#R_Square
***
ሁሌም ለኔ አስቸጋሪው ነገር የኢኮኖሚክስ ትምህርት ነክ ሃሳቦችን ወደ አማርኛ መተርጎም ነው! #ለምሳሌ ዛሬ በስታቲክስ እና ኢኮኖሚክስ የትምህርት ዘርፍ ውስጥ ስለሚሰጠው እና በኢኮኖሜትሪክስ ሞዴል በሚደረጉ የጥናት ስራዎች ውስጥ ጥናቱ ስላመጣው ተዓማኒነት እና ማረጋገጫ ማስረጃ ስለሚሰጠው ስለ R Square ምንነት? እንዴት እንደሚነበብ እና R Square ስንት ሲሆን አጥኚዎች እንደሚደሰቱ ልነግራችሁ እፈልጋለሁ! በተለይ የኢኮኖሚክስ ተማሪዎች ትረዱታላችሁ ብዬ አስባለሁ!
#R Square ማለት በጥናት ልናረጋግጠው የፈለግነው ነገር (Dependent/Outcome variable) ምን ያህል ለማረጋገጥ ለፈለግነው ነገር የወሰድናቸው ማስረጃዎች (Independent/Explanatory variable) በቁጥር ገልጸውታል (Line of best fit) የሚለውን ማሳያ ነው፡፡ በተጨማሪም በምናረጋግጠው እና ለማረጋገጫ የወሰድናቸው ማስረጃዎች ምን ያህል ጠንካራ እንደሆኑም ለመለካት ያግዛል፡፡ የተሰበሰቡ መረጃዎች ለመረጥነው ኢኮኖሜትሪክስ ሞዴል ምን ያህል እንደሚመጥኑም R Square ማረጋገጫ ሆኖ ያገለግላል፡፡
#በምሳሌ ይቀላል…….
በግለሰብ ደረጃ ሲጋራ ለማጨስ የሚያነሳሱ ምክንያቶችን ለማጥናት ብናስብ በጥናት የሚረጋገጠው ሲጋራ ማጨስ (Dependent ወይም Outcome Variable) ይባላል፣ ምክንያቱም ሲጋራ ማጨስ በጾታ፤ እድሜ፤ የትዳር ሁኔታ፤ የስራ በሃሪ፤ ገቢ፤ የመኖሪያ አካባቢ፤ ወዘተ ተጽኖ ስለሚያድርበት በነሱ ላይ ጥገኛ ነው፡፡ ነገር ግን በራሳቸው ቆመው በ ሲጋራ ማጨስ ላይ ተጽኖ የሚፈጥሩት ጾታ፤ እድሜ፤ የትዳር ሁኔታ፤ የስራ በሃሪ፤ ገቢ፤ የመኖሪያ አካባቢ፤ ወዘተ (Independent ወይም Explanatory Variables) ይባላሉ፤
Y(ሲጋራ ማጨስ) = f(ጾታ + እድሜ + የትዳር ሁኔታ + የስራ በሃሪ + ገቢ + የመኖሪያ አካባቢ + ወዘተ + Error Term)
የተሰበሰቡ ዳታዎችን ወደ ሶፍትዌር (E-View፤ Stata፤ SPSS) ወይም በማንዋልም መስራት ይቻላል! በማስገባት ሁሉንም የማረጋገጫ ሂደት (Validity Tast) ካለፈ በኃላ Regress ስናደርግ የሚመጣው የጥናቱ ውጤት R Square መጠኑን በ 0 እና 1 መካከል (ከ0% እስከ 100% ማለት ነው) አድርጎ ይሰጠናል፡፡
#ለምሳሌ፡- የAdjusted R Square ውጤት 0.50 ቢሆን ለሲጋራ ማጨስ ምክንያት ይሆናሉ ብለን የሰበሰብናቸው ማስረጃዎች 50% ብቻ ነው ሲጋራ ለማጨስ ምክንያት የሚሆኑት ማለት ሲሆን የተቀሩት 50% ምክንያቶች ገና አልተገለጹም ማለት ነው፡፡ ይሄ የሚያሳየው ከመጀመሪያውም ትክክለኛ Explanatory Variables እንዳልመረጥን እና የመረጥነው ሞዴልም ችግር እንዳለበት ነው፡፡
ታዲያ ለምን አጥኚዎች እና ተመራቂ ተማሪዎች የ R Square ውጤታቸው ከ0.90 በላይ ወይም ከ90% በላይ ሲሆን ደስተኛ ይሆናሉ? ብዙ ሰው እንደሚያስበው የመረጡት እና የሰበሰቡት ዳታ ከ90% በላይ ማረጋገጥ ለፈለጉት ጥናት በቂ ማስረጃ እንደሆነ ነው! ነገር ግን ይሄ የተሳሳተ ሊሆን ይችላል ምክንያቱም R Square በተለያዩ ተጽኖዎች ሊጋነን (Inflate) ሊያደርግ ይችላል፡፡
Regress በምናደርግበት ወቅት የተወሰኑ ማስተካከያዎች ለማድረግ Explanatory Variables የመቀነስ እና የመጨመር ስራዎች ሊሰሩ ይችላሉ ነገር ግን አንዳንድ Variables በመቀነሳቸው ወይም በመጨመራቸው ብቻ R Square በከፍተኛ ሁኔታ ከፍ እና ዝቅ ሊያደርጉት ይችላሉ! ታዲያ በዚህ ወቅት በጥንቃቄ በመለየት ጠንካራ የሚባለውን Strong Explanatory Variable ትልቅ R Square ለማግኘት ብለን ማጣት እንደሌለብን ማወቅ ይገባል፡፡ ገምጋሚዎችም ቁም ነገሩ ትልቅ R Square ሳይሆን የተደረገበት Test እና በትንሽ R Square ምን ያህል ሞዴሉ ገለጸው (How Observed variation can be explained by the model's inputs) የሚለውም መሆን አለበት እላለሁ፡፡
👉https://www.facebook.com/EconomistWasyhun/?modal=admin_todo_tour
***
ሁሌም ለኔ አስቸጋሪው ነገር የኢኮኖሚክስ ትምህርት ነክ ሃሳቦችን ወደ አማርኛ መተርጎም ነው! #ለምሳሌ ዛሬ በስታቲክስ እና ኢኮኖሚክስ የትምህርት ዘርፍ ውስጥ ስለሚሰጠው እና በኢኮኖሜትሪክስ ሞዴል በሚደረጉ የጥናት ስራዎች ውስጥ ጥናቱ ስላመጣው ተዓማኒነት እና ማረጋገጫ ማስረጃ ስለሚሰጠው ስለ R Square ምንነት? እንዴት እንደሚነበብ እና R Square ስንት ሲሆን አጥኚዎች እንደሚደሰቱ ልነግራችሁ እፈልጋለሁ! በተለይ የኢኮኖሚክስ ተማሪዎች ትረዱታላችሁ ብዬ አስባለሁ!
#R Square ማለት በጥናት ልናረጋግጠው የፈለግነው ነገር (Dependent/Outcome variable) ምን ያህል ለማረጋገጥ ለፈለግነው ነገር የወሰድናቸው ማስረጃዎች (Independent/Explanatory variable) በቁጥር ገልጸውታል (Line of best fit) የሚለውን ማሳያ ነው፡፡ በተጨማሪም በምናረጋግጠው እና ለማረጋገጫ የወሰድናቸው ማስረጃዎች ምን ያህል ጠንካራ እንደሆኑም ለመለካት ያግዛል፡፡ የተሰበሰቡ መረጃዎች ለመረጥነው ኢኮኖሜትሪክስ ሞዴል ምን ያህል እንደሚመጥኑም R Square ማረጋገጫ ሆኖ ያገለግላል፡፡
#በምሳሌ ይቀላል…….
በግለሰብ ደረጃ ሲጋራ ለማጨስ የሚያነሳሱ ምክንያቶችን ለማጥናት ብናስብ በጥናት የሚረጋገጠው ሲጋራ ማጨስ (Dependent ወይም Outcome Variable) ይባላል፣ ምክንያቱም ሲጋራ ማጨስ በጾታ፤ እድሜ፤ የትዳር ሁኔታ፤ የስራ በሃሪ፤ ገቢ፤ የመኖሪያ አካባቢ፤ ወዘተ ተጽኖ ስለሚያድርበት በነሱ ላይ ጥገኛ ነው፡፡ ነገር ግን በራሳቸው ቆመው በ ሲጋራ ማጨስ ላይ ተጽኖ የሚፈጥሩት ጾታ፤ እድሜ፤ የትዳር ሁኔታ፤ የስራ በሃሪ፤ ገቢ፤ የመኖሪያ አካባቢ፤ ወዘተ (Independent ወይም Explanatory Variables) ይባላሉ፤
Y(ሲጋራ ማጨስ) = f(ጾታ + እድሜ + የትዳር ሁኔታ + የስራ በሃሪ + ገቢ + የመኖሪያ አካባቢ + ወዘተ + Error Term)
የተሰበሰቡ ዳታዎችን ወደ ሶፍትዌር (E-View፤ Stata፤ SPSS) ወይም በማንዋልም መስራት ይቻላል! በማስገባት ሁሉንም የማረጋገጫ ሂደት (Validity Tast) ካለፈ በኃላ Regress ስናደርግ የሚመጣው የጥናቱ ውጤት R Square መጠኑን በ 0 እና 1 መካከል (ከ0% እስከ 100% ማለት ነው) አድርጎ ይሰጠናል፡፡
#ለምሳሌ፡- የAdjusted R Square ውጤት 0.50 ቢሆን ለሲጋራ ማጨስ ምክንያት ይሆናሉ ብለን የሰበሰብናቸው ማስረጃዎች 50% ብቻ ነው ሲጋራ ለማጨስ ምክንያት የሚሆኑት ማለት ሲሆን የተቀሩት 50% ምክንያቶች ገና አልተገለጹም ማለት ነው፡፡ ይሄ የሚያሳየው ከመጀመሪያውም ትክክለኛ Explanatory Variables እንዳልመረጥን እና የመረጥነው ሞዴልም ችግር እንዳለበት ነው፡፡
ታዲያ ለምን አጥኚዎች እና ተመራቂ ተማሪዎች የ R Square ውጤታቸው ከ0.90 በላይ ወይም ከ90% በላይ ሲሆን ደስተኛ ይሆናሉ? ብዙ ሰው እንደሚያስበው የመረጡት እና የሰበሰቡት ዳታ ከ90% በላይ ማረጋገጥ ለፈለጉት ጥናት በቂ ማስረጃ እንደሆነ ነው! ነገር ግን ይሄ የተሳሳተ ሊሆን ይችላል ምክንያቱም R Square በተለያዩ ተጽኖዎች ሊጋነን (Inflate) ሊያደርግ ይችላል፡፡
Regress በምናደርግበት ወቅት የተወሰኑ ማስተካከያዎች ለማድረግ Explanatory Variables የመቀነስ እና የመጨመር ስራዎች ሊሰሩ ይችላሉ ነገር ግን አንዳንድ Variables በመቀነሳቸው ወይም በመጨመራቸው ብቻ R Square በከፍተኛ ሁኔታ ከፍ እና ዝቅ ሊያደርጉት ይችላሉ! ታዲያ በዚህ ወቅት በጥንቃቄ በመለየት ጠንካራ የሚባለውን Strong Explanatory Variable ትልቅ R Square ለማግኘት ብለን ማጣት እንደሌለብን ማወቅ ይገባል፡፡ ገምጋሚዎችም ቁም ነገሩ ትልቅ R Square ሳይሆን የተደረገበት Test እና በትንሽ R Square ምን ያህል ሞዴሉ ገለጸው (How Observed variation can be explained by the model's inputs) የሚለውም መሆን አለበት እላለሁ፡፡
👉https://www.facebook.com/EconomistWasyhun/?modal=admin_todo_tour
Facebook
Log in or sign up to view
See posts, photos and more on Facebook.