লজিস্টিক রিগ্রেশন এবং বৈষম্যমূলক বিশ্লেষণের পদ্ধতিগুলি ব্যবহার করা হয় যখন উত্তরদাতাদের লক্ষ্য বিভাগ দ্বারা স্পষ্টভাবে আলাদা করার প্রয়োজন হয়। এই ক্ষেত্রে, গ্রুপগুলিকে একটি একক-ভেরিয়েন্ট প্যারামিটারের স্তর দ্বারা উপস্থাপিত করা হয়। আসুন লজিস্টিক রিগ্রেশন মডেলটি ঘনিষ্ঠভাবে দেখে নেওয়া যাক এবং কেন এটি প্রয়োজন তা খুঁজে বের করি৷
সাধারণ তথ্য
যে সমস্যায় লজিস্টিক রিগ্রেশন ব্যবহার করা হয় তার একটি উদাহরণ হল উত্তরদাতাদের গ্রুপে শ্রেণীবিভাগ করা যারা সরিষা কেনে এবং না কিনে। আর্থ-সামাজিক-জনসংখ্যাগত বৈশিষ্ট্য অনুসারে পার্থক্য করা হয়। এর মধ্যে রয়েছে, বিশেষ করে, বয়স, লিঙ্গ, আত্মীয়দের সংখ্যা, আয়, ইত্যাদি। অপারেশনে, পার্থক্যের মানদণ্ড এবং একটি পরিবর্তনশীল রয়েছে। পরেরটি টার্গেট ক্যাটাগরিগুলোকে এনকোড করে যার মধ্যে আসলে, উত্তরদাতাদের ভাগ করা উচিত।
সূক্ষ্মতা
এটা বলা উচিত যে যে ক্ষেত্রে লজিস্টিক রিগ্রেশন প্রয়োগ করা হয় তার পরিসর বৈষম্যমূলক বিশ্লেষণের তুলনায় অনেক সংকীর্ণ। এই ক্ষেত্রে, পার্থক্যের সর্বজনীন পদ্ধতি হিসাবে পরেরটির ব্যবহার বিবেচনা করা হয়আরো পছন্দের। তদুপরি, বিশেষজ্ঞরা বৈষম্যমূলক বিশ্লেষণের সাথে শ্রেণিবিন্যাস অধ্যয়ন শুরু করার পরামর্শ দেন। এবং শুধুমাত্র ফলাফল সম্পর্কে অনিশ্চয়তার ক্ষেত্রে, আপনি লজিস্টিক রিগ্রেশন ব্যবহার করতে পারেন। এই প্রয়োজন বিভিন্ন কারণের কারণে হয়. লজিস্টিক রিগ্রেশন ব্যবহার করা হয় যখন স্বাধীন এবং নির্ভরশীল ভেরিয়েবলের ধরন সম্পর্কে একটি স্পষ্ট ধারণা থাকে। তদনুসারে, 3টি সম্ভাব্য পদ্ধতির মধ্যে একটি নির্বাচন করা হয়েছে। বৈষম্যমূলক বিশ্লেষণে, গবেষক সর্বদা একটি স্ট্যাটিক অপারেশন নিয়ে কাজ করেন। এটি একটি নির্ভরশীল এবং যেকোনো ধরনের স্কেল সহ একাধিক স্বাধীন শ্রেণীগত ভেরিয়েবল জড়িত।
ভিউ
একটি পরিসংখ্যানগত অধ্যয়নের কাজ যা লজিস্টিক রিগ্রেশন ব্যবহার করে তা হল সম্ভাব্যতা নির্ধারণ করা যে একটি নির্দিষ্ট উত্তরদাতাকে একটি নির্দিষ্ট গোষ্ঠীতে নিয়োগ করা হবে। পার্থক্য নির্দিষ্ট পরামিতি অনুযায়ী বাহিত হয়। অনুশীলনে, এক বা একাধিক স্বাধীন কারণের মান অনুসারে, উত্তরদাতাদের দুটি গ্রুপে শ্রেণীবদ্ধ করা সম্ভব। এই ক্ষেত্রে, বাইনারি লজিস্টিক রিগ্রেশন সঞ্চালিত হয়। এছাড়াও, দুইটির বেশি গোষ্ঠীতে বিভক্ত করার সময় নির্দিষ্ট পরামিতিগুলি ব্যবহার করা যেতে পারে। এই ধরনের পরিস্থিতিতে, মাল্টিনমিয়াল লজিস্টিক রিগ্রেশন ঘটে। ফলস্বরূপ গোষ্ঠীগুলিকে একটি একক ভেরিয়েবলের স্তরে প্রকাশ করা হয়৷
উদাহরণ
আসুন আমরা বলি যে তারা মস্কোর শহরতলিতে একটি জমি প্লট কেনার প্রস্তাবে আগ্রহী কিনা এই প্রশ্নের উত্তরদাতাদের উত্তর রয়েছে৷ বিকল্পগুলি হল "না"এবং হ্যাঁ. সম্ভাব্য ক্রেতাদের সিদ্ধান্তের উপর কোন কারণগুলির প্রভাব রয়েছে তা খুঁজে বের করা প্রয়োজন। এটি করার জন্য, উত্তরদাতাদের অঞ্চলের অবকাঠামো, রাজধানীর দূরত্ব, সাইটের এলাকা, একটি আবাসিক ভবনের উপস্থিতি / অনুপস্থিতি ইত্যাদি সম্পর্কে প্রশ্ন করা হয়। বাইনারি রিগ্রেশন ব্যবহার করে এটি বিতরণ করা সম্ভব। উত্তরদাতারা দুটি গ্রুপে বিভক্ত। প্রথমটি অন্তর্ভুক্ত করবে যারা অধিগ্রহণে আগ্রহী - সম্ভাব্য ক্রেতা এবং দ্বিতীয়টি যথাক্রমে, যারা এই ধরনের অফারে আগ্রহী নন। প্রতিটি উত্তরদাতার জন্য, উপরন্তু, এক বা অন্য বিভাগে নিয়োগের সম্ভাবনা গণনা করা হবে৷
তুলনামূলক বৈশিষ্ট্য
উপরের দুটি বিকল্পের পার্থক্য হল বিভিন্ন গ্রুপের সংখ্যা এবং নির্ভরশীল এবং স্বাধীন ভেরিয়েবলের ধরন। বাইনারি রিগ্রেশনে, উদাহরণস্বরূপ, এক বা একাধিক স্বতন্ত্র অবস্থার উপর একটি দ্বিমুখী ফ্যাক্টরের নির্ভরতা অধ্যয়ন করা হয়। তদুপরি, পরেরটির যে কোনও ধরণের স্কেল থাকতে পারে। মাল্টিনমিয়াল রিগ্রেশন এই শ্রেণীবিন্যাস বিকল্পের একটি পরিবর্তন হিসাবে বিবেচিত হয়। এতে, 2টির বেশি গ্রুপ নির্ভরশীল পরিবর্তনশীলের অন্তর্গত। স্বাধীন কারণগুলির অবশ্যই একটি অর্ডিনাল বা নামমাত্র স্কেল থাকতে হবে৷
এসপিএসএসে লজিস্টিক রিগ্রেশন
পরিসংখ্যানগত প্যাকেজ 11-12-এ বিশ্লেষণের একটি নতুন সংস্করণ চালু করা হয়েছিল - অর্ডিনাল। এই পদ্ধতিটি ব্যবহার করা হয় যখন নির্ভরশীল ফ্যাক্টর একই নামের (অর্ডিনাল) স্কেলের অন্তর্গত। এই ক্ষেত্রে, স্বাধীন ভেরিয়েবলগুলি একটি নির্দিষ্ট ধরণের নির্বাচন করা হয়। এগুলি অবশ্যই ক্রমিক বা নামমাত্র হতে হবে। বিভিন্ন বিভাগে শ্রেণীবিভাগকে সবচেয়ে বেশি বিবেচনা করা হয়সর্বজনীন লজিস্টিক রিগ্রেশন ব্যবহার করে এমন সমস্ত গবেষণায় এই পদ্ধতিটি ব্যবহার করা যেতে পারে। যাইহোক, একটি মডেলের গুণমান উন্নত করার একমাত্র উপায় হল তিনটি কৌশল ব্যবহার করা।
আদি শ্রেণীবিভাগ
এটা বলা উচিত যে আগে পরিসংখ্যানগত প্যাকেজে অর্ডিনাল স্কেল সহ নির্ভরশীল কারণগুলির জন্য বিশেষ বিশ্লেষণ করার কোন সাধারণ সম্ভাবনা ছিল না। 2 টিরও বেশি গোষ্ঠী সহ সমস্ত ভেরিয়েবলের জন্য, বহুবিধ বৈকল্পিক ব্যবহার করা হয়েছিল৷ তুলনামূলকভাবে সম্প্রতি প্রবর্তিত অর্ডিনাল বিশ্লেষণের বেশ কয়েকটি বৈশিষ্ট্য রয়েছে। তারা একাউন্টে স্কেলের সুনির্দিষ্ট বৈশিষ্ট্য গ্রহণ করে। ইতিমধ্যে, শিক্ষণ সহায়কগুলিতে, অর্ডিনাল লজিস্টিক রিগ্রেশনকে প্রায়শই একটি পৃথক কৌশল হিসাবে বিবেচনা করা হয় না। এটি নিম্নলিখিত কারণে: বহুপদে অর্ডিনাল বিশ্লেষণের কোন উল্লেখযোগ্য সুবিধা নেই। গবেষক একটি অর্ডিনাল এবং একটি নামমাত্র নির্ভরশীল পরিবর্তনশীল উভয়ের উপস্থিতিতে পরবর্তীটিকে ভালভাবে ব্যবহার করতে পারেন। একই সময়ে, শ্রেণীবিভাগের প্রক্রিয়াগুলি প্রায় একে অপরের থেকে আলাদা নয়। এর মানে হল যে অর্ডিন্যাল অ্যানালাইসিস করা কোনো অসুবিধার কারণ হবে না।
বিশ্লেষণ বিকল্প
আসুন একটি সাধারণ ক্ষেত্রে বিবেচনা করা যাক - বাইনারি রিগ্রেশন। ধরুন, বিপণন গবেষণার প্রক্রিয়ায়, একটি নির্দিষ্ট মেট্রোপলিটন বিশ্ববিদ্যালয়ের স্নাতকদের চাহিদা মূল্যায়ন করা হয়। প্রশ্নাবলীতে, উত্তরদাতাদের প্রশ্ন জিজ্ঞাসা করা হয়েছিল, যার মধ্যে রয়েছে:
- আপনি কি চাকরি করছেন? (ql)।
- স্নাতকের বছর প্রবেশ করুন (q 21)।
- গড় কতস্নাতক স্কোর (এভার)।
- লিঙ্গ (q22)।
লজিস্টিক রিগ্রেশন পরিবর্তনশীল ql-এর উপর স্বাধীন ফ্যাক্টর aver, q 21 এবং q 22 এর প্রভাব মূল্যায়ন করবে। সহজ কথায়, বিশ্লেষণের উদ্দেশ্য হবে ক্ষেত্র, স্নাতকের বছর এবং জিপিএ সম্পর্কিত তথ্যের ভিত্তিতে স্নাতকদের সম্ভাব্য কর্মসংস্থান নির্ধারণ করা।
লজিস্টিক রিগ্রেশন
বাইনারী রিগ্রেশন ব্যবহার করে প্যারামিটার সেট করতে, Analyze►Regression►Binary Logistic মেনু ব্যবহার করুন। লজিস্টিক রিগ্রেশন উইন্ডোতে, বাম দিকে উপলব্ধ ভেরিয়েবলের তালিকা থেকে নির্ভরশীল ফ্যাক্টর নির্বাচন করুন। এটা ql. এই ভেরিয়েবলটিকে ডিপেন্ডেন্ট ফিল্ডে রাখতে হবে। এর পরে, Covariates প্লটে স্বাধীন কারণগুলি প্রবর্তন করা প্রয়োজন - q 21, q 22, aver। তারপরে আপনার বিশ্লেষণে সেগুলি কীভাবে অন্তর্ভুক্ত করবেন তা চয়ন করতে হবে। যদি স্বাধীন ফ্যাক্টরের সংখ্যা 2-এর বেশি হয়, তবে সমস্ত ভেরিয়েবলের একযোগে প্রবর্তনের পদ্ধতি, যা ডিফল্টরূপে সেট করা হয়, তবে ধাপে ধাপে ব্যবহার করা হয়। সর্বাধিক জনপ্রিয় উপায় হল পশ্চাদপদ: এলআর। নির্বাচন বোতামটি ব্যবহার করে, আপনি সমস্ত উত্তরদাতাদের নয়, শুধুমাত্র একটি নির্দিষ্ট লক্ষ্য শ্রেণীতে অধ্যয়নে অন্তর্ভুক্ত করতে পারেন।
শ্রেণীগত ভেরিয়েবল সংজ্ঞায়িত করুন
শ্রেণীগত বোতামটি ব্যবহার করা উচিত যখন স্বাধীন ভেরিয়েবলের একটি 2টির বেশি বিভাগের সাথে নামমাত্র। এই পরিস্থিতিতে, ক্যাটেগরিক্যাল ভেরিয়েবলস উইন্ডোতে, ক্যাটেগরিক্যাল কোভেরিয়েট বিভাগে ঠিক এই ধরনের একটি প্যারামিটার স্থাপন করা হয়েছে। এই উদাহরণে, এমন কোন পরিবর্তনশীল নেই। এর পরে, ড্রপ-ডাউন তালিকায় কন্ট্রাস্ট অনুসরণ করেবিচ্যুতি আইটেমটি নির্বাচন করুন এবং পরিবর্তন বোতাম টিপুন। ফলস্বরূপ, প্রতিটি নামমাত্র ফ্যাক্টর থেকে বেশ কয়েকটি নির্ভরশীল চলক গঠিত হবে। তাদের সংখ্যা প্রাথমিক অবস্থার বিভাগের সংখ্যার সাথে মিলে যায়৷
নতুন ভেরিয়েবল সংরক্ষণ করুন
অধ্যয়নের প্রধান ডায়ালগ বক্সে সংরক্ষণ বোতাম ব্যবহার করে, নতুন প্যারামিটার তৈরি করা হয়েছে। তারা রিগ্রেশন প্রক্রিয়ায় গণনা করা সূচক ধারণ করবে। বিশেষ করে, আপনি ভেরিয়েবল তৈরি করতে পারেন যা সংজ্ঞায়িত করে:
- একটি নির্দিষ্ট শ্রেণীবিভাগের (গ্রুপ সদস্যপদ) অন্তর্গত।
- প্রতিটি স্টাডি গ্রুপে একজন উত্তরদাতা নিয়োগের সম্ভাবনা (সম্ভাবনা)।
অপশন বোতাম ব্যবহার করার সময়, গবেষক কোনো উল্লেখযোগ্য বিকল্প পান না। তদনুসারে, এটি উপেক্ষা করা যেতে পারে। "ঠিক আছে" বোতামে ক্লিক করার পর, বিশ্লেষণের ফলাফল প্রধান উইন্ডোতে প্রদর্শিত হবে।
পর্যাপ্ততা এবং লজিস্টিক রিগ্রেশনের জন্য গুণমান পরীক্ষা
মডেল সহগ সারণীর অমনিবাস টেস্টগুলি বিবেচনা করুন৷ এটি মডেলের আনুমানিক গুণমানের বিশ্লেষণের ফলাফল প্রদর্শন করে। একটি ধাপে ধাপে বিকল্প সেট করার কারণে, আপনাকে শেষ পর্যায়ের ফলাফলগুলি দেখতে হবে (ধাপ 2)। একটি ইতিবাচক ফলাফল বিবেচনা করা হবে যদি উচ্চ মাত্রায় তাত্পর্যের (সিগ. < 0.05) পরবর্তী পর্যায়ে যাওয়ার সময় চি-স্কোয়ার সূচকের বৃদ্ধি পাওয়া যায়। মডেলের মান মডেল লাইনে মূল্যায়ন করা হয়। যদি একটি নেতিবাচক মান প্রাপ্ত হয়, কিন্তু মডেলের সামগ্রিক উচ্চ বস্তুগততার সাথে তা উল্লেখযোগ্য বলে বিবেচিত হয় না, শেষকার্যত উপযুক্ত বলে বিবেচিত হতে পারে।
টেবিল
মডেলের সংক্ষিপ্তসারটি মোট বৈচিত্র্য সূচক অনুমান করা সম্ভব করে, যা নির্মিত মডেল (আর স্কোয়ার সূচক) দ্বারা বর্ণিত হয়। এটি Nagelker মান ব্যবহার করার সুপারিশ করা হয়. Nagelkerke R স্কয়ার প্যারামিটারটি 0.50 এর উপরে হলে একটি ইতিবাচক সূচক হিসাবে বিবেচিত হতে পারে। এর পরে, শ্রেণীবিভাগের ফলাফলগুলি মূল্যায়ন করা হয়, যেখানে অধ্যয়নের অধীনে এক বা অন্য বিভাগের অন্তর্গত প্রকৃত সূচকগুলি রিগ্রেশন মডেলের উপর ভিত্তি করে ভবিষ্যদ্বাণীকৃতদের সাথে তুলনা করা হয়। এই জন্য, ক্লাসিফিকেশন টেবিল ব্যবহার করা হয়। এটি আমাদের বিবেচনাধীন প্রতিটি গোষ্ঠীর জন্য পার্থক্যের সঠিকতা সম্পর্কে সিদ্ধান্ত নিতে দেয়৷
নিম্নলিখিত সারণীটি বিশ্লেষণে প্রবেশ করা স্বাধীন কারণগুলির পরিসংখ্যানগত তাৎপর্য, সেইসাথে প্রতিটি অ-প্রমিত লজিস্টিক রিগ্রেশন সহগ খুঁজে বের করার একটি সুযোগ প্রদান করে৷ এই সূচকগুলির উপর ভিত্তি করে, নমুনায় প্রতিটি উত্তরদাতার একটি নির্দিষ্ট গোষ্ঠীর সাথে সম্পর্কিত ভবিষ্যদ্বাণী করা সম্ভব। সংরক্ষণ বোতাম ব্যবহার করে, আপনি নতুন ভেরিয়েবল প্রবেশ করতে পারেন। তারা একটি নির্দিষ্ট শ্রেণীবিভাগের (অনুমানিত বিভাগ) অন্তর্গত এবং এই গোষ্ঠীতে অন্তর্ভুক্ত হওয়ার সম্ভাবনা (পূর্বাভাসিত সম্ভাব্যতা সদস্যতা) সম্পর্কিত তথ্য থাকবে৷ "ঠিক আছে" ক্লিক করার পর, গণনার ফলাফল মাল্টিনমিয়াল লজিস্টিক রিগ্রেশনের প্রধান উইন্ডোতে প্রদর্শিত হবে।
প্রথম টেবিলটি, যেটিতে গবেষকের জন্য গুরুত্বপূর্ণ সূচক রয়েছে, সেটি হল মডেল ফিটিং তথ্য। একটি উচ্চ স্তরের পরিসংখ্যানগত তাত্পর্য উচ্চ গুণমান নির্দেশ করবে এবংব্যবহারিক সমস্যা সমাধানে মডেল ব্যবহার করার উপযুক্ততা। আরেকটি উল্লেখযোগ্য টেবিল হল Pseudo R-Square। এটি আপনাকে নির্ভরশীল ফ্যাক্টরের মোট বৈচিত্র্যের অনুপাত অনুমান করতে দেয়, যা বিশ্লেষণের জন্য নির্বাচিত স্বাধীন ভেরিয়েবল দ্বারা নির্ধারিত হয়। সম্ভাবনা অনুপাত পরীক্ষার সারণী অনুসারে, আমরা পরেরটির পরিসংখ্যানগত তাৎপর্য সম্পর্কে সিদ্ধান্ত নিতে পারি। প্যারামিটার অনুমান অ-প্রমিত সহগ প্রতিফলিত করে। তারা সমীকরণ নির্মাণ ব্যবহার করা হয়. উপরন্তু, ভেরিয়েবলের প্রতিটি সংমিশ্রণের জন্য, নির্ভরশীল ফ্যাক্টরের উপর তাদের প্রভাবের পরিসংখ্যানগত তাত্পর্য নির্ধারণ করা হয়েছিল। এদিকে, বিপণন গবেষণায়, প্রায়ই উত্তরদাতাদের পৃথকভাবে নয়, কিন্তু লক্ষ্য গোষ্ঠীর অংশ হিসাবে বিভাগ দ্বারা পৃথক করা প্রয়োজন হয়ে পড়ে। এর জন্য, পর্যবেক্ষণ এবং পূর্বাভাসিত ফ্রিকোয়েন্সি টেবিল ব্যবহার করা হয়৷
ব্যবহারিক প্রয়োগ
বিশ্লেষণের বিবেচিত পদ্ধতিটি ব্যবসায়ীদের কাজে ব্যাপকভাবে ব্যবহৃত হয়। 1991 সালে, লজিস্টিক সিগমায়েড রিগ্রেশন সূচক তৈরি করা হয়েছিল। এটি "অতি গরম" হওয়ার আগে সম্ভাব্য দামের ভবিষ্যদ্বাণী করার জন্য একটি সহজে ব্যবহারযোগ্য এবং কার্যকর টুল। দুটি সমান্তরাল রেখা দ্বারা গঠিত একটি চ্যানেল হিসাবে সূচকটি চার্টে দেখানো হয়েছে। তারা প্রবণতা থেকে সমানভাবে ব্যবধান। করিডোরের প্রস্থ শুধুমাত্র সময়সীমার উপর নির্ভর করবে। মুদ্রা জোড়া থেকে মূল্যবান ধাতু পর্যন্ত - প্রায় সমস্ত সম্পদের সাথে কাজ করার সময় সূচকটি ব্যবহার করা হয়৷
অভ্যাসে, যন্ত্র ব্যবহারের জন্য 2টি মূল কৌশল তৈরি করা হয়েছে: ব্রেকআউটের জন্য এবংএকটি পালা জন্য পরবর্তী ক্ষেত্রে, ব্যবসায়ী চ্যানেলের মধ্যে মূল্য পরিবর্তনের গতিশীলতার উপর ফোকাস করবে। মানটি সমর্থন বা প্রতিরোধের লাইনের কাছে আসার সাথে সাথে বিপরীত দিকে আন্দোলন শুরু হওয়ার সম্ভাবনার উপর একটি বাজি রাখা হয়। যদি দাম উপরের সীমানার কাছাকাছি আসে, তাহলে আপনি সম্পদ থেকে মুক্তি পেতে পারেন। যদি এটি নিম্ন সীমাতে হয়, তাহলে আপনার ক্রয় সম্পর্কে চিন্তা করা উচিত। ব্রেকআউট কৌশল অর্ডার ব্যবহার জড়িত. তারা সীমার বাইরে অপেক্ষাকৃত ছোট দূরত্বে ইনস্টল করা হয়। কিছু ক্ষেত্রে দাম অল্প সময়ের জন্য তাদের লঙ্ঘন করে তা বিবেচনা করে, আপনার এটি নিরাপদে খেলতে হবে এবং স্টপ লস সেট করা উচিত। একই সময়ে, অবশ্যই, নির্বাচিত কৌশল নির্বিশেষে, ব্যবসায়ীকে যতটা সম্ভব শান্তভাবে বাজারে যে পরিস্থিতি তৈরি হয়েছে তা উপলব্ধি করতে হবে এবং মূল্যায়ন করতে হবে।
উপসংহার
এইভাবে, লজিস্টিক রিগ্রেশনের ব্যবহার আপনাকে প্রদত্ত প্যারামিটার অনুসারে উত্তরদাতাদের দ্রুত এবং সহজে শ্রেণীবদ্ধ করতে দেয়। বিশ্লেষণ করার সময়, আপনি কোন বিশেষ পদ্ধতি ব্যবহার করতে পারেন। বিশেষ করে, বহুপদ রিগ্রেশন সার্বজনীন। যাইহোক, বিশেষজ্ঞরা সংমিশ্রণে উপরে বর্ণিত সমস্ত পদ্ধতি ব্যবহার করার পরামর্শ দেন। এটি এই কারণে যে এই ক্ষেত্রে মডেলের গুণমান উল্লেখযোগ্যভাবে বেশি হবে। এটি, পরিবর্তে, এর অ্যাপ্লিকেশনের পরিসরকে প্রসারিত করবে৷
