لینیئر ریگریشن کیلکولیٹر

لینیئر ریگریشن کا ریاضیاتی طریقہ کار

لینیئر ریگریشن دو متغیرات (variables) کے درمیان تعلق کو سمجھنے اور ان کی وضاحت کرنے کا ایک بنیادی شماریاتی طریقہ ہے۔ یہ کیلکولیٹر آرڈینری لیسٹ اسکوائرز (OLS) کے اصول پر کام کرتا ہے، جو ڈیٹا پوائنٹس اور فٹ کی گئی لائن کے درمیان عمودی فاصلوں کے اسکوائرز کے مجموعے کو کم سے کم کرتا ہے۔

درستگی کو برقرار رکھنے کے لیے، یہ ٹول NIST/SEMATECH e-Handbook of Statistical Methods کے معیارات پر عمل کرتے ہوئے دو مراحل میں حسابات مکمل کرتا ہے۔ اس طریقے سے اوسط کے گرد مجموعہ حاصل کیا جاتا ہے تاکہ بہت بڑی یا بہت چھوٹی قیمتوں کے باہمی فرق سے حساب کتاب کی درستگی متاثر نہ ہو۔

حساب کتاب کے بنیادی فارمولے درج ذیل ہیں:

• Sxx, Syy, اور Sxy کا حساب:
  • Sxx = Σ(xᵢ − x̄)²
  • Syy = Σ(yᵢ − ȳ)²
  • Sxy = Σ(xᵢ − x̄)(yᵢ − ȳ)
• سلوپ: یہ لائن کے جھکاؤ کو ظاہر کرتا ہے:
  • b = Sxy ÷ Sxx
• انٹرسیپٹ: وہ مقام جہاں لائن عمودی محور (y-axis) کو کاٹتی ہے:
  • a = ȳ − b·x̄
• مجموعہ اسکوائرز (Sums of Squares):
  • SST = Syy (کل ویری ایشن)
  • SSE = Σ(yᵢ − ŷᵢ)² (باقی ماندہ یا ریزیڈیوئل ویری ایشن)
  • SSR = SST − SSE (لائن کے ذریعے واضح کردہ ویری ایشن)

ریگریشن کے عددی سر اور ان کی تشریح

جب ماڈل فٹ ہو جاتا ہے، تو یہ ٹول "لیسٹ اسکوائرز لائن" کے تحت نتائج کا خلاصہ پیش کرتا ہے جس میں درج ذیل اہم معلومات شامل ہوتی ہیں:

• سلوپ کی تشریح: "اوسطاً، x میں ہر 1 کے اضافے پر y میں ‹slope› کی تبدیلی آتی ہے۔" یہ جملہ ظاہر کرتا ہے کہ آزاد متغیر (x) میں ایک اکائی تبدیلی سے جواب دینے والے متغیر (y) میں اوسطاً کتنی تبدیلی آتی ہے۔
• انٹرسیپٹ کی تشریح: "جہاں x کی قیمت 0 ہے وہاں لائن y = ‹intercept› پر واقع ہے۔" یہ اس وقت y کی متوقع قیمت ہے جب x صفر ہو۔
• کوریلیشن r: یہ متغیرات کے درمیان تعلق کی مضبوطی اور سمت کو ظاہر کرتا ہے، جہاں r = √R² ہوتا ہے اور اس کی علامت سلوپ کے موافق ہوتی ہے۔
• R² (Coefficient of Determination): یہ ظاہر کرتا ہے کہ y کی تبدیلیوں کا کتنا حصہ اس لائن کے ذریعے واضح ہوتا ہے۔
• ایڈجسٹڈ R²: یہ نمونے کے سائز اور متغیرات کی تعداد کے لحاظ سے R² کو ایڈجسٹ کرتا ہے:
  • Adjusted R² = 1 − (1 − R²)(n − 1) ÷ (n − 2)

ٹول ایک "عددی سر" بھی تیار کرتا ہے جس میں "سلوپ b" اور "انٹرسیپٹ a" کے لیے "تخمینہ", "اسٹینڈرڈ ایرر", "t", "p", اور منتخب کردہ "‹level›% انٹرول" کے کالم شامل ہوتے ہیں۔

ڈیٹا ان پٹ اور فارمیٹ کے اصول

کیلکولیٹر میں ڈیٹا درج کرنے کے لیے دو بنیادی لے آؤٹ دستیاب ہیں:

1. جوڑوں کی شکل میں روز: اس میں ہر رو میں ایک x اور ایک y کی قیمت درج کی جاتی ہے۔ آپ اسپریڈ شیٹ سے براہ راست دو کالم کاپی کر کے یہاں پیسٹ کر سکتے ہیں۔ اگر پہلی رو میں غیر عددی الفاظ ہوں تو ٹول اسے ہیڈر رو سمجھ کر نظر انداز کر دیتا ہے۔
2. دو فہرستیں: اس میں "x قیمتیں (پیش گوئی کرنے والا)" اور "y قیمتیں (جواب دینے والا)" کے لیے الگ الگ خانے ہوتے ہیں۔

اعشاریہ اور الگ کرنے کے اصول:

• اگر آپ اعشاریہ کے لیے ڈاٹ (Dot) جیسے 12.5 کا انتخاب کرتے ہیں، تو فہرست میں قیمتوں کو اسپیس، کوما یا نئی لائن سے الگ کیا جا سکتا ہے۔
• اگر آپ اعشاریہ کے لیے کوما (Comma) جیسے 12,5 کا انتخاب کرتے ہیں، تو فہرست میں قیمتوں کو اسپیس، سیمی کولن یا نئی لائن سے الگ کرنا ضروری ہے۔

حدود اور ڈیٹا سائز:

• کم از کم 2 پوائنٹس کا ہونا لازمی ہے۔
• زیادہ سے زیادہ 50,000 پوائنٹس اور 1 MB تک کا ٹیکسٹ پیسٹ کیا جا سکتا ہے۔
• پیش گوئی کے لیے "x پر y کی پیش گوئی کریں" کے خانے میں زیادہ سے زیادہ 50 قیمتیں درج کی جا سکتی ہیں۔

ریاضیاتی حدود اور مخصوص پیغامات

مختلف قسم کے ڈیٹا سیٹس پر کیلکولیٹر درج ذیل مخصوص پیغامات اور انتباہات ظاہر کرتا ہے:

• صرف دو پوائنٹس: "دو پوائنٹس لائن کو بالکل درست طریقے سے متعین کرتے ہیں، اس لیے غیر یقینی صورتحال کا تخمینہ لگانے کے لیے کچھ باقی نہیں بچتا۔"۔
• کامل فٹ (Perfect Fit): "پوائنٹس بالکل لائن پر واقع ہیں، اس لیے کوئی ریزیڈیوئل پھیلاؤ نہیں ہے اور کسی انٹرول یا p-value کا تخمینہ نہیں لگایا جا سکتا۔"۔
• یکساں Y قیمتیں: "ہر y یکساں ہے، اس لیے لائن فلیٹ ہے اور r، R² اور سگنیفیکنس ٹیسٹ غیر واضح ہیں۔"۔
• عمودی لائن (یکساں X قیمتیں): اگر x کی تمام قیمتیں یکساں ہوں تو کیلکولیٹر کام روک دیتا ہے اور یہ ایرر دکھاتا ہے: "ہر x کی قیمت یکساں ہے، اس لیے لائن عمودی ہوگی اور سلوپ صفر سے تقسیم ہو جائے گا۔"

ڈیٹا کی رازداری اور پروسیسنگ

اس کیلکولیٹر میں پروسیسنگ کا عمل مکمل طور پر صارف کے مقامی ویب براؤزر کے اندر ہی انجام پاتا ہے۔ آپ کے درج کردہ ڈیٹا پوائنٹس اور ان سے حاصل ہونے والے تمام شماریاتی نتائج کبھی بھی کسی بیرونی سرور پر اپ لوڈ نہیں کیے جاتے۔

فارمولا اور متبادل قیمتوں کے مراحل

• "اوسط: x̄ = ‹sumX› ÷ ‹n› = ‹meanX› اور ȳ = ‹sumY› ÷ ‹n› = ‹meanY›"
• "پھیلاؤ اور باہمی حرکت: Sxx = ‹sxx› اور Sxy = ‹sxy›"
• "سلوپ: b = Sxy ÷ Sxx = ‹sxy› ÷ ‹sxx› = ‹slope›"
• "انٹرسیپٹ: a = ȳ − b·x̄ = ‹meanY› − (‹slope›)·‹meanX› = ‹intercept›"
• "وضاحت کردہ ویری ایشن کا حصہ: R² = SSR ÷ SST = ‹ssr› ÷ ‹sst› = ‹r2›"
• "ریزیڈیوئل پھیلاؤ: s = √(SSE ÷ (n − 2)) = √(‹sse› ÷ ‹df›) = ‹s›"
• "سلوپ کا اسٹینڈرڈ ایرر: SE(b) = s ÷ √Sxx = ‹s› ÷ √‹sxx› = ‹se›"
• "t = b ÷ SE(b) = ‹slope› ÷ ‹se› = ‹t›، لہذا ‹df› ڈگریز آف فریڈم پر p = ‹p› ہے۔"

اکثر پوچھے جانے والے سوالات (FAQ)

کیا اس سے کوئی فرق پڑتا ہے کہ میں کس کالم کو x میں رکھوں؟
جی ہاں۔ لیسٹ اسکوائرز عمودی فاصلوں کو کم سے کم کرتا ہے، اس لیے یہ y کو اس چیز کے طور پر دیکھتا ہے جس کی وضاحت کی جا رہی ہے اور x کو وضاحت کرنے والی چیز کے طور پر۔ انہیں آپس میں بدلیں تو آپ کو ایک مختلف سلوپ اور ایک مختلف انٹرسیپٹ ملے گا — صرف r اور R² یکساں رہتے ہیں۔ جس متغیر (variable) کی آپ پیش گوئی کرنا چاہتے ہیں اسے y میں رکھیں؛ اگر کالم غلط ترتیب میں درج ہو گئے تھے، تو تبدیل کرنے کا بٹن انہیں اسی جگہ دوبارہ لکھ دیتا ہے۔

R² دراصل مجھے کیا بتاتا ہے؟
R²، y میں اوپر اور نیچے ہونے والی اس حرکت کا حصہ ہے جس کی وضاحت لائن کرتی ہے: 0.96 کا مطلب ہے کہ اس کا 96% حصہ x کے ساتھ مطابقت رکھتا ہے اور 4% نہیں رکھتا۔ یہ اس بارے میں کچھ نہیں بتاتا کہ آیا سیدھی لائن ہی درست شکل تھی — ایک واضح منحنی خط (curve) بھی زیادہ اسکور حاصل کر سکتا ہے — اس لیے اسے ریزیڈیوئل پلاٹ کے ساتھ دیکھیں۔ کوریلیشن r، سلوپ کی علامت کے ساتھ R² کا جزر المربع (square root) ہے، یہی وجہ ہے کہ نیچے کی طرف جانے والی لائن کے لیے r منفی ہوتا ہے۔

کیا چھوٹی p-value کا مطلب یہ ہے کہ x کی وجہ سے y واقع ہو رہا ہے؟
نہیں۔ p-value صرف ایک محدود سوال کا جواب دیتی ہے: اگر حقیقی سلوپ 0 ہوتا، تو اس سائز کا نمونہ کتنی بار کم از کم 0 سے اتنی دوری پر سلوپ پیدا کرتا؟ ایک چھوٹی قیمت صرف ”سرے سے کوئی تعلق نہ ہونے“ کو ایک کمزور وضاحت بناتی ہے، اس سے زیادہ کچھ نہیں۔ وجہ جاننے کے لیے مطالعہ کے ڈیزائن کی ضرورت ہوتی ہے — ایک تیسرا عنصر جو دونوں کالموں کو تبدیل کر رہا ہو، یا ایسا نمونہ جو آزادانہ طور پر جمع نہ کیا گیا ہو، بھی اتنی ہی آسانی سے چھوٹی p-values پیدا کر سکتا ہے۔

پیش گوئیوں کے ساتھ دو انٹرول کیوں آتے ہیں؟
یہ مختلف سوالات کے جواب دیتے ہیں۔ اوسط انٹرول یہ پوچھتا ہے کہ اس x پر ہر ایک کے لیے اوسط y کہاں واقع ہے، اس لیے صرف خود لائن کی غیر یقینی صورتحال شمار ہوتی ہے۔ انفرادی انٹرول یہ پوچھتا ہے کہ ایک نیا مشاہدہ کہاں جا کر رکے گا، جس میں لائن کے گرد پوائنٹس کا پھیلاؤ بھی شامل ہو جاتا ہے — یہی اضافی عنصر ہے جس کی وجہ سے یہ ہمیشہ دونوں میں سے زیادہ چوڑا ہوتا ہے۔ جیسے جیسے x آپ کے ڈیٹا کے وسط سے دور ہوتا جاتا ہے، دونوں چوڑے ہوتے جاتے ہیں۔