Määrityskerroin on matemaattinen laskelma korrelaatiokertoimen neliöstä. Korrelaatiokerroin on laskelma mallin tarkkuudesta. Näitä termejä käytetään tilastollisessa analyysissä selittämään melko loogisia laskelmia.
Tilastoissa analyytikon tehtävänä on tarkastella tietystä skenaariosta tai tapahtumasta kerättyjä tietoja ja luoda matemaattinen malli, joka selittää tiedot. Tämän mallin luomiseksi on otettava huomioon tietyt tosiasiat.
Jokaisessa laskennassa ja tietojen keräämisessä on virheitä. Koska tämä on johdonmukaista, virhetaso on sisällytettävä malliin. Kun otetaan huomioon tämä virhe, sillä ei enää ole merkitystä määritettäessä, tarjoaako ehdotettu malli vankan selityksen tiedoille.
Todellinen määrityskertoimen laskenta on
R2 = Virheiden neliösumma
Neliövirheiden summa + Neliöiden regressiosumma
Tämä on laskelma mallin tarkkuudesta tietojen selittämisessä.
Tätä arvoa käytetään tilastollisessa analyysissä, ja se antaa käsityksen tilastollisen mallin “sopivuudesta” tietoihin. Kerroimen arvo on välillä 0 ja 1. Mallin täydellinen sovitus vaihtelun selittämiseksi on 1 ja 0 on arvo, kun malli ei selitä vaihtelua ollenkaan.
Määrityskerroin ottaa huomioon datavirheet tai poikkeamat ja neliöiden regressiosumman. Tähän arvoon ei ole yksikköä, koska se on olennaisesti suhde eikä ole täysin riippuvainen otoksen koosta. Mitä suurempi arvo lähestyy 1, sitä parempi selitys vaihtelulle on malli.
Yksinkertainen tapa visualisoida tämä käsite on luoda kaavio kaikista tietyn tapahtuman ympärillä olevista tiedoista. Aseta kolme lokeroa evästeitä lounashuoneeseen, suklaa, manteli ja maapähkinä. Tarkkaile, kun ihmiset tulevat lounashuoneeseen ja kirjoita ylös, kuinka monta evästettä he ottavat, millaisia ja missä järjestyksessä. Piirrä nämä tiedot kaavioon.
Luo kaava ennustetun käyttäytymisen ympärille. Esimerkkinä voidaan ennustaa, että jokainen, joka otti yhden suklaakeksin, otti myös 1 mantelia, mutta ei maapähkinää. Yksinkertainen lineaarinen yhtälö voidaan kirjoittaa tämän oletuksen perusteella ja piirtää.
Piirrä viiva, joka edustaa kyseisen ennusteen lineaarista yhtälöä. Vertaa riviä havaintosi todelliseen tiedonkeruuseen. Laske määrityskerroin, jotta voit mitata ennustetun käyttäytymisen tarkkuuden todellisiin tietoihin verrattuna.
Määrityskerroin ilmaisee tiedon leviämisen määrän viivan ympärillä. Se osoittaa, kuinka hyvä tai huono ennuste oli todellisiin arvoihin verrattuna. Määrityskertoimen avulla käyttäjät voivat soveltaa “todellisuuden tarkistusta” tilastollisessa mallissa ehdotettuihin tietoihin. On kaksi arvoa, havaitut tai todelliset arvot ja mallinnetut tai ennustetut arvot.
Tämäntyyppinen tilastollinen analyysi on hyvin yleinen tiede ja liike -elämä. Monet liiketoimintapäätökset perustuvat ennusteisiin tulevasta käyttäytymisestä. On tärkeää analysoida todelliset tulokset ja verrata niitä ennusteisiin. Tämä prosessi parantaa seuraavaa mallia ja siten ennusteiden tarkkuutta.