रेखीय रीग्रेशन आणि किमान-वर्ग पद्धत
रेखीय रीग्रेशन (Linear Regression) हे दोन चलांमधील (variables) संबंधांचे विश्लेषण करण्यासाठी वापरले जाणारे एक मूलभूत सांख्यिकीय साधन आहे. यामध्ये एका चलाचा (x - प्रेडिक्टर) वापर करून दुसऱ्या चलाचा (y - रिस्पॉन्स) अंदाज लावला जातो. या प्रक्रियेत 'किमान-वर्ग पद्धत' (Ordinary Least Squares - OLS) वापरली जाते, जी डेटा बिंदू आणि रेषा यामधील उभ्या अंतरांच्या (रेसिड्यूअल्स) वर्गांची बेरीज कमीत कमी करून सर्वोत्तम रेषा निश्चित करते.
जेव्हा आपण या पद्धतीचा वापर करतो, तेव्हा मिळणारे समीकरण खालीलप्रमाणे असते:
ŷ = a + b·x
येथे 'b' हा रेषेचा उतार (slope) दर्शवतो आणि 'a' हा y-आंतरछेद (y-intercept) दर्शवतो. हे कॅल्क्युलेटर तुमच्या ब्राउझरमध्ये थेट या समीकरणाची गणना करते.
इनपुट आणि डेटा मांडणीचे नियम
कॅल्क्युलेटरमध्ये डेटा प्रविष्ट करण्यासाठी दोन मुख्य पर्याय उपलब्ध आहेत:
- जोडीतील ओळी: यामध्ये प्रति ओळ एक x आणि y मूल्य प्रविष्ट केले जाते. स्प्रेडशीटमधून थेट दोन स्तंभ कॉपी करून येथे पेस्ट करता येतात, ज्यामध्ये हेडर ओळ (स्तंभांची नावे) असल्यास ती स्वयंचलितपणे वगळली जाते.
- दोन याद्या: यामध्ये "x मूल्ये (प्रेडिक्टर)" आणि "y मूल्ये (रिस्पॉन्स)" स्वतंत्रपणे प्रविष्ट केल्या जातात.
डेटा प्रविष्ट करण्याचे नियम आणि मर्यादा:
- दशांश चिन्ह: दशांश चिन्हासाठी बिंदू (उदा.
12.5) किंवा स्वल्पविराम (उदा.12,5) यापैकी एका पर्यायाची निवड करता येते. - विभाजक: बिंदू दशांश पद्धतीमध्ये मूल्ये स्पेस, स्वल्पविराम किंवा नवीन ओळीने वेगळी करता येतात. स्वल्पविराम दशांश पद्धतीमध्ये मूल्ये स्पेस, अर्धविराम (semicolon) किंवा नवीन ओळीने वेगळी करणे आवश्यक आहे.
- मर्यादा: विश्लेषणासाठी किमान २ बिंदू आवश्यक आहेत. कमाल मर्यादा ५०,००० बिंदू आणि १ MB पेस्ट केलेला मजकूर इतकी आहे.
- अंदाज: 'x वर y चा अंदाज लावा' या पर्यायामध्ये कमाल ५० मूल्यांपर्यंतचे अंदाज एकाच वेळी मिळवता येतात.
- विश्वासार्हता पातळी: अंतराळांच्या गणनेसाठी ९०%, ९५% किंवा ९९% यापैकी एका पातळीची निवड करता येते.
सांख्यिकीय संज्ञा आणि त्यांचे अर्थ
कॅल्क्युलेटरद्वारे खालील महत्त्वाचे सांख्यिकीय निष्कर्ष काढले जातात:
१. उतार आणि आंतरछेद
- उतार b: "सरासरीनुसार, x मधील प्रत्येक 1 च्या वाढीसाठी y हा
‹slope›ने बदलतो." - आंतरछेद a: "जिथे x हा 0 आहे तिथे रेषा y =
‹intercept›वर असते."
२. सहसंबंध आणि स्पष्टीकरण
- सहसंबंध r: हे दोन चलांमधील संबंधाची दिशा आणि तीव्रता दर्शवते.
- R² (Coefficient of Determination): हे मॉडेलद्वारे स्पष्ट केलेल्या प्रसरणाचा वाटा दर्शवते.
- समायोजित R²: नमुन्यातील बिंदूंच्या संख्येनुसार समायोजित केलेले R² चे मूल्य.
३. रेसिड्यूअल विस्तार (Residual Spread)
- रेसिड्यूअल विस्तार s: हे रेषेभोवती असलेल्या बिंदूंच्या विखुरण्याचे प्रमाण दर्शवते.
गणितीय सूत्रे आणि टप्प्याटप्प्याने स्पष्टीकरण
कॅल्क्युलेटर केवळ अंतिम उत्तर न दाखवता, खालील सूत्रांचा वापर करून टप्प्याटप्प्याने गणना स्पष्ट करते:
-
सरासरी गणना:
सरासरी: x̄ = ‹sumX› ÷ ‹n› = ‹meanX› आणि ȳ = ‹sumY› ÷ ‹n› = ‹meanY› -
विस्तार आणि सह-हालचाल:
Sxx = Σ(xᵢ − x̄)²आणिSxy = Σ(xᵢ − x̄)(yᵢ − ȳ)कॅल्क्युलेटरमध्ये हेविस्तार आणि सह-हालचाल: Sxx = ‹sxx› आणि Sxy = ‹sxy›असे दर्शवले जाते. -
उतार (Slope):
b = Sxy ÷ Sxxउतार: b = Sxy ÷ Sxx = ‹sxy› ÷ ‹sxx› = ‹slope› -
आंतरछेद (Intercept):
a = ȳ − b·x̄आंतरछेद: a = ȳ − b·x̄ = ‹meanY› − (‹slope›)·‹meanX› = ‹intercept› -
R² ची गणना:
R² = SSR ÷ SSTस्पष्ट केलेल्या प्रसरणाचा वाटा: R² = SSR ÷ SST = ‹ssr› ÷ ‹sst› = ‹r2› -
रेसिड्यूअल विस्तार:
s = √(SSE ÷ (n − 2))रेसिड्यूअल विस्तार: s = √(SSE ÷ (n − 2)) = √(‹sse› ÷ ‹df›) = ‹s› -
उताराची प्रमाण त्रुटी:
SE(b) = s ÷ √Sxxउताराची प्रमाण त्रुटी: SE(b) = s ÷ √Sxx = ‹s› ÷ √‹sxx› = ‹se› -
t-चाचणी आणि p-मूल्य:
t = b ÷ SE(b) = ‹slope› ÷ ‹se› = ‹t›, म्हणून ‹df› मुक्ती अंशांवर p = ‹p›.
प्रसरणाचे स्पष्टीकरण (ANOVA)
मॉडेलच्या एकूण सार्थकीकरणासाठी प्रसरणाचे स्पष्टीकरण (ANOVA) तक्ता तयार केला जातो, ज्यामध्ये खालील स्तंभ असतात:
- स्रोत ("रेषेद्वारे स्पष्ट केलेले", "उरलेले", "एकूण")
- df (मुक्ती अंश)
- वर्गांची बेरीज
- सरासरी वर्ग
- F
- p
त्रुटी आणि विशेष परिस्थिती
डेटा प्रविष्ट करताना किंवा विशिष्ट गणितीय मर्यादा आल्यास कॅल्क्युलेटर खालील संदेश दर्शवतो:
- अपुर्ण डेटा: "किमान २ बिंदू प्रविष्ट करा; एक बिंदू रेषा परिभाषित करत नाही."
- लांबी विसंगती: "येथे
‹countX›x मूल्ये आणि‹countY›y मूल्ये आहेत — दोन्ही याद्यांची लांबी समान असणे आवश्यक आहे." - उभी रेषा: "प्रत्येक x समान आहे, त्यामुळे रेषा उभी होईल आणि उतारासाठी शून्याने भागावे लागेल."
- सपाट रेषा: "प्रत्येक y समान आहे, त्यामुळे रेषा सपाट आहे आणि r, R² आणि सार्थकता चाचणी अपरिभाषित आहेत."
- अचूक फिट: "दोन बिंदू रेषा अचूकपणे निश्चित करतात, त्यामुळे अनिश्चिततेचा अंदाज लावण्यासाठी काहीही उरत नाही."
- परिपूर्ण फिट: "बिंदू तंतोतंत रेषेवर आहेत, त्यामुळे कोणताही रेसिड्यूअल विस्तार नाही आणि कोणत्याही अंतराचा किंवा p-मूल्याचा अंदाज लावला जाऊ शकत नाही."
- अवैध संख्या: "“
‹token›” ही संख्या नाही (ओळ‹position›)." किंवा "“‹token›” ही संख्या नाही (मूल्य‹position›)." - अपूर्ण जोडी: "ओळ
‹position›साठी अचूकपणे दोन संख्या आवश्यक आहेत: आधी x आणि नंतर y." - संख्या ओव्हरफ्लो: "एखादे मूल्य किंवा मध्यम निकाल समर्थित संख्या श्रेणीपेक्षा जास्त आहे."
गोपनीयता आणि प्रक्रिया
या कॅल्क्युलेटरमध्ये सुरक्षिततेला प्राधान्य दिले आहे. तुमचे डेटा बिंदू आणि प्रत्येक सांख्यिकी याच ब्राउझरमध्ये राहतात आणि कधीही अपलोड केल्या जात नाहीत. सर्व गणना स्थानिक पातळीवर तुमच्या डिव्हाइसवरच पूर्ण केली जाते.
वारंवार विचारले जाणारे प्रश्न (FAQ)
प्रश्न: मी कोणत्या स्तंभात x ठेवतो याने काही फरक पडतो का?
उत्तर: होय. किमान-वर्ग पद्धत उभ्या अंतरांना कमी करते, त्यामुळे ती y ला स्पष्ट केली जाणारी गोष्ट आणि x ला स्पष्ट करणारी गोष्ट म्हणून मानते. त्यांची अदलाबदल केल्यास तुम्हाला वेगळा उतार आणि वेगळा आंतरछेद मिळेल — केवळ r आणि R² समान राहतात. तुम्हाला ज्या व्हेरिएबलचा अंदाज लावायचा आहे तो y मध्ये ठेवा; जर स्तंभ चुकीच्या क्रमाने प्रविष्ट झाले असतील, तर अदलाबदल बटण त्यांना जागेवरच पुन्हा लिहितो.
प्रश्न: R² मला प्रत्यक्षात काय सांगते?
उत्तर: R² हा y मधील चढ-उताराचा तो वाटा आहे जो रेषेद्वारे स्पष्ट केला जातो: 0.96 चा अर्थ असा की त्यातील 96% भाग x शी सुसंगत आहे आणि 4% भाग नाही. सरळ रेषा हा योग्य आकार होता की नाही याबद्दल ते काहीही सांगत नाही — स्पष्ट वक्र असूनही उच्च स्कोअर मिळू शकतो — म्हणून रेसिड्यूअल प्लॉटसोबतच याचे वाचन करा. सहसंबंध r हे उताराचे चिन्ह असलेले R² चे वर्गमूळ आहे, म्हणूनच खाली जाणाऱ्या रेषेसाठी r ऋण असतो.
प्रश्न: अंदाजांसोबत दोन अंतराल का येतात?
उत्तर: ते वेगवेगळ्या प्रश्नांची उत्तरे देतात. सरासरी अंतराल हे विचारते की त्या x वरील प्रत्येकासाठी सरासरी y कुठे असेल, त्यामुळे केवळ रेषेमधील अनिश्चितता मोजली जाते. वैयक्तिक अंतराल हे विचारते की एक नवीन निरीक्षण कुठे येईल, ज्यामध्ये रेषेभोवतीच्या बिंदूंचा विखुरलेला विस्तार देखील जोडला जातो — या अतिरिक्त पदामुळेच ते नेहमी दोन्हीपैकी जास्त रुंद असते. तुमच्या डेटाच्या मध्यापासून x जसजसा दूर जातो, तसतसे दोन्ही अंतराल रुंद होत जातात.
प्रश्न: लहान p-मूल्याचा अर्थ असा आहे का की x मुळे y घडतो?
उत्तर: नाही. p-मूल्य केवळ एका मर्यादित प्रश्नाचे उत्तर देते: जर खरा उतार 0 असता, तर या आकाराचा नमुना किती वेळा 0 पासून किमान इतका दूर असलेला उतार तयार करेल? लहान मूल्य केवळ “काहीही संबंध नाही” हे स्पष्टीकरण गैरसोयीचे ठरवते, दुसरे काही नाही. कारणासाठी अभ्यासाच्या रचनेची पार्श्वभूमी आवश्यक असते — दोन्ही स्तंभांना प्रभावित करणारा एखादा तिसरा घटक, किंवा स्वतंत्रपणे गोळा न केलेला नमुना, देखील तितक्याच सहजपणे लहान p-मूल्ये तयार करू शकतो.