আপনি স্ট্যান্ডার্ড ত্রুটি ছাড়া এই ক্ষেত্রে তাত্পর্য সম্পর্কে সত্যই কথা বলতে পারবেন না; তারা ভেরিয়েবল এবং সহগের সাথে স্কেল করে। তদ্ব্যতীত, প্রতিটি সহগ মডেলটির অন্যান্য ভেরিয়েবলগুলির উপর শর্তাধীন এবং প্রান্তিকতা প্রকৃতপক্ষে এইচপি এবং ডিসপ্লেকে গুরুত্ব দেয়।
ভেরিয়েবলগুলি পুনরায় চালনার ফলে ফলাফলের তাৎপর্য একেবারেই পরিবর্তন করা উচিত নয়। প্রকৃতপক্ষে, যখন আমি রিগ্রেশনটি পুনরায় পুনরায় (যখন পরিবর্তনগুলি ঠিক তেমনটিই বাদ দিয়ে এবং সাধারণ ত্রুটিগুলি দ্বারা বিভাজনকে ভাগ করে স্বাভাবিক করে তোলা হয়) তখন প্রতিটি সহগের অনুমানের (ধ্রুবক ব্যতীত) স্কেলিংয়ের আগের মতো একই টি-স্ট্যাট থাকে এবং সামগ্রিক তাত্পর্যটির এফ-টেস্ট ঠিক একই রকম ছিল।
এটি হ'ল এমনকি যখন সমস্ত ভেরিয়েবলের শূন্যের গড় এবং 1 এর বৈকল্পিককে মাপানো হয়েছে, তখন প্রতিটি প্রতিরোধের সহগের জন্য কোনও মানের ত্রুটির কোনও আকার নেই, তাই কেবলমাত্র প্রতিটি সংখ্যার দৈর্ঘ্যের দিকে তাকান মানক প্রতিরোধ এখনও তাত্পর্য সম্পর্কে বিভ্রান্ত করছে ading
ডেভিড মাসিপ যেমন ব্যাখ্যা করেছেন, সহগের আপাত আকারের ডেটা পয়েন্টগুলির বিশালতার সাথে একটি বিপরীত সম্পর্ক রয়েছে। এমনকি যখন ডিসিপ এবং এইচপিতে সহগগুলি বিশাল হয়, তারা এখনও শূন্য থেকে উল্লেখযোগ্যভাবে আলাদা হয় না।
প্রকৃতপক্ষে, এইচপি এবং ডিস্প একে অপরের সাথে খুব বেশি সম্পর্কযুক্ত, r = .79, সুতরাং এই গুণাগুণগুলিতে স্ট্যান্ডার্ড ত্রুটিগুলি বিশেষত উচ্চগুণ সহকারে উচ্চতর হয় কারণ তারা এতটা প্রান্তিক। এই নিপীড়নের মধ্যে, তারা একটি অদ্ভুত কাউন্টারবালান্সিং করছে, যার কারণে একজনের ইতিবাচক সহগ আছে এবং একজনের নেতিবাচক সহগ রয়েছে; এটি অত্যধিক মানানসই মামলার মতো মনে হয় এবং তা অর্থবহ বলে মনে হয় না।
কোন ভেরিয়েবলগুলি এমপিজিতে সর্বাধিক প্রকারের ব্যাখ্যা দেয় তা দেখার একটি ভাল উপায় হ'ল (সমন্বিত) আর-স্কোয়ার। এটি আক্ষরিক অর্থে y এর পরিবর্তনের শতাংশ যা x ভেরিয়েবলের প্রকারের দ্বারা ব্যাখ্যা করা হয়। (সমন্বিত আর-স্কোয়ার সমীকরণে প্রতিটি অতিরিক্ত এক্স ভেরিয়েবলের জন্য সামান্য পরিমাণে জরিমানা অন্তর্ভুক্ত করে অতিরিক্ত চাপের জন্য))
কী গুরুত্বপূর্ণ তা দেখার একটি ভাল উপায় - অন্যান্য ভেরিয়েবলের আলোকে - আপনি যখন রিগ্রেশন থেকে এই পরিবর্তনশীলটি ছেড়ে যান তখন অ্যাডজাস্টেড আর-স্কোয়ারের পরিবর্তনটি লক্ষ্য করা উচিত। এই পরিবর্তনটি নির্ভরশীল পরিবর্তনশীলের পরিবর্তনের শতাংশ যা সেই ফ্যাক্টরটি ব্যাখ্যা করে, অন্যান্য ভেরিয়েবলগুলি স্থির রাখার পরে। (আনুষ্ঠানিকভাবে, আপনি পরীক্ষা করতে পারেন যে বাম-আউট ভেরিয়েবলগুলি কোনও এফ-টেস্টের সাথে গুরুত্বপূর্ণ কিনা ; ভেরিয়েবল নির্বাচন কাজের জন্য ধাপে ধাপে এইভাবে পদক্ষেপ নেওয়া যায়))
এটি চিত্রিত করার জন্য, আমি পৃথক পৃথক ভেরিয়েবলের জন্য একক রৈখিক প্রতিক্রিয়াগুলি চালিয়েছিলাম, এমপিজি পূর্বাভাস দিয়ে। ভেরিয়েবল ডাব্লুটি একা এমপিজিতে 75.3% পরিবর্তনের ব্যাখ্যা করে এবং কোনও একক ভেরিয়েবল এর বেশি ব্যাখ্যা করে না। তবে অন্যান্য অনেকগুলি ভেরিয়েবল ডাব্লুটিউইটির সাথে সম্পর্কিত এবং সেই একই প্রকরণের কয়েকটি ব্যাখ্যা করে। (আমি শক্তিশালী স্ট্যান্ডার্ড ত্রুটি ব্যবহার করেছি, যা স্ট্যান্ডার্ড ত্রুটি এবং তাত্পর্য গণনার ক্ষেত্রে সামান্য পার্থক্যের কারণ হতে পারে তবে সহগ বা আর-স্কোয়ারকে প্রভাবিত করবে না))
+------+-----------+---------+----------+---------+----------+-------+
| | coeff | se | constant | se | adj R-sq | R-sq |
+------+-----------+---------+----------+---------+----------+-------+
| cyl | -0.852*** | [0.110] | 0 | [0.094] | 0.717 | 0.726 |
| disp | -0.848*** | [0.105] | 0 | [0.095] | 0.709 | 0.718 |
| hp | -0.776*** | [0.154] | 0 | [0.113] | 0.589 | 0.602 |
| drat | 0.681*** | [0.123] | 0 | [0.132] | 0.446 | 0.464 |
| wt | -0.868*** | [0.106] | 0 | [0.089] | 0.745 | 0.753 |
| qsec | 0.419** | [0.136] | 0 | [0.163] | 0.148 | 0.175 |
| vs | 0.664*** | [0.142] | 0 | [0.134] | 0.422 | 0.441 |
| am | 0.600*** | [0.158] | 0 | [0.144] | 0.338 | 0.360 |
| gear | 0.480* | [0.178] | 0 | [0.158] | 0.205 | 0.231 |
| carb | -0.551** | [0.168] | 0 | [0.150] | 0.280 | 0.304 |
+------+-----------+---------+----------+---------+----------+-------+
সমস্ত ভেরিয়েবলগুলি সেখানে একসাথে থাকাকালীন আর-স্কোয়ার্ডটি 0.869 এবং অ্যাডজাস্টেড আর-স্কোয়ারটি 0.807 হয়। সুতরাং, ডাব্লুটিটিতে যোগদানের জন্য আরও 9 টি ভেরিয়েবল ছুঁড়ে দেওয়া মাত্র 11% প্রকরণের (বা কেবল মাত্র 5% বেশি, যদি আমরা ওভারফিটিংয়ের জন্য সংশোধন করি) ব্যাখ্যা করে। (অনেকগুলি ভেরিয়েবল এমপিজিতে একই ধরণের কিছু ব্যাখ্যা করেছিল যা ডাব্লুটিউটি করে)
