ትርፍ፡
- በአርቴፊሻል ኢንተለጀንስ ድጋፍ የመስመራዊ ሪግሬሽን ሞዴል የመገንባት ችሎታ እና ውህደቶችን ፣ መደበኛ ስህተቶችን እና R-squared በትክክለኛ እና ምክንያታዊ ባልሆነ ቋንቋ የመተርጎም ችሎታ።
- ሞዴሉ የተመሰረተበትን መሰረታዊ ግምቶችን የመረዳት ችሎታ (መስመራዊነት, ውጫዊነት, የማያቋርጥ ልዩነት) እና ሲጣሱ ምን እንደሚፈጠር እና ለግምት ቁጥጥር አርቲፊሻል ኢንተለጀንስ ይጠቀሙ.
- በአርቴፊሻል ኢንተለጀንስ በተፈጠሩ ቅንጅት ትርጓሜዎች ላይ ከመጠን ያለፈ የምክንያት ይገባኛል ጥያቄዎችን እና የተዘነጉ ተለዋዋጭ ችግሮችን የማወቅ እና የማረም ችሎታ
መስመራዊ ሪግሬሽን የኢኮኖሚክስ እና የተተገበሩ ስታቲስቲክስ የጀርባ አጥንት ነው። በቀላል አሠራሩ፣ ጥገኛ ተለዋዋጭ (ማብራራት የፈለጋችሁት ውጤት፣ እንደ ገቢ ያሉ) ከአንድ ወይም ከዚያ በላይ ገለልተኛ ተለዋዋጮች (ገላጭ ምክንያቶች፣ ለምሳሌ የትምህርት ዓመታት፣ ልምድ) እንዴት እንደሚለያይ ይገምታል። ሞዴሉ ቅጹ አለው፡ ገቢ = β0 + β1 · ትምህርት + β2 · ልምድ + u. እዚህ β (ቤታ) ቅንጅቶች የግንኙነቱን መጠን ያሳያሉ, እና እርስዎ ሞዴሉ ሊያብራራ የማይችለውን የስህተት ቃል (ሁሉም ያልተስተዋሉ ተፅዕኖዎች) ያሳያል. በዚህ ክፍል ውስጥ፣ አርቴፊሻል ኢንተለጀንስ (AI) የተሃድሶ ግንባታን እና አተረጓጎምን እንዴት እንደሚያፋጥን እናያለን፣ ነገር ግን ለምን Coefficient ትርጓሜ ብዙውን ጊዜ ስህተቶች የሚፈጸሙበት ነው።
መሰረታዊ ዓላማውን ከጅምሩ እናስቀምጠው፡ AI የሪግሬሽን ኮድ ይጽፋል፣ የውጤት ሠንጠረዥን ያደራጃል፣ ለጋራ አተረጓጎም ረቂቅ ያወጣል። ነገር ግን የትኞቹ ተለዋዋጮች ወደ ሞዴሉ (ሞዴል ዝርዝር መግለጫ) እንደሚገቡ፣ ውህደቱ እንደ ምክንያት ወይም ተያያዥነት ሲተረጎም እና የማይታለፍ ተለዋዋጭ እንዳለ የእርስዎ ውሳኔ ነው። የ AI በጣም አደገኛው ልማድ እንደ "X ይጨምራል Y" በመሳሰሉት የምክንያት ቋንቋዎች ተራ የተሃድሶ ቅንጅቶችን ማቅረብ ነው። ነገር ግን አብዛኛዎቹ ሪግሬሽን ግንኙነቶችን (ግንኙነት) ብቻ ያሳያሉ።
ደረጃ በደረጃ የመልሶ ማቋቋም የስራ ሂደት
1. ሞዴሉን በንድፈ ሀሳብ ይገንቡ. የትኛዎቹ ተለዋዋጮች ጥገኛ ይሆናሉ እና ገለልተኛ የሆኑት ከመስክ እውቀት እና ንድፈ ሃሳብ እንጂ ከስታቲስቲክስ አይደለም። አመክንዮ "በዚህ ውጤት ላይ ምን ምክንያቶች በምክንያታዊነት ተጽዕኖ ያሳድራሉ?" "በመረጃው ውስጥ የገባሁት ምንም ይሁን ምን, ቅንጅቱ ጠቃሚ ይሆናል" የሚለው አመክንዮ አይደለም.
2. መገመት. በጣም የተለመደው ዘዴ OLS (የተራ ትንሹ ካሬዎች) ነው፡- በተመለከቱት እና በተገመቱት እሴቶች መካከል ያለውን የካሬ ልዩነት ድምርን በሚቀንስ መልኩ አሃዞችን ይመርጣል። AI ለዚህ ኮድ ያመነጫል (lm () በ R ውስጥ ፣ በፓይዘን ውስጥ ስታቲሞዴል) በበረራ ላይ።
3. ውጽኢት ኣንብቡ። በሪግሬሽን ውፅዓት ውስጥ አራት ነገሮችን ይፈልጉ-የመቀየሪያ (የግንኙነቱ አቅጣጫ እና መጠን) ፣ መደበኛ ስህተት (የግምገማ የግምገማ ቅንጅት) ፣ ቲ-ስታቲስቲክስ እና ፒ-እሴት (የማስረጃ ጥንካሬው ከዜሮ የተለየ ነው) ፣ R-squared (ሞዴሉ በተለዋዋጭ ተለዋዋጭ ምን ያህል እንደሚገልፅ ፣ ከ 0 እስከ 1)። ከፍተኛ R-squared "ጥሩ ሞዴል" ማለት አይደለም; ምንም አይነት ምክንያት የለም.
4. ቅንብሩን በትክክል መተርጎም. የትምህርት ጥምርታ 1,200 ከሆነ ትክክለኛው ትርጓሜ፡- "ሌሎች ተለዋዋጮች ቋሚ ሲሆኑ የአንድ አመት የትምህርት ጭማሪ በአማካይ ከ1,200 አሃዶች ከፍተኛ ገቢ ጋር የተያያዘ ነው።" Misinterpretation: "Another year of education increases income by 1,200." ሁለተኛው የምክንያትነት ጥያቄ ነው እና መከላከል የሚቻለው በተገቢው ንድፍ (ክፍል 9) ብቻ ነው።
5. ግምቶችን ያረጋግጡ. የድጋሚው ትክክለኛነት የሚወሰነው በተወሰኑ ግምቶች (ከታች) ላይ ነው. AI የምርመራ ኮድ ያመነጫል; አስተያየቱን ትሰጣለህ።
የመስመራዊ መመለሻ መሰረታዊ ግምቶች
የጥንታዊው መስመራዊ ሞዴል የተመሰረተባቸው ግምቶች ውህደቶቹ ከአድልዎ ውጪ እንዲሆኑ (መስመር ላይ ያማከለ) እና መደበኛ ስሕተቶቹ አስተማማኝ እንዲሆኑ አስፈላጊ ናቸው።
- መስመራዊነት፡ ግንኙነቱ በመለኪያዎች መስመራዊ ነው (አስፈላጊ ከሆነ በሎግ/ካሬ ቃላት የተዘረጋ)።
- ውጫዊ ሁኔታ (ዜሮ ሁኔታዊ አማካይ)፡ የስህተት ቃሉ ከማብራሪያ ተለዋዋጮች ጋር አልተገናኘም። ይህ በጣም ወሳኝ እና በጣም በተደጋጋሚ የሚጥስ ግምት ነው; ጥሰት የተተወ ተለዋዋጭ አድልዎ ይፈጥራል።
- የማያቋርጥ ልዩነት (ግብረ-ሰዶማዊነት): የስህተት ቃል ልዩነት በሁሉም ምልከታዎች ውስጥ አንድ አይነት ነው (መጣስ: heteroscedasticity - ክፍል 5).
- የራስ-ቁርኝት አለመኖር-ስህተቶች አንዳቸው ከሌላው ነፃ ናቸው (በጊዜ ተከታታይ ውስጥ ተደጋጋሚ ጥሰቶች - ክፍሎች 5 እና 8).
- እጅግ በጣም ብዙ ኮላላይኔሪቲ አለመኖር፡ ገላጭ ተለዋዋጮች እርስበርስ ከሞላ ጎደል ተመሳሳይ አይደሉም (ክፍል 5)።
ጥንቃቄ፡ በጣም አደገኛው ችግር የማይታለፍ ተለዋዋጭ አድልዎ ነው። ከእርስዎ ሞዴል ውስጥ ከገቢ እና ትምህርት (ለምሳሌ የቤተሰብ ዳራ፣ ችሎታ) ጋር የሚዛመድ አንድ ምክንያት ከተዉት የትምህርት ቅንጅት የዚህን የጎደለ ሁኔታ ውጤት ይይዛል እና ይነፋል። AI የጎደለውን ተለዋዋጭ ማወቅ አይችልም; የአንተ የመስክ እውቀት ብቻ ነው ሊይዘው የሚችለው።
የንጽጽር ሠንጠረዥ፡ እውነት እና የተሳሳተ የቁጥር ትርጓሜ
ውጤት
የተሳሳተ (ምክንያታዊ) ትርጓሜ
ትክክለኛ (የግንኙነት) ትርጓሜ
የትምህርት ጥምርታ = 1.200
"ትምህርት በ1,200 ገቢን ይጨምራል"
"የአንድ አመት ተጨማሪ ትምህርት ከ1,200 ከፍተኛ ገቢዎች ጋር የተያያዘ ነው።"
R² = 0.68
"ሞዴሉ እውነታውን ያዘ"
"68% ለውጡ ተብራርቷል, መንስኤውን አያሳይም"
ገጽ <0.01
"ተፅዕኖው ትልቅ ነው"
"የመቀየሪያው መጠን ከዜሮ የተለየ መሆኑን የሚያሳይ ጠንካራ ማስረጃ፤ መጠኑ የተለየ ነው"
አሉታዊ ቅንጅት
"X Yን ይቀንሳል"
"X ሲጨምር Y አማካኝ ይቀንሳል፤ ለምን ሌላ ችግር አለ?"
አራት ሊገለበጡ የሚችሉ ጥያቄዎች
1. የመመለሻ ኮድ በማመንጨት ላይ፡-
የእርስዎ ሚና፡- የኢኮኖሚክስ ኮድ ረዳት። ውሂቡን አላጋራም, R ኮድ እፈልጋለሁ. በ data.frame 'data', ገቢ (ጥገኛ), ትምህርት, ልምድ, ጾታ (ምድብ). ተግባር፡ ለገቢ ~ ትምህርት + ልምድ + ስርዓተ-ፆታ በ lm () regression code ይፃፉ፣ የማጠቃለያውን ውጤት እና የመተማመኛ ክፍተቶችን ያሳዩ። እያንዳንዱን ክፍል በአስተያየት መስመር ያብራሩ። እኔ ሮጦ ውጤቱን አረጋግጣለሁ.
2. የቅንጅት ትርጓሜ ንድፍ (በግንኙነት ቋንቋ)፡-
ከዚህ በታች ያለውን የድጋሚ ውጤት ይተርጉሙ ግን ደንቦች: - ውፅዓቶችን በ RELATIONAL ቋንቋ ይፃፉ ("የተዛመደ") ፣ የምክንያት ቋንቋ አይጠቀሙ ፣ "ሌሎች ተለዋዋጮችን ቋሚ" ይጨምሩ ፣ R-squared እንደ 'ምክንያት' ያቅርቡ ፣ ትርጉም ካለው የውጤት መጠን ጋር አያምታቱ። ውጤት: [ሠንጠረዥ ለጥፍ]
3. የግምት ማረጋገጫ ኮድ፡-
ለገቢ ~ የትምህርት + ልምድ ሞዴል (R) የግምት መመርመሪያ ኮድ ይፃፉ፡ ቀሪ ተስማሚ (ቀሪ) ግራፎች፣ የQQ ግራፍ፣ ቀሪዎች ስርጭት። እያንዳንዱ የግራፍ ፈተና የትኛው ግምት እንደሆነ በአስተያየቱ መስመር ላይ ያብራሩ። እርማትን ይጠቁሙ; ምርመራ ማድረግ ብቻ ነው እና እኔ ውሳኔ አደርጋለሁ።
4. ያመለጠ ተለዋዋጭ ጥያቄ፡-
በገቢ ~ የትምህርት ሞዴል ላይ የማይታለፍ ተለዋዋጭ አድሎአዊ ስጋትን እንዳስብ እርዳኝ። ከገቢ እና ከትምህርት ጋር የተያያዙ ሊሆኑ የሚችሉ ተለዋዋጮችን ይዘርዝሩ ነገር ግን በአምሳያው ውስጥ የሌሉ (ለምሳሌ፡ የቤተሰብ ዳራ፣ ክልል፣ ችሎታ) እና እያንዳንዱ በምን አቅጣጫ የትምህርት ቅንጅትን እንደሚያዳላ ያብራሩ። ይህ እርግጠኛ አይደለም, ከግምት ዝርዝር ይሁን; ውሳኔውን አደርጋለሁ።
ደካማ ጥያቄ / ጠንካራ ጥያቄ
ደካማ ጥያቄ፡
ይህንን የድጋሚ ውጤት መተርጎም እና ውጤቱን አብራራ።
ይህ ጥያቄ AI ይለቀቃል; እንደ "ስልጠና ገቢን ይጨምራል" እና "ሞዴሉ በጣም የተሳካ ነው" የመሳሰሉ ምክንያታዊ እና የተጋነኑ አረፍተ ነገሮችን ያመነጫል።
ኃይለኛ ጥያቄ፡-
የእርስዎ ሚና፡ ጥንቃቄ የተሞላበት የኢኮኖሚክስ ረዳት። ውጤቱን ይተርጉሙ ፣ ግን (1) ሁሉንም አሃዞችን በግንኙነት ቋንቋ ይፃፉ ፣ (2) “ሁሉም ሌሎች ceteris paribus” ንድፍን ይጠቀሙ ፣ (3) R-squared በምክንያታዊነት አይሳሳቱ ፣ (4) ከውጤት መጠን የተለየ ትርጉም ፣ (5) የአምሳያው exogeneity ግምትን አለመሞከር እና ችላ የተባሉ ተለዋዋጮች ስጋት። ውጤት: [ሠንጠረዥ]
ልዩነቱ፡ ጠንካሮቹ የምክንያት ቋንቋን ይከለክላሉ፣ አሻሚነት እና የአስተሳሰብ ገደቦች እንዲታዩ ያደርጋል።
ሶስት ጥቃቅን ጉዳዮች
ጉዳይ 1 - የምክንያት ቋንቋ ወጥመድ። አንድ ተንታኝ በማስታወቂያው ውስጥ የማስታወቂያ ኮፊሸን 2.4 ሆኖ አገኘው ~ የሽያጭ መመለሻ እና AI blueprintን እንደ “ለማስታወቂያ የሚውል እያንዳንዱ ክፍል ሽያጩን በ2.4 ክፍሎች ይጨምራል። ማኔጅመንቱ በዚሁ መሠረት የበጀት ጭማሪ አደረገ; ነገር ግን ከፍተኛ ሽያጭ በነበረበት ወቅት ብዙ ማስታወቂያዎች ነበሩ (በተቃራኒው ምክንያታዊነት) እና ቅንጅቱ ይህንን አንፀባርቋል። ትምህርት: ተራ ማገገሚያ የምክንያት ማስረጃ አይደለም; አቅጣጫ ግልጽ አይደለም.
ጉዳይ 2 - የተረሳ ተለዋዋጭ. በአንድ ጥናት የገቢ ~ የትምህርት መጠን 1,900 ነበር። የወላጅ ትምህርት እና ክልል በአምሳያው ውስጥ ሲጨመሩ, ቅንጅቱ ወደ 1.150 ወርዷል. በመጀመሪያው ሞዴል ትምህርት አንዳንድ የቤተሰብ ዳራ ተጽዕኖዎችን ተቆጣጠረ። ትምህርት፡ የጎደለ ነገር ግን ተያያዥነት ያለው ተለዋዋጭ ውህደቱን ያባብሰዋል። ከጎራ እውቀት ጋር ሊሆኑ የሚችሉ ድክመቶችን አስቡበት።
ጉዳይ 3 - ከፍተኛ R-squared illusion. አንድ ተማሪ R²=0.94 አይቶ "የእኔ ሞዴል ፍጹም ነው" አለ። ነገር ግን ከገለልተኛ ተለዋዋጮች አንዱ ከጥገኛ ተለዋዋጭ (በሽያጭ ውስጥ አስቀድሞ የተካተተ ዕቃ) ጋር ተመሳሳይ ነበር። ሞዴሉ እውነታውን እያብራራ ሳይሆን እራሱን እየገለፀ ነበር። ትምህርት: ከፍተኛ R-squared የሞዴል ጥራት ዋስትና አይሰጥም; የሎጂክ ማረጋገጫ ያስፈልጋል።
የተለመዱ ስህተቶች
- አመክንዮውን በምክንያታዊነት መተርጎም። በንድፍ ካልተሟገተ በስተቀር "ይጨምራል / ይቀንሳል" ቋንቋ ውሸት ነው; "ተያይዘው" ይበሉ።
- ችላ የተባለውን ተለዋዋጭ ችላ ማለት. ከሁለቱም X እና Y ጋር የተቆራኘ የጎደለው ምክንያት ውህደቱን ያዳክማል። ሊሆኑ የሚችሉ ድክመቶችን አስቡበት።
- እንደ ስኬት መለኪያ R-squared ስህተት። ከፍተኛ R-squared ማለት ምክንያታዊነት ወይም ትክክለኛ ሞዴል ማለት አይደለም; ምናልባትም የተለዋዋጭ ፍሳሽ ምልክት ሊሆን ይችላል.
- ግራ የሚያጋባ ጠቀሜታ ከትልቅነት ጋር። p<0.05 ውጤቱ ትልቅ መሆኑን አያመለክትም; ውጽኢቱውን ንጥፈታት ንጥፈታት ምውሳድ እዩ።
- ግምቶችን ሳያረጋግጡ መተርጎም. ጥሰቶች መደበኛ ስህተቶችን እና ትርጓሜን ያዛባሉ; ምርመራ ሊታለፍ አይችልም.
ፍንጭ: ለእያንዳንዱ ኮፊሸንት, "ይህን ግንኙነት በተቃራኒ አቅጣጫ ማስረዳት እችላለሁን? ወይስ ሁለቱንም የሚነካ ሶስተኛው ነገር አለ?" እነዚህ ሁለት ጥያቄዎች ብዕሩ ወረቀቱን ከመንካት በፊት የምክንያት ከመጠን በላይ መተርጎምን ያቆማሉ።
በማጠቃለያው
መስመራዊ ሪግሬሽን የውጤቱን ከማብራሪያ ምክንያቶች ጋር ያለውን ግንኙነት ለመለካት መሰረታዊ መሳሪያ ነው። AI በፍጥነት የአምሳያው ኮድ, የውጤት አቀማመጥ እና የትርጓሜ ንድፍ ያወጣል; ነገር ግን የሞዴል ዝርዝር መግለጫ፣ የኮፊቲፊሽኑን ተያያዥነት ያለው ትርጓሜ እና የተዘነጉ ተለዋዋጮች ስጋት የባለሙያው ኃላፊነት ነው። በጣም የተለመደው ስህተት ኮፊፊሽኑን እንደ ምክንያት አድርጎ ማቅረብ ነው ("ጨምሯል"); ትክክለኛው ቋንቋ ዝምድና ነው ("ከ ጋር ይዛመዳል፣ ሌላው ሁሉ ቋሚ ነው")። ከፍተኛ R-squared ስኬት ወይም ምክንያት አይደለም; ግምቶችን (በተለይ ከውጪ መፈጠርን) ሳያረጋግጡ ምንም አይነት ትርጉም ደህና አይሆንም።
የመተግበሪያ ተግባር
በመረጃ ስብስብ ላይ ከአንድ ጥገኛ እና ቢያንስ ሁለት ገለልተኛ ተለዋዋጮች ጋር ሪግሬሽን ያዘጋጁ። ኮዱን ከ AI ይጠይቁ እና ያሂዱት። በመጀመሪያ፣ AI ውጤቶቹን በግንኙነት ቋንቋ እንዲተረጉም ያድርጉ፣ እና እያንዳንዱን የምክንያት መግለጫ ገምግመው ያስተካክሉት። በአምሳያው ላይ ሊዛመድ የሚችል ተለዋዋጭ ጨምር እና ዋናው ቅንጅት እንዴት እንደሚቀየር ተመልከት እና ይህንን በተተወው ተለዋዋጭ አድልዎ ማዕቀፍ ውስጥ በአንቀጽ ውስጥ ተርጉም። በመጨረሻም፣ የግምት መመርመሪያ እቅዶችን አዘጋጅ እና የትኛው ግምት ጠንካራ እና አጠራጣሪ እንደሚመስል አስተውል።
የማረጋገጫ ዝርዝር
- [ ] ሞዴሉን የሰራሁት በንድፈ ሃሳብ እና በመስክ እውቀት ላይ በመመስረት እንጂ በመረጃ ላይ አይደለም።
- [ ] ውህደቶቹን በግንኙነት ቋንቋ ተርጉሜአለሁ ("ተዛማጅ ከ, ceteris paribus").
- [ ] የምክንያት የይገባኛል ጥያቄዎች የተለየ ንድፍ እንደሚያስፈልጋቸው አስተውያለሁ።
- [ ] ሊታለፉ የሚችሉ ተለዋዋጮችን ግምት ውስጥ በማስገባት የዋናውን Coefficient ስሜታዊነት ሞከርኩ።
- [] R-squared እንደ ስኬት/ምክንያታዊነት መለኪያ አላቀረብኩም።
- [] መላምታዊ የምርመራ ሴራዎችን አዘጋጅቶ መተርጎም; ጥሰት እንዳለ ገምግሜያለሁ።