much laterbut that's just sort of i

much later
but that's just sort of in and introduction to
why we cannot assume causality of the time
jazz important
so this brings us to you
our I'm visual representation
in we so did this last time but we're going to do it a little bit more
formally
so we have our independent variable X
and are dependent variable y
in we have all this data
put some there on Sat here and then
we run our regression and we get this line that looks something like this:
where this would be are paid 0
the slope would be our paid one
its
and now we can teak some
X here will call it X I and
at this point say there's a the point here
at this point we can
go up to hear and this distance
is are
why I so it's what we actually observe
am it's our our data
our data says that this point as at why I
and XIII I'm but what we
estimate was all the way up here in so this distance from here to here
is actually our I am
R Y II hacked
so it's what we estimated and then the difference between the two
is are you I hot so this is a more formal
I guess a visual representation of what we're actually doing
so these are estimations because we can't actually
no the population but all we can do now is give
a formula for what residuals are now that we have this
so we know that
you II hacked
is this which is the difference between these two things
and so we have this is equal to you
why I minus why
I hacked and then
if we plug in are a a regression for why I had
what we obtain is why I minus
Peter 0 how minus
be dole one at X
I and so this
here is what our
est mean residual is at this point
and now
that we have this formula what we've been leading up to this entire time
is Sourav he in formal derivation
love our ordinary least-squares
estimates need so how can
what we're what i'm saying is how can we estimate this beta 0
in estimate this beta 1 how can we get a good
estimate for both love them am
so what we do is we minimize
the some
love all uv-vis squared in this year 'em just dunno the you i squared
summed up is called are summer squares residuals which is often
denoted as in Rs s or a.m. and s are it really depends on your professor book as well
so make sure you just get your terminology correct and so
when we minimize the summer squared residuals
word essentially trying to get the best line here in a in a regression
and when we do that
a.m. we're not going to go into the folder vation
avi a.m. the coefficients but in
or less we above team he beat her
one hat equal to you the covariance love axe and why all over the variance over tax
so in or less you'll generally be able to find this won't be given any data
cycle be able to find
the X in the covariate the very inspection the covariance that's why
and that is what will give you you pay to one in a simple linear regression
and it's as simple as that in then DB to zero
at once we get that we will be able to obtain
be 20 hat which is equal to the mean value for
minus the
I'm the tall one had
so what we obtained here we can play in right here
and then modified by the mean
Apax so that's how
we find our coefficients in our
estimated regression and I hope you understand
a little bit more on what they are and what they mean
and them I hope this visual representation helped a little bit too
understand but the residuals are and what they mean
and I'm I hope you sort of understand
the the interpretation of the model and what it is
what it takes to be able to assume causality so
I'm if if you remember causality was
we had to assume that the there is nothing in
the in this residual that
a.m. that was correlated with the axe
in then I also hope you understand
the difference between population sample regression so sample is what we can
estimate these
these hats and then the population is what we never observe it's the true
model that we're trying to find the functional form that we
we truly want to find in yeah
I hope you understand a little bit more about the simple linear regression
and our next video will be up soon
please subscribe don't like in comment with any questions
the new the when cool little welllll old local you when wellthe and balloons
deemed welllll cool team you

ผลลัพธ์ (ไทย) 1:

มากในภายหลังแต่เป็นเพียงการเรียงลำดับของในและนำทำไมเราไม่ถือว่า causality ของเวลาแจ๊สที่สำคัญดังนั้น ทำให้เรากับคุณของผมภาพในเราก็ครั้งนี้ แต่เรากำลังจะไปทำมันเล็กน้อยมากอย่างเป็นกิจจะลักษณะดังนั้น เรามีของเราตัวแปรอิสระ Xและขึ้นอยู่กับตัวแปร yเรามีข้อมูลทั้งหมดนี้ใส่บางอย่างมีในวันเสาร์ที่นี่แล้วเราทำของเราถดถอย และได้รับบรรทัดนี้ที่ดูเหมือน:ที่นี้จะชำระ 0ความชันจะเป็นหนึ่งของเราได้รับค่าจ้างของและตอน นี้เราสามารถสักบางX นี่จะเรียกว่า X ผม และจุดนี้ บอกว่า มีเป็นจุดที่นี่จุดนี้ เราสามารถไปฟังและระยะนี้จะมีทำไมผมจึงว่าเราจะสังเกตกำลังเป็นของข้อมูลข้อมูลบอกว่า จุดนี้เป็นที่ทำไมฉันและ XIII ฉันแต่สิ่งที่เราประเมินเคยขึ้นที่นี่ในทางนี้อยู่ห่างจากที่นี่ไปที่นี่เป็นจริงของฉันฉันR Y II hackedดังนั้นจึงเป็นสิ่งที่เราประเมิน แล้วความแตกต่างระหว่างสองจะใจร้อนนี้จึงเป็นทางการมากขึ้นผมคิดว่า ภาพของเรากำลังจะทำอะไรดังกล่าวประมาณเนื่องจากเราไม่สามารถจริง ๆไม่มีประชากรแต่ทั้งหมดที่เราทำตอนนี้คือ ให้สูตรสำหรับค่าคงเหลือคืออะไรที่เรามีนี้ดังนั้น การที่เรารู้ว่าคุณ II hackedซึ่งเป็นความแตกต่างระหว่างทั้งสองสิ่งนี้และเพื่อให้เราได้นี้ เท่ากับคุณทำไมผมลบทำไมผมเจาะเข้าระบบแล้วถ้าเราต่อการถดถอยสำหรับทำไมผมสิ่งที่เราได้รับคือ ทำไมผมลบปีเตอร์ 0 วิธีลบไร่หนึ่งอย่าง Xฉันและดังนี้ที่นี่เป็นของเราส่วนที่เหลือจากเฉลี่ย est ได้ณจุดนี้และตอนนี้ว่า เรามีสูตรนี้ที่เราได้นำค่าเวลานี้ทั้งหมดเป็น Sourav ในมาทางเขารักของเราน้อยที่สุดสี่เหลี่ยมธรรมดาการประเมินต้องสามารถดังนั้นอะไรเราว่าสิ่งที่ฉันพูดเป็นอย่างไรสามารถเราประเมินเบต้านี้ 0ในการประเมินนี้เบต้า 1 วิธีได้ดีประเมินทั้งรักที่พวกเขากำลังดังนั้นสิ่งที่เราทำคือ เราลดบางอย่างความรักทั้งหมดยูวีวิลอการิทึมในปีนี้ 'em เพียง dunno คุณฉันลอการิทึมรวมยอดเป็นเรียกว่าเป็นค่าคงเหลือของช่องสี่เหลี่ยมฤดูร้อนซึ่งมักจะสามารถบุในอาร์เอสหรือน.และ s จริง ๆ ขึ้นอยู่กับหนังสือของอาจารย์เช่นเพื่อ ให้แน่ใจว่า คุณเพียงได้รับคำศัพท์ของคุณถูกต้อง และให้เมื่อเราลดค่าคงเหลือร้อนลอการิทึมคำหลักพยายามที่สุดสายที่นี่ในการในการถดถอยและ เมื่อเราทำเช่นนั้นเวลาที่เรากำลังจะไป vation โฟลเดอร์avi น.สัมประสิทธิ์แต่หรือน้อยกว่าเราเหนือทีม เขาชนะเธอหมวกหนึ่งเท่ากับคุณรักแปรปรวนขวานเหตุทั่วผลต่างมากกว่าภาษีดังนั้น ใน หรือน้อยกว่า โดยทั่วไปจะหานี้จะไม่ได้รับข้อมูลใด ๆวงจรสามารถหาX ใน covariate แปรปรวนที่ทำไมตรวจสอบมากและนั่นคือ อะไรจะให้คุณจ่ายไปในการถดถอยเชิงเส้นอย่างง่ายและมันเป็นง่าย ๆ เป็นว่าใน DB แล้วเป็นศูนย์ครั้งเราได้ว่า เราจะได้รับมีหมวก 20 ซึ่งเท่ากับค่าเฉลี่ยลบฉันสูงที่หนึ่งได้ดังนั้นสิ่งที่เราได้ที่นี่ เราสามารถเล่นในที่นี่และจากนั้น แก้ไขตามค่าเฉลี่ยApax นั้นของวิธีเราหาของสัมประสิทธิ์ในของเราถดถอยประมาณและฉันหวังว่า คุณเข้าใจบนคืออะไรและสิ่งที่พวกเขาหมายถึงน้อยมากและพวกเขาที่ฉันหวังว่าภาพนี้ช่วยน้อยเกินไปเข้าใจ แต่ค่าคงเหลืออยู่ และสิ่งที่พวกเขาหมายถึงและผมหวังเรียงลำดับของการเข้าใจการตีความของรูปแบบและมันคืออะไรสิ่งที่จะต้องถือว่า causality นั้นผมว่าถ้าหากคุณจำ causality ถูกเราก็นึกว่า จะไม่มีอะไรในการในส่วนที่เหลือจากนี้ที่น.ที่ถูก correlated กับขวานในนั้น ผมยังหวังว่า คุณเข้าใจความแตกต่างระหว่างประชากรตัวอย่างถดถอยดังนั้นตัวอย่างเป็นสิ่งที่เราสามารถประเมินเหล่านี้หมวกเหล่านี้ และจากนั้นประชากรคือ อะไรเราไม่เคยเห็นมันเป็นความจริงรุ่นที่เรากำลังพยายามค้นหาการทำงานแบบที่เราเราต้องการอย่างแท้จริงหาใช่ฉันหวังว่า คุณเข้าใจน้อยมากเกี่ยวกับการถดถอยเชิงเส้นอย่างง่ายและวีดีโอถัดไปจะมีขึ้นเร็ว ๆ นี้กรุณาสมัครเป็นสมาชิกไม่ชอบเห็นด้วยสงสัยใหม่เมื่อเย็นน้อย welllll ถิ่นเดิมคุณเมื่อ wellthe และลูกโป่งเย็น welllll ถือว่าทีมคุณ

ผลลัพธ์ (ไทย) 2:

ภายหลัง
แต่นั่นเป็นเพียงการจัดเรียงของในและแนะนำให้รู้จักกับ
เหตุผลที่เราไม่สามารถถือว่าอำนาจของเวลา
แจ๊สที่สำคัญ
ดังนั้นนี้จะทำให้เราอยู่กับคุณ
ผมของเราก็แสดงออก
ในเราเพื่อให้ได้เป็นครั้งสุดท้ายนี้ แต่เรากำลังจะทำมันเล็ก ๆ น้อย ๆ บิตมากขึ้น
อย่างเป็นทางการ
เพื่อให้เรามีตัวแปรอิสระของเรา X
และตัวแปรตาม y ที่
เรามีอยู่ในข้อมูลทั้งหมดนี้
นำบางส่วนมีในวันเสาร์ที่นี่แล้ว
เราจะดำเนินการถดถอยของเราและเราได้รับสายนี้ที่มีลักษณะบางอย่างเช่นนี้
ที่จะได้รับนี้จะได้รับเงิน 0
ความลาดชันจะได้รับเงินหนึ่งของเรา
ของ
และตอนนี้เราสามารถไม้สักบาง
X ที่นี่จะเรียกว่าจินและ
ที่จุดนี้บอกว่ามีจุดที่นี่
ที่จุดนี้เราสามารถ
ขึ้นไปจะได้ยินและระยะทางนี้
เป็นเป็น
เหตุผลว่าทำไมผมจึงเป็นสิ่งที่ เราจริงสังเกต
am มันเป็นข้อมูลของเรา
ข้อมูลของเราบอกว่าจุดนี้เป็นที่ว่าทำไมผมถึง
สิบสามและฉัน แต่สิ่งที่เรา
ประเมินคือทั้งหมดที่ทางขึ้นที่นี่ในระยะนี้ดังนั้นจากที่นี่ไปที่นี่
เป็นจริงผมของเรา
RY hacked ครั้งที่สอง
เพื่อ มันเป็นสิ่งที่เราคาดแล้วแตกต่างระหว่างสอง
คือคุณฉันร้อนเพื่อให้เป็นทางการมากขึ้น
ผมคิดว่าการแสดงออกถึงสิ่งที่เรากำลังทำจริง
เพื่อให้เหล่านี้จะประมาณการเพราะเราไม่สามารถจริง
ไม่มีประชากร แต่ทั้งหมดที่เรา สามารถทำได้ตอนนี้คือการให้
สูตรสำหรับสิ่งที่เหลืออยู่ในขณะนี้ที่เรามีนี้
เพื่อให้เรารู้ว่า
คุณสอง hacked
นี้ซึ่งเป็นความแตกต่างระหว่างสองสิ่งเหล่านี้
และเพื่อให้เรามีนี้เท่ากับคุณ
ว่าทำไมฉันลบทำไม
ฉัน hacked แล้ว
ถ้าเราเสียบมีการถดถอยทำไมกกฉันมี
สิ่งที่เราได้รับคือเหตุผลที่ผมลบ
ปีเตอร์ 0 วิธีลบ
จะเจียดหนึ่ง X
ผมและอื่น ๆ นี้
นี่คือสิ่งที่เรา
หมายถึงคือที่เหลือเป็นที่จุดนี้
และตอนนี้
ที่เรามีสูตรนี้สิ่งที่ เราได้รับนำไปสู่การนี้ตลอดเวลาที่
เป็น Sourav เขามาอย่างเป็นทางการใน
รักสี่เหลี่ยมน้อยสามัญของเรา
ประมาณการต้องดังนั้นวิธีการที่สามารถ
สิ่งที่เรากำลังสิ่งที่ฉันบอกว่าเป็นวิธีการที่เราสามารถประมาณการเบต้านี้ 0
ในการประมาณการเบต้า 1 วิธี เราสามารถได้รับที่ดี
ประมาณการทั้งฉันรักพวกเขา
ดังนั้นสิ่งที่เราทำคือเราลด
บาง
ทุกคนรักยูวีพิพาทสองในปีนี้ 'em เพียง dunno คุณฉัน squared
สรุปได้เรียกว่าเป็นสี่เหลี่ยมฤดูร้อนที่เหลือซึ่งมักจะ
แสดงเป็น ในอาร์เอสหรือ am s และมีจริงๆมันขึ้นอยู่กับหนังสือเล่มอาจารย์ของคุณเช่นกัน
เพื่อให้แน่ใจว่าคุณเพิ่งได้รับคำศัพท์ที่ถูกต้องและอื่น ๆ
เมื่อเราลดในช่วงฤดูร้อนที่เหลือยก
คำหลักพยายามที่จะรับสายที่ดีที่สุดที่นี่ในการถดถอยใน
และ เมื่อเราทำอย่างนั้น
น เราไม่ได้จะไปลงในโฟลเดอร์ vation
AVI นสัมประสิทธิ์ แต่ใน
หรือน้อยกว่าทีมเราเหนือเขาชนะเธอ
หนึ่งหมวกเท่ากับคุณแปรปรวนขวานรักและทำไมทั่วแปรปรวนมากกว่าภาษี
ดังนั้นในหรือน้อยกว่าคุณจะโดยทั่วไป จะสามารถหานี้จะไม่ได้รับข้อมูลใด ๆ
วงจรจะสามารถหา
X ที่ตัวแปรร่วมตรวจสอบมากแปรปรวนที่ว่าทำไม
และเป็นสิ่งที่จะทำให้คุณที่คุณจ่ายให้เป็นหนึ่งในการถดถอยเชิงเส้นที่เรียบง่าย
และมันเป็นง่ายๆเป็น แล้วว่าในฐานข้อมูลให้เป็นศูนย์
ในครั้งเดียวที่เราได้รับที่เราจะสามารถที่จะได้รับ
20 หมวกซึ่งเท่ากับค่าเฉลี่ยสำหรับ
ลบ
ผมเป็นคนมีสูง
ดังนั้นสิ่งที่เราได้รับที่นี่เราสามารถเล่นในขวาที่นี่
แล้ว แก้ไขโดยเฉลี่ย
Apax เพื่อให้เป็นวิธีที่
เราพบว่าค่าสัมประสิทธิ์ของเราในของเรา
ถดถอยโดยประมาณและฉันหวังว่าคุณเข้าใจ
นิด ๆ หน่อย ๆ กับสิ่งที่พวกเขาและสิ่งที่พวกเขาหมาย
และพวกเขาผมหวังว่าการแสดงนี้ภาพช่วยนิด ๆ หน่อย ๆ เกินไป
เข้าใจ แต่ที่เหลืออยู่ และสิ่งที่พวกเขาหมาย
และฉันฉันหวังว่าคุณเรียงลำดับของการเข้าใจ
ความหมายของรูปแบบและสิ่งที่มันเป็น
สิ่งที่จะสามารถที่จะสรุปสาเหตุดังนั้น
ถ้าฉันถ้าคุณจำได้รับเวรกรรม
ที่เราต้องคิดว่ามี อะไรใน
ส่วนที่เหลือในที่นี้
ผม ที่มีความสัมพันธ์กับขวาน
ในแล้วผมยังหวังว่าคุณจะเข้าใจ
ความแตกต่างระหว่างการถดถอยประชากรตัวอย่างเพื่อเป็นตัวอย่างสิ่งที่เราสามารถ
ประเมินเหล่านี้
หมวกเหล่านี้แล้วประชากรที่อยู่ในสิ่งที่เราไม่เคยสังเกตเห็นว่ามันเป็นจริง
รูปแบบที่เรากำลังพยายามที่จะหา รูปแบบการทำงานที่เรา
ต้องการอย่างแท้จริงที่เราจะหาได้ในใช่
ฉันหวังว่าคุณเข้าใจนิด ๆ หน่อย ๆ เกี่ยวกับการถดถอยเชิงเส้นที่เรียบง่าย
และวิดีโอของเราต่อไปจะมีขึ้นในเร็ว ๆ นี้
กรุณาสมัครสมาชิกไม่ชอบในความคิดเห็นกับคำถามใด ๆ
ใหม่เมื่อ welllll น้อยเย็น เก่าท้องถิ่นคุณเมื่อ wellthe และลูกโป่ง
ถือว่าทีมเย็น welllll คุณ

ผลลัพธ์ (ไทย) 3:

มากในภายหลัง
แต่นั่นแค่ในเบื้องต้น
ทำไมเราไม่สามารถสันนิษฐานสาเหตุของเวลา

ดังนั้นนี้ทำให้เราแจ๊สสำคัญเพื่อคุณ
ของเราผม
การแสดงในเราแล้ว ครั้งที่แล้ว แต่เราจะทำอีกหน่อย

ดังนั้นเรามีของเราอย่างเป็นทางการ ตัวแปรอิสระและตัวแปรตาม y x

เราได้ข้อมูลทั้งหมดนี้
ใส่มีนั่งอยู่ที่นี่แล้ว
เราเรียกขั้นตอนของเราและเราได้รับบรรทัดนี้ว่ามีลักษณะเช่นนี้ :
นี่จะจ่าย 0
ความชันจะของเราจ่ายหนึ่ง

และตอนนี้เราสามารถของไม้สักบาง
x นี่จะเรียกฉันและ
x ในจุดนี้ว่ามันมีจุดที่นี่
ที่จุดนี้ เราสามารถเข้าไปฟังและ


ทำไมฉันถึงระยะทางคือ นั่นคือสิ่งที่เราสังเกต
เป็นข้อมูล
มันของเราข้อมูล เราว่าจุดนี้เป็นที่ทำไมฉัน
XIII ผมแล้วและเรา
7 มาดังนั้นในนี้ ระยะทางจากที่นี่ไปที่นี่
เป็นจริงของเราผม
R Y 2 hacked
ดังนั้นมันเป็นสิ่งที่เราคาดแล้ว ความแตกต่างระหว่างสอง
คือคุณฉัน ร้อนนี่เป็นทางการมากขึ้น
ฉันคิดว่าการแสดงของสิ่งที่เราทำ
ดังนั้นเหล่านี้เป็นประมาณการ เพราะเราไม่สามารถจริงๆ
ไม่มีประชากร แต่ทั้งหมดที่เราสามารถทำได้ตอนนี้คือให้
สูตรแล้วค่าตอนนี้ที่เรามีนี้

ดังนั้นเรารู้ว่าคุณ ii hacked
นี่ซึ่งมีความแตกต่างระหว่างทั้งสองสิ่ง
จึงนี้ก็เท่ากับคุณ
ทำไมผมลบทำไม

ผมแฮคแล้ว ถ้าเราเสียบจะถดถอยทำไมฉันได้
สิ่งที่เราได้รับคือเหตุผลที่ผมลบ

เป็น 0 แล้วลบปีเตอร์ดอลล์ที่ x

ฉันแล้วนี้นี่คือสิ่งที่เราหมายถึง
EST ตกค้างในจุดนี้

และตอนนี้เรามีสูตรนี้ที่เรานำขึ้นไปตลอดเวลา คือเขามา sourav

รักธรรมดาวิธีประมาณการอย่างเป็นทางการแล้ว

เราต้องการสิ่งที่เราสิ่งที่ฉันกำลังจะพูดคือทำไมเราประมาณนี้ เบต้า 0
ในประมาณการเบต้า 1 วิธีที่เราสามารถได้รับการประมาณการที่ดี

ทั้งรักพวกเขากำลังดังนั้นสิ่งที่เราทำคือเราลด
บาง
ความรักในปีนี้ ' em เหล็กสี่เหลี่ยมเพียง dunno คุณฉันยกกำลังสอง
สรุปเรียกว่า คือ ฤดูร้อน ซึ่งมักจะมีเครื่องหมายสี่เหลี่ยมซึ่งเป็น Rs
s หรือน. และมีจริงๆมันขึ้นอยู่กับหนังสือที่อาจารย์ของคุณเช่นกัน
เพื่อให้แน่ใจว่าคุณเพียงได้รับคำศัพท์ของคุณถูกต้องและดังนั้น
เมื่อ เราลดความคลาดเคลื่อนกำลังสอง
ฤดูร้อนคำที่เป็นหลักพยายามที่จะได้รับบรรทัดที่ดีที่สุดที่นี่ในในการถดถอย และเมื่อเราทำแบบนั้น

นาฬิกา เราจะไม่เข้าไปในโฟลเดอร์สังเกต
AVI น. ) แต่ใน
หรือน้อยกว่าเรา เหนือทีมเขาชนะเธอ
หนึ่งหมวกเท่ากับคุณความรักและขวานทำไมทั่วความ กว่าภาษี
ดังนั้นในหรือน้อยกว่าคุณจะโดยทั่วไปจะสามารถค้นหานี้จะไม่ระบุรอบใด ๆสามารถหาข้อมูล

X ในขณะการตรวจสอบมาก ร่วมถึง
และนั่นคือสิ่งที่จะให้คุณจ่ายหนึ่งใน
การถดถอยเชิงเส้นอย่างง่ายและมันเป็นง่ายๆเป็นว่า แล้ว DB เป็นศูนย์
ที่เมื่อเราได้ว่าเราจะสามารถขอรับ
20 หมวกซึ่งมีค่าเท่ากับหมายถึงลบค่า

ผมสูงมี
ดังนั้นสิ่งที่เราได้รับมา เราสามารถเล่นในตรงนี้

และแก้ไขแล้ว โดยหมายถึงapax แล้ว

) เราหาของเราในประมาณการถดถอยและฉันหวังว่าคุณจะเข้าใจ
เล็กน้อยเพิ่มเติมเกี่ยวกับสิ่งที่พวกเขาและสิ่งที่พวกเขาหมายถึง
และฉันหวังว่าการแสดงนี้ช่วยนิดหน่อยด้วย
เข้าใจแต่ความคลาดเคลื่อนและสิ่งที่พวกเขาหมายถึง
และฉันหวังว่าคุณเรียง เข้าใจความหมายของรูปแบบ

และคืออะไรสิ่งที่จะสามารถสมมติว่างั้น
ฉันถ้าคุณจำได้ว่าคือ
เราต้องสมมติว่าไม่มีอะไรอยู่ในนั้น

เหลือน. ว่า มีความสัมพันธ์กับขวาน
จากนั้นผมก็หวังว่าคุณจะเข้าใจความแตกต่างระหว่างการถดถอย
ตัวอย่างประชากร ดังนั้นตัวอย่าง เป็นสิ่งที่เรา สามารถประมาณการเหล่านี้

หมวกเหล่านี้แล้ว ประชากร คือ สิ่งที่เราไม่เคยสังเกตว่ามันคือเรื่องจริง
แบบที่เรากำลังพยายามที่จะหารูปแบบการทำงานที่เรา
เราต้องการหาใช่
ฉันหวังว่าคุณเข้าใจนิดหน่อยเกี่ยวกับการถดถอยเชิงเส้นอย่างง่าย
และวิดีโอของเราต่อไปจะขึ้นในไม่ช้า
กรุณาสมัครสมาชิกไม่เหมือนในข้อคิดเห็นข้อสงสัย
ใหม่เมื่อเย็นเล็กน้อย welllll แก่ท้องถิ่น คุณเมื่อ wellthe และลูกโป่ง
ถือว่าทีมคุณ
welllll เย็น