ผลการปราบปรามในการถดถอย: คำจำกัดความและคำอธิบาย / การพรรณนาภาพ


40

ตัวแปรตัวยับยั้งในการถดถอยหลายครั้งและอะไรคือวิธีที่จะแสดงผลการปราบปรามด้วยสายตา (กลไกหรือหลักฐานในผลลัพธ์) ฉันต้องการเชิญทุกคนที่มีความคิดมาแบ่งปัน



2
อ่าเป็นคนดีและน่าสนใจ ขอบคุณมาก. คุณต้องการเพิ่มคำตอบตามนั้นหรือไม่? มันจะเป็นประโยชน์กับหลาย ๆ คน
ttnphns

คำตอบ:


45

มีจำนวนของผล regressional กล่าวถึง frequenly ซึ่งแนวคิดที่แตกต่างกัน แต่ส่วนแบ่งมากเหมือนกันเมื่อมองอย่างหมดจดสถิติอยู่ (ดูเช่นกระดาษนี้ "ความเท่าเทียมกันของการไกล่เกลี่ยปัจจัยรบกวนและปราบปรามผล" โดยเดวิด MacKinnon et al, หรือบทความวิกิพีเดีย.)

  • สื่อกลาง: IV ซึ่งสื่อถึงเอฟเฟกต์ (ทั้งหมดเป็นบางส่วน) ของ IV อีกอันไปยัง DV
  • Confounder: IV ซึ่งสร้างหรือดักจับผลรวมของ IV อื่นไปยัง DV ทั้งหมดหรือบางส่วน
  • ผู้ดำเนินรายการ: IV ซึ่งเปลี่ยนแปลงจัดการความแข็งแกร่งของเอฟเฟกต์ IV อื่นบน DV ในทางสถิติมันเป็นที่รู้จักกันในชื่อการมีปฏิสัมพันธ์ระหว่างคนสองคน
  • Suppressor: IV (ผู้ไกล่เกลี่ยหรือผู้ดูแลแนวคิด) ซึ่งการรวมเสริมความแข็งแกร่งผลของ IV อื่นใน DV

ฉันจะไม่พูดถึงสิ่งที่ขอบเขตบางส่วนหรือทั้งหมดคล้ายกันทางเทคนิค (สำหรับเรื่องนั้นอ่านบทความด้านบน) เป้าหมายของฉันคือพยายามแสดงกราฟิกว่าผู้ยับยั้งคืออะไร คำจำกัดความข้างต้นว่า "ผู้ยับยั้งเป็นตัวแปรที่รวมความแข็งแกร่งของเอฟเฟ็กต์อื่น ๆ บน DV" ดูเหมือนว่าฉันอาจจะกว้างเพราะมันไม่ได้บอกอะไรเกี่ยวกับกลไกของการเพิ่มประสิทธิภาพดังกล่าว ด้านล่างฉันกำลังพูดถึงกลไกเดียว - สิ่งเดียวที่ฉันคิดว่าเป็นการปราบปราม หากมีกลไกอื่น ๆเช่นกัน (สำหรับตอนนี้ฉันไม่ได้พยายามทำสมาธิของคนอื่น) จากนั้นคำจำกัดความ "กว้าง ๆ " ข้างต้นควรได้รับการพิจารณาว่าไม่ถูกต้องหรือคำจำกัดความการปราบปรามของฉันควรได้รับการพิจารณาแคบเกินไป

คำจำกัดความ (ในความเข้าใจของฉัน)

Suppressor เป็นตัวแปรอิสระซึ่งเมื่อเพิ่มลงในแบบจำลองยกข้อสังเกต R-square ส่วนใหญ่เนื่องจากการบัญชีสำหรับส่วนที่เหลือจากรูปแบบโดยไม่ได้มันและไม่ได้เนื่องจากความสัมพันธ์ของตัวเองกับ DV (ซึ่งค่อนข้างอ่อนแอ) เรารู้ว่าการเพิ่มขึ้นของ R-Square ในการตอบสนองต่อการเพิ่ม IV คือความสัมพันธ์ส่วนกำลังสองของ IV นั้นในโมเดลใหม่นั้น วิธีนี้ถ้าความสัมพันธ์ส่วนหนึ่งของ IV กับ DV มากกว่า (โดยค่าสัมบูรณ์) มากกว่าศูนย์ลำดับระหว่างพวกเขา IV นั้นเป็นตัวยับยั้งr

ดังนั้นผู้ยับยั้งส่วนใหญ่ "ระงับ" ข้อผิดพลาดของตัวแบบที่ลดลงซึ่งอ่อนแอเป็นตัวทำนาย คำผิดพลาดเป็นส่วนเสริมของการทำนาย การคาดการณ์คือ "ฉายบน" หรือ "แบ่งปันระหว่าง" IVs (สัมประสิทธิ์การถดถอย) และดังนั้นจึงเป็นคำผิดพลาด ("เติมเต็ม" กับสัมประสิทธิ์) ผู้ยับยั้งไม่ให้เกิดข้อผิดพลาดดังกล่าวอย่างไม่สม่ำเสมอ: ยิ่งใหญ่กว่าสำหรับ IV บางตัว แต่น้อยกว่า IV อื่น ๆ สำหรับผู้ที่เกลือ "ที่มี" องค์ประกอบดังกล่าวยับยั้งอย่างมากก็ยืมความช่วยเหลืออำนวยความสะดวกมากจริงโดยการเพิ่มค่าสัมประสิทธิ์การถดถอยของพวกเขา

ผลการปราบปรามที่ไม่รุนแรงเกิดขึ้นบ่อยและรุนแรง ( ตัวอย่างในเว็บไซต์นี้) การปราบปรามที่แข็งแกร่งมักจะแนะนำอย่างมีสติ นักวิจัยพยายามหาลักษณะที่จะต้องสัมพันธ์กับ DV ว่าอ่อนแอที่สุดและในเวลาเดียวกันจะสัมพันธ์กับบางสิ่งใน IV ที่น่าสนใจซึ่งถือว่าไม่เกี่ยวข้องกับการทำนาย - โมฆะสำหรับ DV เขาเข้าสู่โมเดลและได้รับอำนาจการทำนายของ IV เพิ่มขึ้นอย่างมาก โดยทั่วไปค่าสัมประสิทธิ์ของตัวยับยั้งจะไม่ถูกตีความ

ฉันสามารถสรุปคำจำกัดความของฉันได้ดังนี้ [ขึ้นอยู่กับคำตอบของ @ Jake และความคิดเห็นของ @ gung]:

  • การนิยามทางสถิติ (เชิงสถิติ): ตัวยับยั้งคือ IV ที่มีสหสัมพันธ์ส่วนใหญ่กว่าความสัมพันธ์แบบศูนย์สั่ง (โดยขึ้นกับ)
  • แนวคิด (ปฏิบัติ) คำจำกัดความ: คำจำกัดความที่เป็นทางการด้านบน + ความสัมพันธ์แบบศูนย์ลำดับมีขนาดเล็กเพื่อให้ผู้ยับยั้งไม่ได้เป็นผู้ทำนายเสียงเอง

"ผู้สนับสนุน" เป็นบทบาทของ IV ในรูปแบบเฉพาะเท่านั้นไม่ใช่คุณลักษณะของตัวแปรแยกต่างหาก เมื่อเพิ่มหรือลบ IV อื่น ๆ ตัวยับยั้งสามารถหยุดระงับหรือหยุดการทำงานต่อหรือเปลี่ยนโฟกัสของกิจกรรมการระงับได้ทันที

สถานการณ์การถดถอยปกติ

ภาพแรกด้านล่างแสดงการถดถอยทั่วไปพร้อมตัวทำนายสองตัว (เราจะพูดถึงการถดถอยเชิงเส้น) ภาพจะถูกคัดลอกจากที่นี่ซึ่งมีการอธิบายในรายละเอียดเพิ่มเติม ในระยะสั้นความสัมพันธ์ในระดับปานกลาง (= มีมุมแหลมระหว่างพวกเขา) ตัวทำนายและขยายพื้นที่ 2 มิติ "ระนาบ X" ตัวแปรที่ขึ้นต่อกันของถูกฉายลงบนฉากตั้งฉากกันโดยปล่อยให้ตัวแปรที่คาดการณ์ไว้และค่าคงที่ด้วย st ส่วนเบี่ยงเบนเท่ากับความยาวของอีR-square ของการถดถอยคือมุมระหว่างกับ , และสัมประสิทธิ์การถดถอยทั้งสองเกี่ยวข้องโดยตรงกับพิกัดเอียงและX 2 Y Y 'อีY Y ' 1 2 X 1 X 2 YX1X2YYeYYb1b2ตามลำดับ สถานการณ์นี้ฉันเรียกว่าปกติหรือทั่วไปเพราะทั้งและมีความสัมพันธ์กับ (มุมเอียงมีอยู่ระหว่างที่ปรึกษาอิสระและผู้ติดตาม) และผู้ทำนายแข่งขันกันเพื่อทำนายเพราะมีความสัมพันธ์กันX1X2Y

ป้อนคำอธิบายรูปภาพที่นี่

สถานการณ์การปราบปราม

มันจะแสดงในภาพถัดไป อันนี้เป็นเหมือนก่อนหน้า; อย่างไรก็ตามตอนนี้เวกเตอร์สั่งให้อยู่ห่างจากผู้ชมค่อนข้างมากและเปลี่ยนทิศทางอย่างมาก ทำหน้าที่เป็นตัวยับยั้ง หมายเหตุแรกของทุกคนว่ามันแทบจะไม่ได้มีความสัมพันธ์กับYดังนั้นมันจึงไม่สามารถเป็นตัวทำนายที่มีค่าได้ ที่สอง ลองนึกภาพขาดหายไปและคุณทำนายโดยเท่านั้น การคาดการณ์ของการถดถอยแบบตัวแปรเดียวนี้จะปรากฎเป็นY เวกเตอร์แดง, ข้อผิดพลาดเป็นe เวกเตอร์, และสัมประสิทธิ์ถูกกำหนดโดยb พิกัด (ซึ่งเป็นจุดสิ้นสุดของ)X 2 X 2 Y X 2 X 1YX2X2YX2X1YebY

ป้อนคำอธิบายรูปภาพที่นี่

X2eX2eeX2X1X2X1X2เป็นตัวยับยั้งX1b1b *

X2X1และมันจะเสริมแรงได้อย่างไรเมื่อ "ยับยั้ง" มัน? ดูภาพถัดไป

ป้อนคำอธิบายรูปภาพที่นี่

X1YeX1YX2Yส่วนที่เกี่ยวข้องดูแข็งแกร่งขึ้น ผู้ยับยั้งไม่ได้เป็นผู้ทำนาย แต่เป็นผู้อำนวยความสะดวกสำหรับผู้ทำนายอีกคน / คนอื่น ๆ เพราะมันแข่งขันกับสิ่งที่ขัดขวางพวกเขาในการทำนาย

สัญลักษณ์ของสัมประสิทธิ์การถดถอยของตัวระงับ

eX2

การปราบปรามและการเปลี่ยนเครื่องหมายสัมประสิทธิ์

การเพิ่มตัวแปรที่จะรับใช้ supressor อาจไม่สามารถเปลี่ยนเครื่องหมายของค่าสัมประสิทธิ์ของตัวแปรอื่น ๆ ได้ เอฟเฟกต์ "การปราบปราม" และ "เปลี่ยนเครื่องหมาย" ไม่ใช่สิ่งเดียวกัน ยิ่งกว่านั้นฉันเชื่อว่าผู้ยับยั้งไม่สามารถเปลี่ยนสัญลักษณ์ของผู้ทำนายที่พวกเขารับใช้ผู้ยับยั้งได้ (มันเป็นการค้นพบที่น่าตกตะลึงในการเพิ่มผู้ยับยั้งโดยมีจุดประสงค์เพื่ออำนวยความสะดวกให้กับตัวแปรแล้วจะพบว่ามันแข็งแกร่งขึ้นจริง ๆ แต่ไปในทิศทางตรงกันข้าม! ฉันจะขอบคุณถ้ามีใครสามารถแสดงให้ฉันเห็นว่าเป็นไปได้)

แผนภาพการปราบปรามและเวนน์

สถานการณ์การถดถอยปกติมักจะอธิบายด้วยความช่วยเหลือของแผนภาพเวนน์

ป้อนคำอธิบายรูปภาพที่นี่

YX1X2rYX12rYX22rY(X1.X2)2rY(X2.X1)2rYX1.X22rYX2.X12

X2X2X1


ตัวอย่างข้อมูล

         y         x1         x2

1.64454000  .35118800 1.06384500
1.78520400  .20000000 -1.2031500
-1.3635700 -.96106900 -.46651400
 .31454900  .80000000 1.17505400
 .31795500  .85859700 -.10061200
 .97009700 1.00000000 1.43890400
 .66438800  .29267000 1.20404800
-.87025200 -1.8901800 -.99385700
1.96219200 -.27535200 -.58754000
1.03638100 -.24644800 -.11083400
 .00741500 1.44742200 -.06923400
1.63435300  .46709500  .96537000
 .21981300  .34809500  .55326800
-.28577400  .16670800  .35862100
1.49875800 -1.1375700 -2.8797100
1.67153800  .39603400 -.81070800
1.46203600 1.40152200 -.05767700
-.56326600 -.74452200  .90471600
 .29787400 -.92970900  .56189800
-1.5489800 -.83829500 -1.2610800

ผลการถดถอยเชิงเส้น:

ป้อนคำอธิบายรูปภาพที่นี่

X2Y.224X1.419.538

X1X1rY0

โดยรวมผลรวมของความสัมพันธ์ส่วนกำลังสองเกิน R-square: .4750^2+(-.2241)^2 = .2758 > .2256ซึ่งจะไม่เกิดขึ้นในสถานการณ์การถดถอยปกติ (ดูแผนภาพ Vennด้านบน)


ป.ล.เมื่อคำตอบของฉันเสร็จฉันพบคำตอบนี้ (โดย @gung) ด้วยไดอะแกรมที่เรียบง่าย (แผนผัง) ซึ่งดูเหมือนว่าจะสอดคล้องกับสิ่งที่ฉันแสดงโดยเวกเตอร์


4
+6 อันนี้ยอดเยี่ยมมาก & จะช่วยให้ผู้คนเข้าใจหัวข้อนี้ดีขึ้นในอนาคต ฉันจะชี้ให้เห็นคำตอบอื่น ๆ ของฉัน (ซึ่งฉันเห็นด้วยกับ w / ของคุณสอดคล้องกันที่นี่); มันอาจเป็นประโยชน์ถ้าคนต้องการลองนึกภาพสิ่งเหล่านี้จากมุมมองที่แตกต่างกัน
gung - Reinstate Monica

1
จุดเล็ก ๆ สองสามข้อ: 1เกี่ยวกับคำแถลงของคุณว่าผู้ยับยั้งจะไม่สัมพันธ์กับ w / Y, b / ce * มีความสัมพันธ์กับ w / Y (ดูที่นี่สำหรับข้อมูลเพิ่มเติม) หาก X1 ไม่รวมอยู่ในแบบจำลอง X2 ควรสัมพันธ์กัน w / Y (ไม่ว่า 'นัยสำคัญ' จะขึ้นอยู่กับ N แน่นอน) 2อีกครั้งว่าเครื่องหมายบน x1 สามารถเปลี่ยนได้หรือไม่ (b * -> b1) ถ้า X1 ใกล้กับ uncorrelated w / Y มากหากไม่มีตัวยับยั้ง & w / ใหญ่ SE ของสัญญาณบน X1 ในรุ่นที่ลดลงอาจพลิก โดยบังเอิญเพียงอย่างเดียวเนื่องจากข้อผิดพลาดในการสุ่มตัวอย่าง แต่สิ่งนี้น่าจะผิดปกติ & น้อยที่สุด
gung - Reinstate Monica

@ gung ขอบคุณ (1) ฉันต้องการคำตอบ (และอื่น ๆ ) ของคุณที่สามารถช่วยในการปรับปรุง / แก้ไขของฉันได้ดีขึ้น ถ้าอย่างนั้นคุณมีเวลาเพื่อโพสต์ความคิดที่คุณวาดไว้ในความคิดเห็นของคุณ (2) โปรดอย่าทำสิ่งที่ "โปรดปราน" เหล่านี้: ฉันจะไม่พิมพ์ใหญ่; ผู้ใช้คนอื่น ๆ "ที่อายุน้อยกว่า" อาจจะคุ้มค่า
ttnphns

ฉันไม่คิดว่าคำตอบอื่น ๆ ของฉันคือ "ดีกว่า" กว่าของคุณ ในความเป็นจริงฉันคิดว่าคุณมีความครอบคลุมมากกว่า / ทั่วไป ฉันคิดว่ามันบอกว่าสิ่งที่คล้ายกันในวิธีที่แตกต่างกันเล็กน้อยดังนั้นมันอาจจะเป็นประโยชน์สำหรับผู้อ่านบางคนที่จะอ่านทั้งสอง หากคุณต้องการฉันสามารถรวบรวมโพสต์ขนาดเล็กที่อธิบายความคิดเห็นของฉันไว้ด้านบน แต่ฉันไม่ต้องการคัดลอก & วางคำตอบอื่น ๆ ของฉันที่นี่และฉันไม่มีอะไรเพิ่ม (หรือของคุณ) เรื่องเงินรางวัลมันจะช่วยผลักดันความสนใจ / ความเห็นไปยังกระทู้นี้ซึ่งจะดีฉันไม่สามารถให้รางวัล แต่ดูเหมือนว่าจะโง่
gung - Reinstate Monica

ฉันชอบเวกเตอร์เรขาคณิตวิธีคิดเกี่ยวกับสิ่งต่าง ๆ เหล่านี้ คุณรังเกียจไหมถ้าฉันถามว่าคุณวาดแปลงของคุณยังไง? เป็น "เมาส์" ในบางสิ่งที่คล้ายกับ MS Paint หรือใช้ซอฟต์แวร์ที่ซับซ้อนกว่านี้ไหม? ฉันวาดสิ่งนี้ด้วยเมาส์มาก่อนและสงสัยว่ามีวิธีที่ง่ายขึ้น / มีประสิทธิภาพมากขึ้น
Jake Westfall

18

นี่เป็นอีกมุมมองทางเรขาคณิตของการปราบปราม แต่แทนที่จะอยู่ในพื้นที่สังเกตการณ์ตามตัวอย่างของ @ ttnphns คือมุมมองนี้อยู่ในพื้นที่ตัวแปรซึ่งเป็นพื้นที่ที่ scatterplots ทุกวันมีชีวิตอยู่

y^i=xi+zixzxzx^i=12zixzx^i=12zi

เราสามารถเขียนสมการถดถอยของเราเป็นระนาบในพื้นที่ตัวแปรที่มีลักษณะดังนี้:

เครื่องบิน

กรณีที่น่าสับสน

xzyxxyxzzxzyxxx

xxxxx

รบกวน

xzz

xzxxzxzxzxzx^i=12zixzyxΔx+Δz=1+12=1.5

zxz

x

กรณีปราบปราม

zyxxyxzzxxzzxx

การปราบปราม

zxx^i=12zixzyxΔx+Δz=1+12=0.5z

ชุดข้อมูลที่เป็นภาพประกอบ

ในกรณีที่คุณต้องการที่จะเล่นกับตัวอย่างเหล่านี้นี่คือรหัส R บางส่วนสำหรับการสร้างข้อมูลที่สอดคล้องกับค่าตัวอย่างและเรียกใช้การถดถอยต่างๆ

library(MASS) # for mvrnorm()
set.seed(7310383)

# confounding case --------------------------------------------------------

mat <- rbind(c(5,1.5,1.5),
             c(1.5,1,.5),
             c(1.5,.5,1))
dat <- data.frame(mvrnorm(n=50, mu=numeric(3), empirical=T, Sigma=mat))
names(dat) <- c("y","x","z")

cor(dat)
#           y         x         z
# y 1.0000000 0.6708204 0.6708204
# x 0.6708204 1.0000000 0.5000000
# z 0.6708204 0.5000000 1.0000000

lm(y ~ x, data=dat)
# 
# Call:
#   lm(formula = y ~ x, data = dat)
# 
# Coefficients:
#   (Intercept)            x  
#     -1.57e-17     1.50e+00  

lm(y ~ x + z, data=dat)
# 
# Call:
#   lm(formula = y ~ x + z, data = dat)
# 
# Coefficients:
#   (Intercept)            x            z  
#      3.14e-17     1.00e+00     1.00e+00  
# @ttnphns comment: for x, zero-order r = .671 > part r = .387
#                   for z, zero-order r = .671 > part r = .387

lm(x ~ z, data=dat)
# 
# Call:
#   lm(formula = x ~ z, data = dat)
# 
# Coefficients:
#   (Intercept)            z  
#     6.973e-33    5.000e-01 

# suppression case --------------------------------------------------------

mat <- rbind(c(2,.5,.5),
             c(.5,1,-.5),
             c(.5,-.5,1))
dat <- data.frame(mvrnorm(n=50, mu=numeric(3), empirical=T, Sigma=mat))
names(dat) <- c("y","x","z")

cor(dat)
#           y          x          z
# y 1.0000000  0.3535534  0.3535534
# x 0.3535534  1.0000000 -0.5000000
# z 0.3535534 -0.5000000  1.0000000

lm(y ~ x, data=dat)
# 
# Call:
#   lm(formula = y ~ x, data = dat)
# 
# Coefficients:
#   (Intercept)            x  
#    -4.318e-17    5.000e-01  

lm(y ~ x + z, data=dat)
# 
# Call:
#   lm(formula = y ~ x + z, data = dat)
# 
# Coefficients:
#   (Intercept)            x            z  
#    -3.925e-17    1.000e+00    1.000e+00  
# @ttnphns comment: for x, zero-order r = .354 < part r = .612
#                   for z, zero-order r = .354 < part r = .612

lm(x ~ z, data=dat)
# 
# Call:
#   lm(formula = x ~ z, data = dat)
# 
# Coefficients:
#   (Intercept)            z  
#      1.57e-17    -5.00e-01  

เจคฉันขอให้คุณส่งคำตอบด้วยข้อมูลจริงได้ไหม? โปรดระบุค่าตัวแปรสามค่าสำหรับสองกรณีที่คุณพิจารณา ขอบคุณ (ฉันหมายถึงไม่ต้องพล็อตมันก็แค่ให้มัน)
ttnphns

xz

@ttnphns ตกลงฉันแก้ไขคำตอบของฉันแล้ว แจ้งให้เราทราบสิ่งที่คุณคิด.
Jake Westfall

กรุณาแนะนำเมล็ดพันธุ์สุ่มตัวเลขในรหัสของคุณ ฉันจะต้องการให้ผลลัพธ์ของคุณตรงกับที่นี่ทางออนไลน์: pbil.univ-lyon1.fr/Rweb (เนื่องจากฉันไม่มี R บนคอมพิวเตอร์ของฉัน - ฉันไม่ใช่ผู้ใช้ R)
ttnphns

@ttnphns คุณไม่จำเป็นต้องมีเมล็ดเพื่อสร้างชุดข้อมูลตัวอย่าง ชุดข้อมูลใด ๆ ที่สร้างขึ้นโดยใช้รหัสด้านบนจะมีค่าสัมประสิทธิ์สหสัมพันธ์และการถดถอยที่แสดงไว้ด้านบนเสมอแม้ว่าค่าข้อมูลบางอย่างอาจแตกต่างกันไป (ไม่มีผล) สำหรับผู้ที่ไม่ชอบการติดตั้ง / ใช้Rงานฉันได้อัปโหลดชุดข้อมูลสองชุดที่สร้างขึ้นโดยใช้รหัสด้านบนที่คุณสามารถดาวน์โหลดและวิเคราะห์โดยใช้แพคเกจสถิติที่คุณเลือก การเชื่อมโยง: (1) psych.colorado.edu/~westfaja/confounding.csv (2) psych.colorado.edu/~westfaja/suppression.csv ฉันจะเพิ่มเมล็ดด้วยฉันเดา
Jake Westfall

0

นี่คือวิธีที่ฉันคิดเกี่ยวกับผลต้าน แต่โปรดแจ้งให้เราทราบหากฉันผิด

นี่คือตัวอย่างของผลไบนารี (การจำแนกการถดถอยโลจิสติก) เราสามารถเห็นได้ว่าไม่มีความแตกต่างอย่างมีนัยสำคัญใน X1 ไม่มีความแตกต่างใน X2 แต่วาง X1 และ X2 ไว้ด้วยกัน (เช่น x1 ที่ถูกต้องสำหรับ x2 หรือในทางกลับกัน) และตัวอย่างสามารถจำแนกได้เกือบสมบูรณ์แบบ .

ป้อนคำอธิบายรูปภาพที่นี่


คุณสามารถพิมพ์ข้อมูลที่สอดคล้องกับภาพของคุณในคำตอบของคุณ?
ttnphns

คุณสามารถให้คะแนนสำหรับตัวเลขได้หรือไม่?
fossekall
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.