رجعت تجزیہ میں ہم آہنگی

Regression Analysis میں Collinearity ایک ایسی صورت حال ہے جہاں دو یا دو سے زیادہ پیشین گوئی کرنے والے متغیرات انتہائی باہم مربوط ہوتے ہیں۔ یہ عام طور پر دیکھا جاتا ہے جب ایک سے زیادہ رجعت کے تجزیہ سے نمٹنے کے لیے۔ تاہم، یہ سادہ لکیری ریگریشن تجزیہ میں بھی ہو سکتا ہے۔ جب یہ واقع ہوتا ہے، تو یہ رجعت کے تجزیہ کی غلط تشریحات کا باعث بن سکتا ہے، اور اس سے اخذ کیے گئے نتائج کی طاقت کو نمایاں طور پر کم کر سکتا ہے۔

ہم آہنگی اس وقت ہوتی ہے جب متعدد پیشن گو متغیرات ایک دوسرے سے اس طرح جڑے ہوتے ہیں کہ انہیں ایک دوسرے کے لکیری امتزاج کے طور پر ظاہر کیا جا سکتا ہے۔ رجعت کے تجزیہ کے لحاظ سے، collinearity ایک مسئلہ ہے کیونکہ یہ عددی تخمینوں کی درستگی کو کم کرتا ہے، اور ماڈل کو غیر مستحکم کرنے کا سبب بن سکتا ہے، یا یہاں تک کہ یکجا ہونے میں ناکام ہو سکتا ہے۔

collinearity کی ڈگری کا پتہ لگانے اور اس کی پیمائش کرنے کے لیے، کئی مختلف معیارات استعمال کیے جا سکتے ہیں۔ دو سب سے زیادہ استعمال ہونے والے معیارات ارتباط کے عدد ہیں، جو دو متغیروں کے درمیان خطی ارتباط کی پیمائش کرتے ہیں، اور ویریئنس انفلیشن فیکٹر (VIF)، جو اس ڈگری کی پیمائش کرتا ہے جس میں عددی تخمینے کا تغیر بغیر ہم آہنگی کے توقع سے زیادہ ہے۔ VIF قدر 10 سے زیادہ بتاتی ہے کہ متغیر کے درمیان مضبوط ہم آہنگی ہے۔

جب رجعت کے تجزیے میں collinearity واقع ہوتی ہے، تو اس کے اثرات کو کم کرنے کے لیے کئی طریقے ہوتے ہیں، جیسے رج ریگریشن، پرنسپل اجزاء کا تجزیہ، یا دیگر تکنیکوں کا استعمال جیسے بہترین سب سیٹ کا انتخاب۔

مجموعی طور پر، لکیری رجعت کرتے وقت ہم آہنگی اور اس کے نتائج کو سمجھنا ضروری ہے۔ اگر مناسب طریقے سے غور نہیں کیا گیا تو، یہ رجعت تجزیہ کی غلط تشریحات کا باعث بن سکتا ہے اور اس کے نتائج کی طاقت کو نمایاں طور پر کم کر سکتا ہے۔