បញ្ហា (The Problem)៖ ការសិក្សានេះមានគោលបំណងវិភាគ និងកំណត់ម៉ូដែលខ្សែកោងកំណើន (Growth curve) របស់ជ្រូកបីពូជ (Duroc, Landrace និង Large White) ដើម្បីអាចទស្សន៍ទាយទម្ងន់របស់ពួកវានៅអាយុផ្សេងៗគ្នាបានយ៉ាងសុក្រឹត។
វិធីសាស្ត្រ (The Methodology)៖ ការស្រាវជ្រាវនេះបានប្រើប្រាស់ទិន្នន័យទម្ងន់ជ្រូកតាំងពីអាយុ ៣៥ ថ្ងៃ ដល់ ១៦៨ ថ្ងៃ ហើយធ្វើការវិភាគដោយប្រើប្រាស់ម៉ូដែលតំរែតំរង់ (Regression models) ផ្សេងៗដើម្បីរកភាពប្រែប្រួល។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Simple Linear Regression តំរែតំរង់លីនេអ៊ែរសាមញ្ញ |
ងាយស្រួលក្នុងការគណនា និងយល់អត្ថន័យ។ ស័ក្តិសមសម្រាប់ការបង្ហាញទម្រង់នៃការលូតលាស់ដែលមានសន្ទុះថេរ។ | មិនអាចឆ្លុះបញ្ចាំងពីការលូតលាស់ពិតប្រាកដនៅដំណាក់កាលដែលជ្រូកធំពេញវ័យហើយសន្ទុះនៃការលូតលាស់ចាប់ផ្តើមថយចុះ។ | ម៉ូដែលនេះអាចពន្យល់ពីអថេរភាពនៃការប្រែប្រួលទម្ងន់ជ្រូកបានរហូតដល់ ៩៨.៥៣%។ |
| Simple Exponential Regression តំរែតំរង់អិចស្ប៉ូណង់ស្យែលសាមញ្ញ |
មានភាពសុក្រឹតខ្ពស់សម្រាប់វគ្គលូតលាស់ដំបូងៗរបស់សត្វដែលមានសន្ទុះលឿន។ | អាចធ្វើការប៉ាន់ស្មានទម្ងន់ខ្ពស់ជាងភាពជាក់ស្តែង (Overestimate) នៅដំណាក់កាលចុងក្រោយនៃការលូតលាស់។ | ម៉ូដែលនេះអាចពន្យល់ពីអថេរភាពនៃការប្រែប្រួលទម្ងន់ជ្រូកបាន ៩៦.៦៥%។ |
| Forward Selection and Stepwise Regression វិធីសាស្ត្រជ្រើសរើសទៅមុខ និងតំរែតំរង់តាមជំហាន |
ជួយជ្រើសរើសយកតែអថេរឯករាជ្យណាដែលសំខាន់បំផុត ដើម្បីធ្វើការទស្សន៍ទាយទម្ងន់នៅអាយុជាក់លាក់ណាមួយបានយ៉ាងច្បាស់លាស់។ | តម្រូវឱ្យមានការប្រើប្រាស់កុំព្យូទ័រដើម្បីគណនា និងត្រូវការទិន្នន័យច្រើនប្រភេទដូចជាទម្ងន់តាមសប្តាហ៍ ប្រវែងខ្លួន និងកម្រាស់ខ្លាញ់។ | ផ្តល់តម្លៃ R-squared សរុបស្មើនឹង ០.៥៧ សម្រាប់ទស្សន៍ទាយទម្ងន់នៅអាយុ ១១២ ថ្ងៃ និង ០.៧៥ សម្រាប់អាយុ ១៦៨ ថ្ងៃ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះពឹងផ្អែកលើការប្រមូលទិន្នន័យជាក់ស្តែងជាប្រចាំ និងត្រូវការកម្មវិធីកុំព្យូទ័រសម្រាប់វិភាគទិន្នន័យស្ថិតិស្មុគស្មាញ។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅស្ថានីយ៍សាកល្បងជ្រូក Tabkwang ខេត្តសរៈបុរី ប្រទេសថៃ ក្នុងឆ្នាំ ១៩៨០ ដោយផ្តោតលើពូជជ្រូកនាំចូលបីប្រភេទ (Duroc, Landrace, Large White)។ ដោយសារទិន្នន័យនេះមានអាយុកាលជាង ៤០ ឆ្នាំ ហើយពូជជ្រូកបច្ចុប្បន្នត្រូវបានគេបង្កាត់កែលម្អហ្សែនច្រើន វាអាចនឹងមិនឆ្លុះបញ្ចាំងទាំងស្រុងពីសក្តានុពលនៃការលូតលាស់ពិតប្រាកដរបស់ជ្រូកនៅកម្ពុជានាពេលបច្ចុប្បន្ននោះទេ។ ទោះជាយ៉ាងណាក្តី វិធីសាស្ត្រនៃការបង្កើតម៉ូដែលគណិតវិទ្យាសម្រាប់ការលូតលាស់នេះ នៅតែជាគំរូដ៏ល្អដែលអាចយកមកអនុវត្តបានគ្រប់ពេល។
ការប្រើប្រាស់ម៉ូដែលគណិតវិទ្យាដើម្បីទស្សន៍ទាយការលូតលាស់របស់សត្វ គឺមានសារៈប្រយោជន៍ខ្ពស់ណាស់សម្រាប់ការគ្រប់គ្រងកសិដ្ឋានចិញ្ចឹមជ្រូកនៅកម្ពុជា។
ការចេះទស្សន៍ទាយទម្ងន់សត្វបានច្បាស់លាស់ នឹងជួយឱ្យកសិករ និងអ្នកជំនួញកសិកម្មនៅកម្ពុជាអាចធ្វើការសម្រេចចិត្តបានត្រឹមត្រូវ កាត់បន្ថយចំណាយ និងបង្កើនផលិតភាពកសិកម្មប្រកបដោយនិរន្តរភាព។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Simple Linear Regression (តំរែតំរង់លីនេអ៊ែរសាមញ្ញ) | ជាវិធីសាស្ត្រស្ថិតិដែលប្រើដើម្បីស្វែងរកទំនាក់ទំនងជារាងបន្ទាត់ត្រង់រវាងអថេរពីរ ដូចជាទំនាក់ទំនងរវាងអាយុនិងទម្ងន់របស់ជ្រូក ដែលសន្មតថាការលូតលាស់មានសន្ទុះថេរជារៀងរាល់ថ្ងៃ។ | ដូចជាការគណនាប្រាក់សន្សំដែលអ្នកសន្សំបានចំនួនថេររៀងរាល់ខែ ដែលក្រាហ្វនៃប្រាក់សរុបនឹងកើនឡើងជាបន្ទាត់ត្រង់។ |
| Simple Exponential Regression (តំរែតំរង់អិចស្ប៉ូណង់ស្យែលសាមញ្ញ) | ជាម៉ូដែលស្ថិតិដែលបង្ហាញពីកំណើនក្នុងអត្រាភាគរយ ឬតាមលក្ខណៈទ្វីគុណ ដែលវាស័ក្តិសមខ្លាំងសម្រាប់ពណ៌នាការលូតលាស់យ៉ាងឆាប់រហ័សនៅដំណាក់កាលដំបូងៗរបស់សត្វ។ | ដូចជាការគណនាការប្រាក់ទុនបង្វិលនៅធនាគារ ដែលប្រាក់សរុបកើនឡើងកាន់តែលឿននៅពេលដែលប្រាក់ដើមកាន់តែធំ។ |
| Forward Selection (ការជ្រើសរើសទៅមុខ) | ជាបច្ចេកទេសក្នុងម៉ូដែលស្ថិតិដែលចាប់ផ្តើមដោយគ្មានអថេរទាល់តែសោះ ហើយបន្តបន្ថែមអថេរមួយម្តងៗ (ដូចជាអាយុ កម្រាស់ខ្លាញ់) ដែលមានឥទ្ធិពលខ្លាំងបំផុតក្នុងការទស្សន៍ទាយលទ្ធផល រហូតដល់លែងមានអថេរណាដែលអាចជួយឱ្យការទស្សន៍ទាយកាន់តែសុក្រឹត។ | ដូចជាការរៀបចំកាបូបធ្វើដំណើរ ដោយជ្រើសរើសយកតែរបស់ណាដែលចាំបាច់បំផុតដាក់ចូលម្តងមួយៗ រហូតដល់ពេញកាបូប ឬលែងមានរបស់អ្វីសំខាន់ត្រូវដាក់ទៀត។ |
| Stepwise Regression (តំរែតំរង់តាមជំហាន) | ជាវិធីសាស្ត្រស្ថិតិស្រដៀងនឹង Forward Selection ដែរ ប៉ុន្តែវាមានលទ្ធភាពវាយតម្លៃឡើងវិញ និងដកអថេរណាមួយចេញវិញ ប្រសិនបើក្រោយពីបន្ថែមអថេរថ្មីទៅ អថេរចាស់នោះលែងមានឥទ្ធិពល ឬលែងមានប្រយោជន៍ក្នុងម៉ូដែលតទៅទៀត។ | ដូចជាការជ្រើសរើសកីឡាករចូលក្រុមបាល់ទាត់ ដោយជ្រើសរើសអ្នកពូកែចូលសិន តែបើមានអ្នកថ្មីមកពូកែជាង ហើយធ្វើឱ្យអ្នកចាស់លែងសូវមានប្រយោជន៍ គេនឹងដកអ្នកចាស់នោះចេញវិញ។ |
| Partial Regression Coefficient (មេគុណតំរែតំរង់ដោយផ្នែក) | ជាតម្លៃដែលបង្ហាញពីទំហំនៃឥទ្ធិពលរបស់អថេរឯករាជ្យមួយទៅលើអថេរអាក្រ័យ (ដូចជាឥទ្ធិពលនៃចំណីទៅលើទម្ងន់) នៅពេលដែលអថេរឯករាជ្យផ្សេងទៀតទាំងអស់ត្រូវបានកាត់បន្ថយឥទ្ធិពល ឬរក្សាឱ្យនៅថេរ។ | ដូចជាការស្ទង់មើលថាតើការបន្ថែមជីមួយគីឡូធ្វើឱ្យស្រូវកើនផលប៉ុន្មាន ដោយត្រូវប្រាកដថាបរិមាណទឹកនិងពន្លឺថ្ងៃត្រូវបានផ្តល់ឱ្យស្មើៗគ្នាជានិច្ច។ |
| Path Coefficient (មេគុណផ្លូវ) | ជាមេគុណដែលវាស់វែងពីឥទ្ធិពលផ្ទាល់នៃអថេរមូលហេតុមួយទៅលើអថេរលទ្ធផល នៅក្នុងប្រព័ន្ធនៃទំនាក់ទំនងអថេរដ៏ស្មុគស្មាញ ដើម្បីដឹងថាអថេរមួយណាជាកត្តាជំរុញធំជាងគេបំផុត។ | ដូចជាការតាមដានមើលថាតើភាពជោគជ័យក្នុងការប្រឡងបណ្តាលមកពីការខិតខំរៀនផ្ទាល់ ឬបណ្តាលមកពីការគេងបានគ្រប់គ្រាន់ ដោយបំបែកឥទ្ធិពលទាំងពីរនេះឱ្យដាច់ពីគ្នា។ |
| R-squared / Coefficient of Determination (មេគុណកំណត់ R-squared) | ជាតួលេខស្ថិតិ (ចន្លោះពី ០ ដល់ ១ ឬគិតជាភាគរយ) ដែលប្រាប់ថាតើម៉ូដែលគណិតវិទ្យាដែលយើងបានបង្កើត អាចពន្យល់ពីភាពប្រែប្រួលនៃទិន្នន័យជាក់ស្តែងបានកម្រិតណា (ឧទាហរណ៍ R-squared = 0.98 មានន័យថាម៉ូដែលត្រឹមត្រូវ ៩៨%)។ | ដូចជាពិន្ទុដែលគ្រូផ្តល់ឱ្យចម្លើយរបស់អ្នក ប្រសិនបើបាន ៩៨/១០០ មានន័យថាចម្លើយរបស់អ្នកអាចពន្យល់ពីមេរៀនបានយ៉ាងល្អឥតខ្ចោះស្ទើរតែទាំងស្រុង។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
