5.2.4 Models comparison. R-squared

5.2.4 Models comparison. R-squared only measures how
close the data are to the fitted regression line; therefore it
cannot determine whether or not the coefficient estimates and
predictions are biased, it does not indicate whether or not a
regression model is adequate. It is possible to have a low
R-squared value for a good model, or a high R-squared value
for a model that does not fit the data. This is why residual plots
are used to assess the biasness of coefficient estimates and
predictions; and the adequacy of a model.In Fig. 5–7, the scatterplot of regression residuals and
regression predicted value, show to have a rectangular pattern
that deduce a symmetrical pattern and that have a constant
spread throughout the range. It is also observed that there is
not much difference between the points on the scatterplot;
however this might mean that the best model in this case is
Model 3 of G3 since it has the highest R2 = 0.594.
5.3 Probability analysis
Probability is one other interesting analysis that has been a
subject of discourse amongst philosophers, logicians, mathematicians,
statisticians, physicists, and psychologists for many
years (Bartoszynsk and Niewiadomska-Buga, 2007). Some scholars
(see for instance, Ghahramani, 2005) insinuated that
probability is a number between 0 and 1 that is associated
with an event that is intended to represent its chance of
occurring. Conditional probability is referred to as the probability
of one event if another event occurred. In this study it is
denoted by P(Results status/population of interest), where results
status can be either fail (F), supplementary (S), pass (P) or pass
with distinction (PD). The population of interest was obtained by
categorising the students into Category 1 (C1) of 1519 students
who have obtained FA Z 40%; Category 2 (C2) of 277 students
who have obtained 40% r FA r 49%; Category 3 (C3) of 1208
students who have obtained 50% r FA r 74%; and Category 4
(C4) with 34 students who have obtained FA Z 75%.
The results reveal that the chances of a student to failing;
supplementing; passing and passing with distinction given that
the student has qualified to sit for SA, is 0.24; 0.25; 0.5 and 0.01,
respectively out of 1. It has also exposed that approximately half
of the students who have obtained FA Z 40% have a chance of
passing the module.
The results indicated that, when given that a student falls in
C2 the probability of the student passing are 0.22 out of 1;
proposing high chances (0.82 out of 1) of failing the module;
P(S/C2) = 0.16; and surprisingly P(PD/C2) is zero out of 1. The
students in C2 obtained the same or even lower SA marks when
compared with the FA marks. Given that a student has obtained
formative mark between 50% and 74% the probability of the
student passing is 0.6, and this leaves more than quarter
chances (0.4) of the remaining students from C3 to sit for
supplementary or fail. The students falling in C4 have approximately
0.24 chances out of 1 to maintain a distinction final
mark; of course, this also shows that the student from C4 has
no chance of failing the module.

Hasil (Bahasa Indonesia) 1:

5.2.4 perbandingan model. R-squared langkah-langkah hanya bagaimanadekat data adalah ke jalur dilengkapi regresi; oleh karena itutidak dapat menentukan apakah atau tidak koefisien memperkirakan danPrediksi bias, tidak menunjukkan apakah atau tidakmodel regresi memadai. Dimungkinkan untuk memiliki rendahR-squared nilai untuk model yang baik, atau nilai R-squared tinggiuntuk model yang tidak sesuai dengan data. Inilah sebabnya mengapa sisa plotdigunakan untuk menilai biasness koefisien perkiraan danPrediksi; dan kecukupan model. Dalam gambar 5 – 7, sebar luasin dari residu regresi danregresi memperkirakan nilai, untuk memiliki pola persegi panjangyang menyimpulkan pola simetris dan yang memiliki konstantersebar di seluruh rentang. Hal ini juga mengamati bahwa adatidak banyak perbedaan antara poin di sebar luasin;Namun ini mungkin berarti bahwa yang terbaik model dalam kasus ini adalahModel 3 G3 karena memiliki tertinggi R2 = 0.594.5.3 probabilitas analisisProbabilitas adalah satu analisis menarik lain yang telahsubyek wacana antara filsuf, logicians, matematikawan,Statistik, fisikawan dan psikolog bagi banyaktahun (Bartoszynsk dan Niewiadomska-Buga, 2007). Beberapa sarjana(Lihat misalnya, Ghahramani, 2005) menyindir bahwaprobabilitas adalah angka antara 0 dan 1 yang terkaitdengan suatu peristiwa yang dimaksudkan untuk mewakili kesempatan yangterjadi. Probabilitas bersyarat dirujuk sebagai probabilitassalah satu acara jika terjadi peristiwa lain. Dalam studi inidilambangkan oleh P (hasil status/penduduk menarik), dimana hasilstatus dapat baik gagal (F), tambahan (S), (P) atau ditiadakandengan perbedaan (PD). Populasi menarik diperoleh olehmengkategorikan siswa ke kategori 1 (C1) 1519 siswayang telah memperoleh FA Z 40%; Kategori 2 (C2) 277 siswayang telah memperoleh 40% r FA r 49%; Kategori 3 (C3) 1208siswa yang telah memperoleh 50% r FA r 74%; dan 4 kategori(C4) dengan 34 siswa yang telah memperoleh FA Z 75%.Hasil mengungkapkan bahwa kemungkinan mahasiswa untuk gagal;melengkapi; melewati dan melewati dengan mengingat bahwa perbedaansiswa yang layak untuk duduk untuk SA, adalah 0,24; 0,25; 0,5 dan 0.01 lot,masing-masing keluar 1. Ia telah juga memaparkan bahwa sekitar setengahPara siswa yang telah memperoleh FA Z 40% memiliki kesempatanmelewati modul.Hasilnya menunjukkan bahwa, ketika diberikan bahwa seorang mahasiswa jatuh diC2 probabilitas siswa lulus adalah 0.22 keluar 1;mengusulkan kemungkinan tinggi (0.82 dari 1) gagal modul;P(S/C2) = 0,16; dan mengejutkan P(PD/C2) adalah nol dari 1. Thesiswa di C2 diperoleh sama atau bahkan lebih rendah SA menandai ketikadibandingkan dengan tanda FA. Mengingat bahwa seorang siswa telah memperolehmenandai formatif antara 50% dan 74% probabilitassiswa lulus adalah 0.6, dan hal ini membuat lebih dari seperempatkemungkinan (0,4) siswa sisa dari C3 untuk duduk untuktambahan atau gagal. Siswa yang jatuh di C4 memiliki sekitar0.24 kesempatan dari 1 untuk mempertahankan pembedaan akhirMarkus; Tentu saja, hal ini juga menunjukkan bahwa pelajar dari C4 mempunyaiada kesempatan untuk gagal modul.

Hasil (Bahasa Indonesia) 2:

5.2.4 Model perbandingan. R-squared hanya mengukur seberapa
dekat data yang untuk garis regresi dipasang; oleh karena itu
tidak dapat menentukan apakah atau tidak perkiraan koefisien dan
prediksi bias, tidak menunjukkan apakah atau tidak
model regresi memadai. Hal ini dimungkinkan untuk memiliki rendah
nilai R-squared untuk model yang baik, atau nilai R-squared tinggi
untuk model yang tidak sesuai dengan data. Inilah sebabnya mengapa plot residual
digunakan untuk menilai biasness estimasi koefisien dan
prediksi; dan kecukupan dari model.In Gambar. 5-7, sebar residual regresi dan
nilai prediksi regresi, menunjukkan untuk memiliki pola persegi panjang
yang menyimpulkan pola simetris dan yang memiliki konstan
tersebar di seluruh jangkauan. Hal ini juga mengamati bahwa ada
banyak perbedaan antara titik-titik pada scatterplot,
namun hal ini mungkin berarti bahwa model terbaik dalam hal ini
adalah. Model 3 dari G3 karena memiliki tertinggi R2 = 0,594
5.3 Probabilitas analisis
Probabilitas adalah salah satu menarik lainnya analisis yang telah menjadi
subyek wacana antara filsuf, ahli logika, matematika,
statistik, fisika, dan psikolog selama
bertahun-tahun (Bartoszynsk dan Niewiadomska-Buga, 2007). Beberapa ahli
(lihat misalnya, Ghahramani, 2005) menyindir bahwa
probabilitas adalah angka antara 0 dan 1 yang berhubungan
dengan acara yang dimaksudkan untuk mewakili kesempatan nya
terjadi. Probabilitas bersyarat disebut sebagai probabilitas
dari satu peristiwa jika acara lain terjadi. Dalam penelitian ini itu
dilambangkan dengan P (status Hasil / populasi bunga), di mana hasil
statusnya dapat berupa gagal (F), pelengkap (S), lulus (P) atau lulus
dengan perbedaan (PD). Populasi bunga diperoleh dengan
mengelompokkan siswa ke dalam Kategori 1 (C1) dari 1.519 siswa
yang telah mendapatkan FA Z 40%; Kategori 2 (C2) dari 277 siswa
yang telah mendapatkan 40% r FA r 49%; Kategori 3 (C3) dari 1.208
siswa yang telah mendapatkan 50% r FA r 74%; dan Kategori 4
(C4) dengan 34 siswa yang telah mendapatkan FA Z 75%.
Hasil menunjukkan bahwa kemungkinan siswa untuk gagal,
melengkapi; lewat dan melewati dengan perbedaan mengingat bahwa
siswa telah memenuhi syarat untuk duduk untuk SA, adalah 0,24; 0,25; 0,5 dan 0,01,
masing-masing dari 1. Hal ini juga terkena bahwa sekitar setengah
dari siswa yang telah mendapatkan FA Z 40% memiliki kesempatan
lewat modul.
Hasil penelitian menunjukkan bahwa, ketika mengingat bahwa mahasiswa jatuh di
C2 probabilitas berlalunya siswa yang 0,22 dari 1;
mengusulkan kemungkinan tinggi (0,82 dari 1) gagal modul;
P (S / C2) = 0,16; dan mengejutkan P (PD / C2) adalah nol dari 1.
siswa di C2 diperoleh sama atau bahkan lebih rendah tanda SA ketika
dibandingkan dengan tanda FA. Mengingat bahwa seorang siswa telah memperoleh
tanda formatif antara 50% dan 74% probabilitas
lewat siswa adalah 0,6, dan ini membuat lebih dari seperempat
peluang (0,4) dari siswa yang tersisa dari C3 untuk duduk untuk
tambahan atau gagal. Para siswa jatuh C4 memiliki sekitar
0,24 peluang dari 1 untuk mempertahankan akhir perbedaan
tanda; tentu saja, ini juga menunjukkan bahwa mahasiswa dari C4 memiliki
kesempatan untuk gagal modul.