, അതിനാൽ ഇത് y-യെ വിശദീകരിക്കപ്പെടുന്ന കാര്യമായും x-നെ വിശദീകരിക്കുന്ന കാര്യമായും കണക്കാക്കുന്നു. അവ പരസ്പരം മാറ്റിയാൽ നിങ്ങൾക്ക് മറ്റൊരു സ്ലോപ്പും മറ്റൊരു ഇന്റർസെപ്റ്റും ലഭിക്കും — r, R² എന്നിവ മാത്രമേ ഒരേപോലെ തുടരൂ. നിങ്ങൾ പ്രവചിക്കാൻ ആഗ്രഹിക്കുന്ന വേരിയബിൾ y-ൽ നൽകുക; കോളങ്ങൾ തെറ്റായ രീതിയിലാണ് നൽകിയതെങ്കിൽ, സ്വാപ്പ് ബട്ടൺ അവയെ യഥാസ്ഥാനത്ത് മാറ്റിയെഴുതും.

    BroBroGo എഡിറ്റോറിയൽ ടീം എഴുതി അവലോകനം ചെയ്തത്.അവസാനം അപ്ഡേറ്റ് ചെയ്തത്:

    ലീനിയർ റിഗ്രഷൻ കാൽക്കുലേറ്റർ

    രണ്ട് വേരിയബിളുകൾ തമ്മിലുള്ള ബന്ധം വിശകലനം ചെയ്യുന്നതിനും പ്രവചനങ്ങൾ നടത്തുന്നതിനുമുള്ള ഒരു ലളിതമായ ഓൺലൈൻ ടൂളാണ് ലീനിയർ റിഗ്രഷൻ കാൽക്കുലേറ്റർ. ഈ ടൂൾ ഉപയോഗിച്ച് ഉപയോക്താക്കൾക്ക് അവരുടെ ഡാറ്റാ പോയിന്റുകൾ നേരിട്ട് ബ്രൗസറിൽ നൽകി ലീസ്റ്റ്-സ്ക്വയർ റിഗ്രഷൻ ലൈൻ (least-squares regression line) കണ്ടെത്താനാകും. ഡാറ്റ നൽകുന്ന നിമിഷം തന്നെ സ്ലോപ്പ്, ഇന്റർസെപ്റ്റ്, കോറിലേഷൻ കോഫിഫിഷ്യന്റ് (r), കോഫിഫിഷ്യന്റ് ഓഫ് ഡിറ്റർമിനേഷൻ (R²), അഡ്ജസ്റ്റഡ് R², സ്റ്റാൻഡേർഡ് എററുകൾ, p-മൂല്യങ്ങൾ, കോൺഫിഡൻസ് ഇന്റർവലുകൾ, റെസിഡ്യുവലുകൾ, പ്രവചനങ്ങൾ എന്നിവ ഈ ടൂൾ കണക്കാക്കുന്നു. കൂടാതെ, ഫിറ്റ് ചെയ്ത ലൈനിന്റെയും റെസിഡ്യുവലുകളുടെയും ഗ്രാഫിക്കൽ ചിത്രീകരണവും ഘട്ടം ഘട്ടമായുള്ള ഗണിതശാസ്ത്ര സമവാക്യങ്ങളും ഇതിലൂടെ ലഭിക്കും.

    ഈ ടൂളിൽ നൽകുന്ന ഡാറ്റാ പോയിന്റുകളും കണക്കാക്കുന്ന സ്ഥിതിവിവരക്കണക്കുകളും പൂർണ്ണമായും ഉപയോക്താവിന്റെ ലോക്കൽ വെബ് ബ്രൗസറിൽ തന്നെയായിരിക്കും പ്രോസസ്സ് ചെയ്യുന്നത്. ഇവയൊന്നും ഒരു ബാഹ്യ സെർവറിലേക്കും അപ്‌ലോഡ് ചെയ്യപ്പെടുന്നില്ല.

    ഡാറ്റാ ഇൻപുട്ടുകളും ക്രമീകരണങ്ങളും

    കാൽക്കുലേറ്ററിലേക്ക് ഡാറ്റ നൽകുന്നതിനും ഫലങ്ങൾ ക്രമീകരിക്കുന്നതിനും താഴെ പറയുന്ന ഓപ്ഷനുകൾ ലഭ്യമാണ്:

    • ലേഔട്ട്: ഉപയോക്താക്കൾക്ക് "ജോടി വരികൾ" (ഒരു വരിയിൽ ഒരു x, y വീതം) അല്ലെങ്കിൽ "രണ്ട് ലിസ്റ്റുകൾ" (x മൂല്യങ്ങളും y മൂല്യങ്ങളും വെവ്വേറെ ഇൻപുട്ടുകളായി നൽകുക) എന്നിവയിൽ ഒന്ന് തിരഞ്ഞെടുക്കാം.
    • ഡാറ്റാ പോയിന്റുകൾ:
      • ജോടി വരികൾക്ക്: x, y ജോടികൾ നൽകുക, ആദ്യം x-ഉം പിന്നീട് y-ഉം നൽകണം. സ്പ്രെഡ്ഷീറ്റിൽ നിന്ന് കോപ്പി ചെയ്ത രണ്ട് കോളങ്ങൾ ഹെഡർ വരി ഉൾപ്പെടെ നേരിട്ട് പേസ്റ്റ് ചെയ്യാവുന്നതാണ്. ആദ്യ വരിയിലെ രണ്ട് എൻട്രികളും സംഖ്യകളല്ലെങ്കിൽ, അത് ഹെഡർ വരിയായി കണക്കാക്കി ഒഴിവാക്കും.
      • രണ്ട് ലിസ്റ്റുകൾക്ക്: "x മൂല്യങ്ങൾ (പ്രവചിക്കുന്നത്)", "y മൂല്യങ്ങൾ (പ്രതികരണം)" എന്നിവ വെവ്വേറെ നൽകുക. മൂല്യങ്ങൾ സ്പേസുകൾ, കോമകൾ അല്ലെങ്കിൽ പുതിയ വരികൾ ഉപയോഗിച്ച് വേർതിരിക്കാം. രണ്ട് ലിസ്റ്റുകളിലും ഒരേ എണ്ണം മൂല്യങ്ങൾ ഉണ്ടായിരിക്കണം.
      • പരിധികൾ: കുറഞ്ഞത് 2 പോയിന്റുകൾ ആവശ്യമാണ്. പരമാവധി 50,000 പോയിന്റുകളും 1 MB വരെയുള്ള ടെക്സ്റ്റും സുരക്ഷിതമായി നൽകാം.
    • x-ൽ y പ്രവചിക്കുക: നിർദ്ദിഷ്ട x മൂല്യങ്ങളിലെ y പ്രവചിക്കാൻ ഇത് ഉപയോഗിക്കുന്നു. സ്പേസുകളോ കോമകളോ ഉപയോഗിച്ച് വേർതിരിച്ച 50 മൂല്യങ്ങൾ വരെ നൽകാം.
    • കോൺഫിഡൻസ് ലെവൽ: കോഫിഫിഷ്യന്റ് ഇന്റർവലുകൾ, പ്രവചന ഇന്റർവലുകൾ, ചാർട്ട് ബാൻഡ് എന്നിവയ്ക്കായി 90%, 95% അല്ലെങ്കിൽ 99% തിരഞ്ഞെടുക്കാം.
    • പ്രദർശിപ്പിക്കുന്ന ദശാംശസ്ഥാനങ്ങൾ: കണക്കുകൂട്ടലുകൾക്കായി 2, 4 അല്ലെങ്കിൽ 6 ദശാംശസ്ഥാനങ്ങൾ ക്രമീകരിക്കാം.
    • ദശാംശ സൂചകം: ഡോട്ട് (ഉദാഹരണത്തിന് 12.5) അല്ലെങ്കിൽ കോമ (ഉദാഹരണത്തിന് 12,5) എന്നിവ പിന്തുണയ്ക്കുന്നു. കോമ ഉപയോഗിക്കുമ്പോൾ ലിസ്റ്റിലെ മൂല്യങ്ങൾ വേർതിരിക്കാൻ സെമികോളൻ ഉപയോഗിക്കേണ്ടതാണ്.

    ഔട്ട്പുട്ടുകളും വിശകലന ഫലങ്ങളും

    ഡാറ്റ നൽകിക്കഴിഞ്ഞാൽ താഴെ പറയുന്ന ഫലങ്ങൾ തത്സമയം ലഭ്യമാകും:

    1. റിഗ്രഷൻ ലൈൻ സംഗ്രഹം

    • ലീസ്റ്റ്-സ്ക്വയർ ലൈൻ
    • ശരാശരിയായി, x-ൽ ഉണ്ടാകുന്ന ഓരോ 1-ന്റെ വർദ്ധനവിനും y-ൽ ‹slope› മാറ്റമുണ്ടാകുന്നു.
    • x എന്നത് 0 ആയിരിക്കുന്നിടത്ത് ലൈൻ y = ‹intercept› എന്നതിൽ സ്ഥിതിചെയ്യുന്നു.
    • കോറിലേഷൻ r
    • R²
    • അഡ്ജസ്റ്റഡ് R²
    • റെസിഡ്യുവൽ സ്പ്രെഡ് s
    • പോയിന്റുകൾ n

    2. കോഫിഫിഷ്യന്റുകൾ

    ഈ പട്ടികയിൽ താഴെ പറയുന്ന വിവരങ്ങൾ അടങ്ങിയിരിക്കുന്നു:

    • കോളങ്ങൾ: ടേം, എസ്റ്റിമേറ്റ്, സ്റ്റാൻഡേർഡ് എറർ, t, p, ‹level›% ഇന്റർവൽ.
    • വരികൾ: സ്ലോപ്പ് b, ഇന്റർസെപ്റ്റ് a.

    3. ഫിറ്റും റെസിഡ്യുവലുകളും

    • ഫിറ്റ് ചെയ്ത ലൈൻ: ലീസ്റ്റ്-സ്ക്വയർ ലൈനും അതിന്റെ ശരാശരിക്ക് ചുറ്റുമുള്ള ബാൻഡും ഉള്ള പോയിന്റുകളുടെ സ്കാറ്റർ പ്ലോട്ട്.
    • റെസിഡ്യുവലുകൾ: പൂജ്യം ലൈനിന് ചുറ്റും വിതരണം ചെയ്ത രീതിയിൽ, x-ന് എതിരെ പ്ലോട്ട് ചെയ്ത റെസിഡ്യുവലുകൾ.
    • ലെജൻഡ് ഇനങ്ങൾ: പോയിന്റുകൾ, ഫിറ്റ് ചെയ്ത ലൈ, ശരാശരിക്കായുള്ള ‹level›% ബാൻഡ്, പൂജ്യം ലൈൻ.

    4. പ്രവചനങ്ങൾ

    • കോളങ്ങൾ: x, ŷ, ശരാശരി ‹level›%, വ്യക്തിഗതം ‹level›%.
    • നൽകിയ ഡാറ്റാ പരിധിക്ക് പുറത്തുള്ള x മൂല്യങ്ങൾ പ്രവചനത്തിനായി നൽകുമ്പോൾ "ഡാറ്റയ്ക്ക് പുറത്ത്" എന്ന ലേബലും, "അടയാളപ്പെടുത്തിയ വരികൾ നിങ്ങൾ നൽകിയ മൂല്യങ്ങൾക്ക് അപ്പുറമുള്ള x ഉപയോഗിക്കുന്നു, അതിനാൽ ഡാറ്റ കാണിക്കുന്നതിനപ്പുറത്തേക്ക് ലൈൻ നീട്ടുകയാണ് ചെയ്യുന്നത്." എന്ന കുറിപ്പും കാണിക്കുന്നു.
    • പ്രവചന ഇൻപുട്ട് ശൂന്യമായിരിക്കുമ്പോൾ "രണ്ട് ഇന്റർവലുകളോടും കൂടി y പ്രവചിക്കാൻ ഇടതുവശത്ത് ഒന്നോ അതിലധികമോ x മൂല്യങ്ങൾ നൽകുക." എന്ന് കാണിക്കും.

    5. ഓരോ പോയിന്റായി

    • കോളങ്ങൾ: x, y, ŷ, y − ŷ.

    6. വേരിയൻസ് വിശദീകരണം

    • കോളങ്ങൾ: ഉറവിടം, df, സം ഓഫ് സ്ക്വയേഴ്സ്, മീൻ സ്ക്വയർ, F, p.
    • വരികൾ: ലൈൻ വിശദീകരിക്കുന്നത്, ബാക്കിയുള്ളവ, ആകെ.

    ഗണിതശാസ്ത്ര സമവാക്യങ്ങളും ഘട്ടങ്ങളും

    കാൽക്കുലേറ്റർ NIST/SEMATECH നിർദ്ദേശങ്ങൾക്കനുസൃതമായി താഴെ പറയുന്ന സമവാക്യങ്ങൾ ഉപയോഗിച്ച് ഘട്ടങ്ങൾ വിശദീകരിക്കുന്നു:

    • ശരാശരികൾ: x̄ = Σ xᵢ ÷ n = meanX, ȳ = Σ yᵢ ÷ n = meanY
    • സ്പ്രെഡും കോ-മൂവ്‌മെന്റും: Sxx = Σ(xᵢ − x̄)², Sxy = Σ(xᵢ − x̄)(yᵢ − ȳ)
    • സ്ലോപ്പ്: b = Sxy ÷ Sxx = slope
    • ഇന്റർസെപ്റ്റ്: a = ȳ − b · x̄ = intercept
    • വിശദീകരിച്ച വേരിയേഷന്റെ പങ്ക്: R² = SSR ÷ SST = r2
    • റെസിഡ്യുവൽ സ്പ്രെഡ്: s = √(SSE ÷ (n − 2)) = s
    • സ്ലോപ്പിന്റെ സ്റ്റാൻഡേർഡ് എറർ: SE(b) = s ÷ √(Sxx) = se
    • t-ടെസ്റ്റ്: t = b ÷ SE(b) = t, അതിനാൽ df ഡിഗ്രീസ് ഓഫ് ഫ്രീഡത്തിൽ p = p

    പ്രത്യേക സാഹചര്യങ്ങളും പിശക് സന്ദേശങ്ങളും

    ഡാറ്റാ എൻട്രിയുടെ സ്വഭാവമനുസരിച്ച് കാൽക്കുലേറ്റർ താഴെ പറയുന്ന പ്രത്യേക സന്ദേശങ്ങൾ കാണിക്കുന്നു:

    • കൃത്യം രണ്ട് പോയിന്റുകൾ: "രണ്ട് പോയിന്റുകൾ ലൈൻ കൃത്യമായി നിർണ്ണയിക്കുന്നു, അതിനാൽ അനിശ്ചിതത്വം കണക്കാക്കാൻ ഒന്നും ബാക്കിയില്ല."
    • കൃത്യമായ ഫിറ്റ്: "പോയിന്റുകൾ കൃത്യമായി ലൈനിൽ തന്നെയാണ് സ്ഥിതിചെയ്യുന്നത്, അതിനാൽ റെസിഡ്യുവൽ സ്പ്രെഡ് ഇല്ല കൂടാതെ ഇന്റർവലോ p-മൂല്യമോ കണക്കാക്കാൻ കഴിയില്ല."
    • സ്ഥിരമായ Y മൂല്യങ്ങൾ: "എല്ലാ y മൂല്യങ്ങളും ഒന്നുതന്നെയാണ്, അതിനാൽ ലൈൻ പരന്നതാണ് കൂടാതെ r, R², സിഗ്നിഫിക്കൻസ് ടെസ്റ്റ് എന്നിവ നിർവചിക്കപ്പെടാത്തതുമാണ്."
    • ലംബമായ ലൈൻ (സ്ഥിരമായ X മൂല്യങ്ങൾ): "എല്ലാ x മൂല്യങ്ങളും ഒന്നുതന്നെയാണ്, അതിനാൽ ലൈൻ ലംബമായിരിക്കും കൂടാതെ സ്ലോപ്പ് പൂജ്യം കൊണ്ട് ഹരിക്കേണ്ടി വരും."

    പിശക് സന്ദേശങ്ങൾ (Error Messages)

    • തരംതിരിക്കാത്ത വരി: "“‹token›” എന്നത് ഒരു സംഖ്യയല്ല (വരി ‹position›)."
    • തരംതിരിക്കാത്ത ലിസ്റ്റ് മൂല്യം: "“‹token›” എന്നത് ഒരു സംഖ്യയല്ല (മൂല്യം ‹position›)."
    • തെറ്റായ പ്രവചന ഇൻപുട്ട്: "പ്രവചനങ്ങൾക്ക് സംഖ്യകൾ മാത്രമേ ഉപയോഗിക്കാനാകൂ; “‹token›” എന്നത് ഒരു സംഖ്യയല്ല."
    • അപൂർണ്ണമായ ജോടി: "വരി ‹position›-ൽ കൃത്യമായി രണ്ട് സംഖ്യകൾ ആവശ്യമാണ്: ആദ്യം x, പിന്നെ y."
    • ലിസ്റ്റുകളുടെ നീളത്തിലുള്ള വ്യത്യാസം: "‹countX› x മൂല്യങ്ങളും ‹countY› y മൂല്യങ്ങളും ഉണ്ട് — ലിസ്റ്റുകൾക്ക് ഒരേ നീളം ഉണ്ടായിരിക്കണം."
    • കുറഞ്ഞ ഡാറ്റ: "കുറഞ്ഞത് 2 പോയിന്റുകളെങ്കിലും നൽകുക; ഒരു പോയിന്റ് കൊണ്ട് ഒരു ലൈൻ നിർവചിക്കാൻ കഴിയില്ല."
    • ഡാറ്റാ പരിധി കവിഞ്ഞു: "ഡാറ്റ ‹max› പോയിന്റുകളിൽ താഴെയായി സൂക്ഷിക്കുക."
    • പ്രവചന പരിധി കവിഞ്ഞു: "ഒരു സമയം പരമാവധി ‹max› മൂല്യങ്ങൾ മാത്രം പ്രവചിക്കുക."
    • സംഖ്യാ ഓവർഫ്ലോ: "ഒരു മൂല്യമോ ഇടനില ഫലമോ പിന്തുണയ്ക്കുന്ന സംഖ്യാ പരിധിയേക്കാൾ കൂടുതലാണ്."

    പതിവായി ചോദിക്കുന്ന ചോദ്യങ്ങൾ (FAQ)

    ചോദ്യം: ഞാൻ ഏത് കോളം x-ൽ നൽകുന്നു എന്നത് പ്രധാനമാണോ?
    ഉത്തരം: അതെ. ലീസ്റ്റ് സ്ക്വയറുകൾ ലംബമായ വിടവുകൾ കുറയ്ക്കുന്നു, അതിനാൽ ഇത് y-യെ വിശദീകരിക്കപ്പെടുന്ന കാര്യമായും x-നെ വിശദീകരിക്കുന്ന കാര്യമായും കണക്കാക്കുന്നു. അവ പരസ്പരം മാറ്റിയാൽ നിങ്ങൾക്ക് മറ്റൊരു സ്ലോപ്പും മറ്റൊരു ഇന്റർസെപ്റ്റും ലഭിക്കും — r, R² എന്നിവ മാത്രമേ ഒരേപോലെ തുടരൂ. നിങ്ങൾ പ്രവചിക്കാൻ ആഗ്രഹിക്കുന്ന വേരിയബിൾ y-ൽ നൽകുക; കോളങ്ങൾ തെറ്റായ രീതിയിലാണ് നൽകിയതെങ്കിൽ, സ്വാപ്പ് ബട്ടൺ അവയെ യഥാസ്ഥാനത്ത് മാറ്റിയെഴുതും.

    ചോദ്യം: R² യഥാർത്ഥത്തിൽ എന്താണ് വ്യക്തമാക്കുന്നത്?
    ഉത്തരം: y-യുടെ മുകളോട്ടും താഴോട്ടുമുള്ള ചലനത്തിൽ ലൈൻ എത്രത്തോളം പങ്കുവഹിക്കുന്നു എന്നതാണ് R²: 0.96 എന്നാൽ അതിന്റെ 96% x-മായി പൊരുത്തപ്പെടുന്നു എന്നും 4% പൊരുത്തപ്പെടുന്നില്ല എന്നുമാണ് അർത്ഥം. ഒരു നേർരേഖയാണോ ശരിയായ രൂപം എന്നതിനെക്കുറിച്ച് ഇത് ഒന്നും പറയുന്നില്ല — വ്യക്തമായ ഒരു കർവിനും ഉയർന്ന സ്കോർ ലഭിക്കാം — അതിനാൽ ഇത് റെസിഡ്യുവൽ പ്ലോട്ടിനൊപ്പം വായിക്കുക. കോറിലേഷൻ r എന്നത് സ്ലോപ്പിന്റെ ചിഹ്നമുള്ള R²-ന്റെ വർഗ്ഗമൂലമാണ്, അതുകൊണ്ടാണ് താഴേക്ക് പോകുന്ന ലൈനുകൾക്ക് r നെഗറ്റീവ് ആകുന്നത്.

    ചോദ്യം: ചെറിയ p-മൂല്യം എന്നാൽ x കാരണം y സംഭവിക്കുന്നു എന്നാണോ?
    ഉത്തരം: അല്ല. p-മൂല്യം ഒരു ചെറിയ ചോദ്യത്തിന് മാത്രമേ ഉത്തരം നൽകുന്നുള്ളൂ: യഥാർത്ഥ സ്ലോപ്പ് 0 ആയിരുന്നെങ്കിൽ, ഈ വലുപ്പമുള്ള ഒരു സാമ്പിൾ എത്ര തവണ 0-ൽ നിന്ന് ഇത്രയെങ്കിലും അകലെയുള്ള ഒരു സ്ലോപ്പ് ഉണ്ടാക്കും? ഒരു ചെറിയ മൂല്യം “ഒരു ബന്ധവുമില്ല” എന്ന വിശദീകരണത്തെ അപ്രസക്തമാക്കുന്നു, അതിൽ കൂടുതൽ ഒന്നുമില്ല. കാര്യകാരണ ബന്ധത്തിന് പഠനത്തിന്റെ രൂപകൽപ്പന ആവശ്യമാണ് — രണ്ട് കോളങ്ങളെയും സ്വാധീനിക്കുന്ന മൂന്നാമതൊരു ഘടകമോ അല്ലെങ്കിൽ സ്വതന്ത്രമായി ശേഖരിക്കാത്ത ഒരു സാമ്പിളോ ഉണ്ടെങ്കിലും വളരെ എളുപ്പത്തിൽ ചെറിയ p-മൂല്യങ്ങൾ ഉണ്ടാകാം.

    ചോദ്യം: പ്രവചനങ്ങൾ രണ്ട് ഇന്റർവലുകളോടെ വരുന്നത് എന്തുകൊണ്ടാണ്?
    ഉത്തരം: അവ വ്യത്യസ്ത ചോദ്യങ്ങൾക്കാണ് ഉത്തരം നൽകുന്നത്. ശരാശരി ഇന്റർവൽ ചോദിക്കുന്നത് ആ x-ലുള്ള എല്ലാവരുടെയും ശരാശരി y എവിടെയായിരിക്കും എന്നാണ്, അതിനാൽ ലൈനിലെ അനിശ്ചിതത്വം മാത്രമേ ഇവിടെ കണക്കിലെടുക്കൂ. വ്യക്തിഗത ഇന്റർവൽ ചോദിക്കുന്നത് ഒരു പുതിയ നിരീക്ഷണം എവിടെയായിരിക്കും എന്നാണ്, ഇത് ലൈനിന് ചുറ്റുമുള്ള പോയിന്റുകളുടെ ചിതറിക്കിടക്കലിനെക്കൂടി കൂട്ടിച്ചേർക്കുന്നു — ഈ അധിക ഘടകം ഉള്ളതുകൊണ്ടാണ് ഇത് എപ്പോഴും രണ്ടാമത്തേതിനേക്കാൾ വീതിയുള്ളതായിരിക്കുന്നത്. നിങ്ങളുടെ ഡാറ്റയുടെ മധ്യഭാഗത്ത് നിന്ന് x അകലേക്ക് പോകുന്തോറും ഇവ രണ്ടും വീതിയുള്ളതായി മാറും.

    Z-സ്കോർ & സ്റ്റാൻഡേർഡ് ഡീവിയേഷൻ കാൽക്കുലേറ്റർഒരു ഡാറ്റാ സെറ്റിന്റെ ശരാശരി, സ്റ്റാൻഡേർഡ് ഡീവിയേഷൻ, ഓരോ മൂല്യത്തിന്റെയും z-സ്കോറുകൾ എന്നിവ ലഭിക്കാൻ അത് പേസ്റ്റ് ചെയ്യുക, അല്ലെങ്കിൽ നോർമൽ കർവ് പ്രോബബിലിറ്റികൾ ഉപയോഗിച്ച് z = (x − μ) / σ എന്നതിലെ ഒരു അജ്ഞാത മൂല്യം കണ്ടെത്തുക.സർവേ വെയ്റ്റിംഗ് കാൽക്കുലേറ്റർറെസ്‌പോണ്ടന്റ് ഡാറ്റ അറിയപ്പെടുന്ന പോപ്പുലേഷൻ മാർജിനുകളിലേക്ക് റേക് ചെയ്യുക, തുടർന്ന് ഓരോ അവസാന വെയ്റ്റും, ടാർഗെറ്റ് റെസിഡ്യുവലും, എഫക്റ്റീവ് സാമ്പിൾ സൈസും പരിശോധിക്കുക.പെർസന്റേജ് കാൽക്കുലേറ്റർഒരു സംഖ്യയുടെ X% എത്രയാണ്, ഒരു മൂല്യം മറ്റൊന്നിന്റെ എത്ര ശതമാനമാണ്, അറിയപ്പെടുന്ന ശതമാനത്തിന് പിന്നിലെ ആകെ തുക, രണ്ട് അക്കങ്ങൾക്കിടയിലുള്ള വർദ്ധനവ് അല്ലെങ്കിൽ കുറവ്, കിഴിവിന് ശേഷമുള്ള വിൽപ്പന വില — എല്ലാം ഒരൊറ്റ പേജിൽ.റേഷ്യോ കാൽക്കുലേറ്റർഒരു അനുപാതം ലഘൂകരിക്കുക, ഒരു സമവാക്യത്തിലെ ശൂന്യമായ ഭാഗം പൂരിപ്പിക്കുക, അല്ലെങ്കിൽ ഇരുവശങ്ങളും ഒരേ ഘടകം കൊണ്ട് സ്കെയിൽ ചെയ്യുക.സിഗ്നിഫിക്കന്റ് ഫിഗേഴ്സ് കാൽക്കുലേറ്റർഏതൊരു മൂല്യത്തിലെയും സിഗ്നിഫിക്കന്റ് ഫിഗറുകൾ എണ്ണുക, തിരഞ്ഞെടുത്ത കൃത്യതയിലേക്ക് റൗണ്ട് ചെയ്യുക, അല്ലെങ്കിൽ റൗണ്ടിംഗ് നിയമങ്ങൾ ഘട്ടം ഘട്ടമായി കണ്ട് + − × ÷ എക്സ്പ്രഷനുകൾ കണക്കാക്കുക.Arrhenius റേറ്റ് കാൽക്കുലേറ്റർഓരോ സബ്സ്റ്റിറ്റ്യൂഷനും കാണിച്ചുകൊണ്ട് ഒരു റേറ്റ് കോൺസ്റ്റന്റ് കണക്കാക്കുക, രണ്ട് അളവുകളിൽ നിന്ന് ആക്ടിവേഷൻ ഊർജ്ജം കണ്ടെത്തുക, അല്ലെങ്കിൽ അറിയപ്പെടുന്ന ഒരു റേറ്റ് കോൺസ്റ്റന്റ് മറ്റൊരു താപനിലയിലേക്ക് പ്രവചിക്കുക.