Tableau Desktop และความช่วยเหลือในการเขียนเว็บ

สูตรแบบจำลอง

นี่คือสูตรสำหรับแบบจำลองเส้นแนวโน้มแบบเต็ม สูตรจะแสดงว่าคุณได้กำหนดค่าเพื่อยกเว้นปัจจัยสำหรับแบบจำลองหรือไม่

จำนวนข้อสังเกตที่จำลอง

จำนวนแถวที่ใช้ในมุมมอง

จำนวนข้อสังเกตที่กรอง

จำนวนข้อสังเกตที่ยกเว้นออกจากแบบจำลอง

ค่าอิสระของแบบจำลอง

จำนวนของพารามิเตอร์ที่ต้องใช้เพื่อกำหนดแบบจำลองโดยสมบูรณ์ แนวโน้มเชิงเส้น ลอการิทึม และเอ็กซ์โปเนนเชียลมีค่าอิสระของแบบจำลองคือ 2 แนวโน้มเอ็กซ์โปเนนเชียลมีค่าอิสระของแบบจำลองคือ 1 รวมกับลำดับของพหุนาม ตัวอย่างเช่น แนวโน้มกำลังสามมีค่าอิสระของแบบจำลองคือ 4 เนื่องจากเราต้องการพารามิเตอร์สำหรับคำศัพท์กำลังสาม กำลังสอง เชิงเส้น และคงที่

ค่าอิสระ (DF) ที่เหลือ

สำหรับแบบจำลองคงที่ ค่านี้จะถูกกำหนดเป็นจำนวนข้อสังเกตลบด้วยจำนวนของพารามิเตอร์ที่ประมาณค่าในแบบจำลอง

SSE (ผลรวมของข้อผิดพลาดยกกําลังสอง)

ข้อผิดพลาดคือความแตกต่างระหว่างค่าข้อสังเกตและค่าที่คาดการณ์โดยแบบจำลอง ในตาราง “การวิเคราะห์ค่าความแปรปรวน” คอลัมน์นี้คือความแตกต่างระหว่าง SSE ของแบบจำลองที่เรียบง่ายกว่าในแถวดังกล่าวและแบบจำลองแบบเต็มซึ่งใช้ปัจจัยทั้งหมด SSE นี้สอดคล้องกับผลรวมของความแตกต่างที่ยกกำลังสองของค่าที่คาดการณ์จากแบบจำลองที่เล็กกว่าและแบบจำลองแบบเต็ม

MSE (ค่าเฉลี่ยข้อผิดพลาดยกกําลังสอง)

MSE หมายถึง “ค่าเฉลี่ยข้อผิดพลาดยกกําลังสอง” ที่เป็นปริมาณ SSE หารด้วยค่าอิสระที่สอดคล้องกัน

ค่า R-Squared

ค่า R-Squared คือการวัดผลว่าข้อมูลเข้ากับแบบจำลองเชิงเส้นได้ดีเพียงใด ซึ่งเป็นอัตราส่วนของการแปรผันของข้อผิดพลาดของแบบจำลอง หรือการแปรผันที่อธิบายไม่ได้ เทียบกับการแปรผันทั้งหมดของข้อมูล

เมื่อจุดตัดแกน y ถูกกำหนดโดยแบบจำลอง ค่า R-Squared จะได้มาโดยใช้สมการต่อไปนี้:

เมื่อจุดตัดแกน y ถูกบังคับให้เป็นศูนย์ ค่า R-Squared จะได้มาโดยใช้สมการต่อไปนี้แทน:

ในกรณีหลัง สมการจะไม่จำเป็นต้องตรงกับ Excel เนื่องจากค่า R-Squared ไม่ได้ถูกกำหนดอย่างถูกต้องในกรณีนี้ และการทำงานของ Tableau จะตรงกับค่า R ดังกล่าวแทนที่จะเป็น Excel

หมายเหตุ: ค่า R-Squared สำหรับแบบจำลองเส้นแนวโน้มเชิงเส้นเป็นค่าเท่ากับกำลังสองของผลจากฟังก์ชัน CORR หากต้องการดูไวยากรณ์และตัวอย่างสำหรับ CORR โปรดดูฟังก์ชัน Tableau (เรียงตามตัวอักษร)(ลิงก์จะเปิดในหน้าต่างใหม่)

ข้อผิดพลาดมาตรฐาน

รากที่สองของ MSE ของแบบจำลองแบบเต็ม ค่าประมาณของค่าเบี่ยงเบนมาตรฐาน (ความแปรผัน) ของ “ข้อผิดพลาดแบบสุ่ม” ในสูตรแบบจำลอง

P-Value (สำคัญ)

ความน่าจะเป็นที่ตัวแปรแบบสุ่ม F ที่มีค่าอิสระเกิน F ที่สังเกตในแถวนี้ของตาราง “การวิเคราะห์ของค่าความแปรปรวน”

การวิเคราะห์ค่าความแปรปรวน

ตารางนี้ที่มีชื่อว่าตาราง ANOVA จะแสดงข้อมูลของปัจจัยแต่ละรายการในแบบจำลองเส้นแนวโน้ม ค่าจะเป็นการเปรียบเทียบของแบบจำลองที่ไม่มีปัจจัยดังกล่าวในแบบจำลองทั้งหมด ซึ่งรวมถึงปัจจัยทั้งหมด

เส้นแนวโน้มโดยแยก

ตารางนี้ให้ข้อมูลเกี่ยวกับเส้นแนวโน้มแต่ละเส้นในมุมมอง ด้วยการดูที่รายการคุณจะเห็นว่าเส้นใดที่มีความสำคัญทางสถิติมากที่สุด หากมี ตารางนี้ยังจะแสดงสถิติค่าสัมประสิทธิ์ในเส้นแนวโน้มแต่ละเส้น แถวอธิบายค่าสัมประสิทธิ์แต่ละค่าในแบบจำลองเส้นแนวโน้มแต่ละรายการ ตัวอย่างเช่น แบบจำลองเชิงเส้นที่มีจุดตัดแกนต้องมีแถวสองแถวสำหรับเส้นแนวโน้มแต่ละเส้น ในคอลัมน์ “เส้น” P-Value และ DF ของเส้นแต่ละเส้นจะขยายแถวค่าสัมประสิทธิ์ทั้งหมด คอลัมน์ DF ภายใต้การแสดงของค่าอิสระที่เหลือที่มีในการประมาณค่าของแต่ละเส้น

คำศัพท์

ชื่อของคำศัพท์อิสระ

ค่า

ค่าที่ประมาณของสัมประสิทธิ์สำหรับคำศัพท์อิสระ

StdErr

การวัดผลของการกระจายของการแจกแจงตัวอย่างของการประมาณค่าสัมประสิทธิ์ ข้อผิดพลาดนี้จะลดลงเมื่อคุณภาพและปริมาณของข้อมูลที่ใช้ในการประมาณค่าเพิ่มขึ้น

T-Value

สถิติจะถูกใช้เพื่อทดสอบสมมติฐาน Null ที่ค่าที่แท้จริงของค่าสัมประสิทธิ์เป็นศูนย์

P-Value:

ความน่าจะเป็นของการสังเกต T-Value ที่มากหรือมากกว่าของขนาดหากค่าที่แท้จริงของค่าสัมประสิทธิ์เป็นศูนย์ ดังนั้น P-Value .05 จะได้ความเชื่อมั่น 95% ที่ค่าที่แท้จริงไม่ได้เป็นศูนย์

ความสำคัญของแบบจำลองทั้งหมด

เมื่อคุณได้เพิ่มเส้นแนวโน้มไปยังมุมมอง โดยปกติคุณจะต้องทราบความดีของระดับความเหมาะสมของแบบจำลอง ซึ่งเป็นการวัดผลของคุณภาพของการคาดการณ์ของแบบจำลอง นอกจากนี้ คุณจะสนใจในความสำคัญของปัจจัยแต่ละรายการที่นำไปสู่แบบจำลอง หากต้องการดูตัวเลขเหล่านี้ ให้เปิดกล่องโต้ตอบ “อธิบายแบบจำลองแนวโน้ม” คลิกขวา (กด Control แล้วคลิกบน Mac) ในมุมมองแล้วเลือกเส้นแนวโน้ม >อธิบายแบบจำลองแนวโน้ม

เมื่อคุณทดสอบความสำคัญ คุณจะคำนึงถึง P-Value ยิ่ง P-Value น้อยเท่าใด แบบจำลองหรือปัจจัยก็จะยิ่งสำคัญมากเท่านั้น เป็นไปได้ที่จะมีแบบจำลองที่มีความสำคัญทางสถิติแต่ยังมีเส้นแนวโน้มโดยแยกหรือคำศัพท์ของเส้นแนวโน้มโดยแยกที่ไม่มีส่วนต่อความสำคัญทั้งหมด

ในแบบจำลองเส้นแนวโน้ม ให้มองหาเส้นที่แสดง P-Value (สำคัญ) ของแบบจำลอง ยิ่ง P-Value น้อยเท่าใด โอกาสที่ความแตกต่างในการแปรผันที่อธิบายไม่ได้ระหว่างแบบจำลองทั้งที่มีและไม่มีการวัดผลที่เกี่ยวข้องหรือการวัดผลต่างๆ เป็นผลมาจากโอกาสสุ่ม

P-Value สำหรับแบบจำลองนี้เปรียบเทียบความเหมาะสมของแบบจำลองทั้งหมดกับความเหมาะสมของแบบจำลองที่มีเพียงค่าเฉลี่ยรวมเท่านั้น (ค่าเฉลี่ยของข้อมูลในมุมมองข้อมูล) นั่นคือ ค่าจะประเมินยกกำลังที่ใช้อธิบายของคำศัพท์เชิงปริมาณ f(x) ในสูตรแบบจำลอง ที่สามรถเป็นได้ทั้งเชิงเส้น พหุนาม เอ็กซ์โปเนนเชียล หรือลอการิทึมที่มีปัจจัยคงที่ เป็นเรื่องปกติที่จะประเมินความสำคัญโดยใช้กฎ “ความเชื่อมั่น 95%” ดังนั้น ตามที่กล่าวไว้ข้างต้น P-Value 0.05 หรือน้อยกว่าจะถือว่าเป็นสิ่งที่ดี

ความสำคัญของปัจจัยแบ่งหมวดหมู่

ในตาราง “การวิเคราะห์ค่าความแปรปรวน” บางครั้งจะเรียกว่าตาราง ANOVA ฟิลด์แต่ละฟิลด์ที่ใช้เป็นปัจจัยในแบบจำลองจะถูกแสดง ในแต่ละฟิลด์ เมื่อเทียบกับค่าอื่นๆ คุณจะสามาระดู P-Value ได้ ในกรณีนี้ P-Value จะแสดงว่าฟิลด์ดังกล่าวเพิ่มความสำคัญของแบบจำลองทั้งหมดไปเท่าใด ยิ่งค่า p-value ต่ำเท่าใด ก็มีความเป็นไปได้น้อยลงเท่านั้นที่ความแตกต่างในการแปรผันที่อธิบายไม่ได้ระหว่างโมเดลที่มีฟิลด์และไม่มีฟิลด์เป็นผลมาจากโอกาสสุ่ม ค่าที่แสดงสำหรับแต่ละฟิลด์นั้นแปลงมาจากการเปรียบเทียบทั้งโมเดลกับโมเดลที่ไม่มีฟิลด์ดังกล่าว

ภาพต่อไปนี้แสดงตาราง “การวิเคราะห์ค่าความแปรปรวน” สำหรับมุมมองของยอดขายรายไตรมาสเป็นเวลาสองปีที่ผ่านมาของหมวดหมู่ผลิตภัณฑ์สามหมวดหมู่ที่แตกต่างกัน

อย่างที่คุณเห็น P-Value สำหรับหมวดหมู่และภูมิภาคนั้นค่อนข้างน้อย ปัจจัยเหล่านี้มีความสำคัญทางสถิติในแบบจำลองนี้

หากต้องการข้อมูลเกี่ยวกับคำศัพท์เส้นแนวโน้มที่กำหนด โปรดดูคำศัพท์แบบจำลองเส้นแนวโน้ม

สำหรับแบบจำลอง ANOVA เส้นแนวโน้มจะถูกกำหนดโดยสูตรคณิตศาสตร์:

Y = factor 1 * factor 2 * ...factorN * f(x) + e

คำศัพท์ Y จะเรียกว่าตัวแปรการตอบสนองและสอดคล้องกับค่าที่ต้องพยายามคาดการณ์ คำศัพท์ X คือตัวแปรที่ใช้อธิบาย และ e (เอปไซลอน) เป็นข้อผิดพลาดแบบสุ่ม ปัจจัยในนิพจน์ที่สอดคล้องกับฟิลด์หมวดหมู่ในมุมมอง นอกจากนี้ ปัจจัยแต่ละรายการจะถูกแสดงเป็นเมทริกซ์ * เป็นชนิดตัวดำเนินการการคูณเมทริกซ์ที่ใช้เมทริกซ์ที่มีจำนวนแถวเหมือนกัน และส่งคืนค่าเมทริกซ์ใหม่ที่มีจำนวนแถวเหมือนกัน ซึ่งหมายความว่าในนิพจน์factor 1 * factor 2 จะมีการแนะนำการรวมสมาชิกทั้งหมดของปัจจัย 1 และปัจจัย 2 ตัวอย่างเช่น หากปัจจัย 1 และปัจจัย 2 มีสมาชิกสามรายการ จะมีกรแนะนำตัวแปรทั้งหมดเก้าตัวไปยังสูตรแบบจำลองโดยตัวดำเนินการนี้