13

এই বিশেষ ক্ষেত্রে আমি সেই দিনটির কথা উল্লেখ করছি যেদিন একটি হ্রদ জমে থাকে। এই "আইস-অন" তারিখটি কেবল বছরে একবার হয়, তবে কখনও কখনও এটি মোটেও ঘটে না (যদি শীত গরম থাকে)। সুতরাং এক বছরে হ্রদটি 20 দিনের (20 শে জানুয়ারি) জমিতে পারে এবং অন্য এক বছরে এটি মোটেও জমে না।

লক্ষ্যটি হ'ল বরফ অন তারিখের চালকদের খুঁজে বের করা।

ভবিষ্যদ্বাণীকারীরা প্রতি বছর শরত / শীতের বায়ুর তাপমাত্রার মতো জিনিস হতে পারে। বছরটি দীর্ঘমেয়াদী রৈখিক প্রবণতার পূর্বাভাসক হতে পারে।

1) পূর্ণসংখ্যা "বছরের দিন" একটি যুক্তিসঙ্গত প্রতিক্রিয়া পরিবর্তনশীল (যদি তা না হয় তবে কী?)?

২) হ্রদ কখনই হিমশীতল হয় না এমন বছরগুলিকে কীভাবে পরিচালনা করা উচিত?

সম্পাদনা:

শিষ্টাচারটি কী তা আমি জানি না, তবে আমি অনুভব করেছি যে আমি প্রাপ্ত পরামর্শগুলির ফলাফল পোস্ট করব। এখানে কাগজ, খোলা অ্যাক্সেস । ব্যবহৃত পদ্ধতির বিষয়ে আমি ভাল মতামত পেয়েছি, ধন্যবাদ @ পেড্রোফিগেইরা এবং @ কোবোটিগ। অবশ্যই ত্রুটিগুলি আমার নিজস্ব।

— rbatt
সূত্র

আপনার কি ধরনের ডেটাসেট আছে? বছরের সমস্ত দিনগুলিতে ব্যবস্থা নেওয়া?

— দোনবিও

@ দনবিও, আইস-অন এক বছরে একবার দেখা যায়, সুতরাং প্রতিক্রিয়ার পরিবর্তনশীলটি একটি বার্ষিক রেজোলিউশনে। অন্যান্য তথ্য বার্ষিক ফ্রিকোয়েন্সি এ আসে তবে কিছু ক্ষেত্রে উচ্চতর ফ্রিকোয়েন্সি ডেটাতে রূপান্তর করা যেতে পারে।

— আরব্যাট 26'14

কোন উদ্দেশ্যে আপনি বরফের তারিখটি বিবেচনা করতে চান? আমি এটি জিজ্ঞাসা করছি কারণ পরিসংখ্যানগত মডেলিং কখনই সত্য বা মিথ্যা নয় তবে দরকারী বা অকেজো। সুতরাং পরিসংখ্যানগত ফলাফলগুলির জন্য ব্যবহারের লক্ষ্য, লক্ষ্য পরিবর্তনশীলটি যদি আদৌ ব্যবহার হয় তবে অন্তর্দৃষ্টিও। উদাহরণস্বরূপ, যদি হ্রদটি ইতিমধ্যে অক্টোবরে পাতলা বরফ shাল দিয়ে জমে থাকে তবে একই সপ্তাহে গলে যায় এবং এই শীতে আর কখনও জমে না? কখন আপনি তুষার টায়ারের মতো ব্যবহার শুরু করবেন তা অনুমান করার জন্য আপনার বিশ্লেষণটি করেন? এটি আপনার ২ য় প্রশ্নের কার্যকর উত্তরের একটি ইঙ্গিত দিতে পারে।

— হোর্স্ট গ্রানবুশ

আপনার চিন্তার জন্য ধন্যবাদ, @ হোর্স্টগ্রনবুষ আমি জানতে চাই জলবায়ুর বিভিন্নতা কীভাবে বরফকে প্রভাবিত করেছে, কারণ জলজ ব্যবস্থার উপর idাকনা রাখার ফলে অনেক কিছুই প্রভাবিত হয় (গ্যাস এক্সচেঞ্জ, আলো ইত্যাদি)। কেবলমাত্র বরফের ডেটা উপলব্ধ হ'ল এই বরফ অন তারিখগুলি (বেধ নয়, ইত্যাদি)।

— আরবি্যাট

4

আমি মনে করি যে কোনও ব্যক্তি "বছরের বেলা" কে মাল্টিভারিয়েট রিগ্রেশনের প্রতিক্রিয়ার ভেরিয়েবল হিসাবে বিবেচনা করতে পারেন। হ্রদ কখনই হিমশীতল হয় না এমন বছরগুলি পরিচালনা করার জন্য আমি কেবলমাত্র বিবেচনা করব যে হিমশীতল দিনটি একটি পর্যবেক্ষণযোগ্য নিম্ন সীমা থেকে বৃহত্তর, উদাহরণস্বরূপ, সেইদিনের সাথে যখন বরফের উপাদান গলে যাওয়া শুরু হয় (বা পুরোপুরি গলে যায়, যদি আপনি চান) খুব রক্ষণশীল হতে হবে)। তাত্ত্বিকভাবে এটি এর পরে জমা হওয়া উচিত, বা তার পরে জমে যেতে পারে, তবে আমরা জানি না। এইভাবে আপনি বিভিন্ন পরামিতিগুলিতে সংগৃহীত ডেটা ব্যবহার করতে পারছেন কীভাবে হিমশীতল দিনটি তাদের উপর নির্ভরশীল তা বুঝতে, যদি এটি সর্বশেষ পর্যবেক্ষণের তারিখের চেয়ে পরে অনুমতি দেওয়া হয়। তারপরে আপনি একটি টোবিট মডেল ব্যবহার করতে পারেনএকযোগে হিমশীতল দিনগুলি ("সাধারণ" ডেটাপয়েন্টগুলির সাথে সামঞ্জস্যপূর্ণ) এবং নিম্ন সীমাগুলি (সীমা এবং এইভাবে একটি সেন্সরড রিগ্রেশন অনুসারে) পরিচালনা করতে।

বিশ্লেষণে পরিমাপ করা নিম্ন সীমাটি সঠিকভাবে অন্তর্ভুক্ত করার জন্য, আপনি একটি সেন্সরযুক্ত রিগ্রেশন মডেল ব্যবহার করতে পারেন যার মধ্যে নির্ভরশীল ভেরিয়েবলটি নিম্ন সীমাটির মান অনুসারে একটি কাট অফ করে। উপরে উল্লিখিত টোবিট মডেল এই ক্ষেত্রে উপযুক্ত; এটি অলক্ষিত (সুপ্ত) নির্ভরশীল পরিবর্তনশীল এর অস্তিত্ব ধরে নিয়েছে যা আমাদের ক্ষেত্রে শীত অনির্দিষ্টকালের জন্য প্রসারিত হলে হিমায়িত তারিখের সাথে মিলে যায়। পর্যবেক্ষণযোগ্য নির্ভরশীল পরিবর্তনশীল (অর্থাত্ হিমাঙ্কের তারিখে পরিমাপ করা নিম্ন সীমা) নিম্ন সীমা অনুপস্থিতিতে সুপ্ত পরিবর্তনশীলের সমান এবং অন্যথায় নিম্ন সীমাটির সমান হিসাবে নেওয়া হয় $y_i^*$ $y_i$ $L_i$

\begin{array}{rcl} Y_{আমি} = {\begin{cases} Y_{আমি}^{*} & আমি চ \bar{\exists} {এল}_{আমি} (অর্থাত Y_{আমি}^{*} < {এল}_{আমি}) \\ {এল}_{আমি} & আমি চ Y_{আমি}^{*} \geq {এল}_{আমি} \end{cases} \end{array}

$\begin{eqnarray} y_i = \left\{ \begin{array}{ll} y_i^* & \quad \mathrm{if} \quad \bar{\exists}\,L_i \:\: (\textrm{i.e.} \, y_i^* < L_i) \\ L_i & \quad \mathrm{if} \quad y_i^*\geq L_i \end{array} \right. \end{eqnarray}$

পর্যবেক্ষণ-দ্বারা পর্যবেক্ষণ-সেন্সরিং পরিচালনা করার জন্য টোবিট মডেলের প্রয়োগ, ফর্মটির লগ-সম্ভাবনা কার্যকারিতার ফলে

\begin{array}{rcl} এল = \underset{আমি \in Y_{আমি}^{*} < {এল}_{আমি}}{Σ} ঠ এন [φ (\frac{Y_{আমি} - {এক্স}_{আমি ঞ} β_{ঞ}}{σ}) / σ] + + \underset{আমি \in Y_{আমি}^{*} \geq {এল}_{আমি}}{Σ} ঠ এন [Φ (\frac{{এল}_{আমি} - {এক্স}_{আমি ঞ} β_{ঞ}}{σ})] \end{array}

$\begin{eqnarray} \mathcal{L} = \sum_{i \,\in\, y_i^* < L_i} ln \left[ \phi\left(\frac{y_i-X_{ij}\beta_j}{\sigma}\right)/\sigma \right] \,+\, \sum_{i \,\in\, y_i^*\geq L_i}ln \left[ \Phi\left(\frac{L_i-X_{ij}\beta_j}{\sigma}\right) \right] \, \, \end{eqnarray}$

যেখানে এবং মানক সাধারণ বিতরণের যথাক্রমে সম্ভাব্যতা এবং সংশ্লেষিত ঘনত্বের ক্রিয়াগুলি বোঝায়। সূচক পর্যবেক্ষণ এবং উপর সঞ্চালিত হয় স্বাধীন ভেরিয়েবল উপর। লিনিয়ার রিগ্রেশন-এর সমাধান হ'ল প্যারামিটারের সেট (ইন্টারসেপ্ট সহ) যা লগ-সম্ভাবনা কার্যটি সর্বাধিক করে তোলে। $\phi(.)$ $\Phi(.)$ $i$ $j$ $\beta_j$

— pedrofigueira
সূত্র

3

1

$1$

365

$365$

0

$0$

1

$1$

1

$1$

365

$365$

1

আমি যুক্তি দিয়ে বলব যে প্রতিবছর একটি স্বতন্ত্র পরীক্ষা হিসাবে বিবেচনা করা যেতে পারে, তবে নিম্নতর সীমাবদ্ধতার ধারণাটি তার অর্থ ধরে রেখেছে, অর্থাত্, যদি পরীক্ষার স্মৃতি না থাকে এবং এক বছরের মধ্যে জমাট বাঁধার তারিখটি সম্পূর্ণরূপে স্বাধীন বলে ধরে নেওয়া যায় পূর্ববর্তী; তবে এটি কেবল প্রশ্নে বছরের প্যারামিটারের উপর নির্ভর করবে। যদি এটি হয় তবে আমার বোধগম্যতার পক্ষে সর্বোত্তম পরিবর্তনশীলটি বিজ্ঞপ্তিযুক্ত নয়।

— পেড্রোফিগেইর

1

হ্যাঁ, কিছু পরিস্থিতিতে এ জাতীয় অ্যাডহক কৌশলগুলি কাজ করতে পারে। (ক) ঘটনাটি সর্বদা প্রতি বছর ঘটে এবং (খ) ইভেন্টগুলি অনুমানযোগ্য তারিখের চারপাশে শক্তভাবে ছড়িয়ে দেওয়া হয়, তবে বছরের উত্স যথাযথভাবে বেছে নিয়ে আপনি ভাল হয়ে যাবেন। তবে বৃহত্তর পরিমাণে ছড়িয়ে পড়ার সাথে (যা সম্ভবত এখানে ঘটেছে) - বা ঘটনাটি পুরোপুরি অনুপস্থিত থাকতে পারে এমন সবচেয়ে কঠোর ক্ষেত্রে - আপনাকে সত্যই বিজ্ঞপ্তি ("দিকনির্দেশক") পরিসংখ্যানগুলির পদ্ধতি প্রয়োগ করতে হবে। বিটিডাব্লু, সিরিয়াল সম্পর্ক বা স্বাধীনতা সম্পূর্ণ আলাদাভাবে উদ্বেগ।

— হোবার

2

আমি মনে করি উপরের সীমাটি যথাসম্ভব যথাযথভাবে সংজ্ঞায়িত করা উচিত; যদি কেউ এটি করতে পারে তবে টোবিট বিশ্লেষণ আরও অন্তর্দৃষ্টিযুক্ত হয়ে ওঠে। আমি নিম্ন সীমা হিসাবে প্রস্তাব করব (হিমায়িত হওয়ার আগে ঘটতে পারে, তবে এটি পর্যবেক্ষণযোগ্য / পর্যবেক্ষণযোগ্য হয়নি) আপনি যে ডিওওয়াইয়ের বাইরে বিবেচনা করেন যে আপনি আর গলে সনাক্ত করতে পারবেন না। জল জমে যাওয়ার জন্য প্রয়োজনীয় (পি, টি) একবার দেখে এবং একটি স্থির চাপ ধরে, বছরের শেষ স্থানীয় মিনিমা বা এটির মতো চয়ন করে এটি করা যেতে পারে। আমি বিশ্বাস করি এই বিষয়গুলির প্রশ্নটি পরিসংখ্যানগত প্রশ্নের চেয়ে শারীরিক হয়ে ওঠে (তবে খুব আকর্ষণীয়, যাইহোক)।

— পেড্রোফিগেইরা

2

@ আরব্যাট আমি মনে করি এই উত্তরটি বোধগম্য। শুরুর তারিখটি নির্বিচারে, আপনি অন্য কোনও তারিখ থেকে শুরু করতে পারেন বা নেতিবাচক সংখ্যা ব্যবহার করতে পারেন; আমি কোন সমস্যা দেখছি না। বৃত্তাকারতা বছরের পর দিন সংখ্যা দ্বারা নিজের যত্ন নেয়।

— সিউয়েটিটিগ

1

বছরের দিন হ'ল একটি বোধগম্য ভবিষ্যদ্বাণীশীল পরিবর্তনশীল এবং তার জন্য আমি মনে করি এটি @pedrofigueira এর পরামর্শ অনুসারে এটি আচরণ করা বুদ্ধিমান।

অন্যান্য ভবিষ্যদ্বাণীকারী ভেরিয়েবলগুলির জন্য আপনার কীভাবে সময় উপস্থাপন করা উচিত সে সম্পর্কে আপনাকে যত্নবান হওয়া প্রয়োজন। উদাহরণস্বরূপ, কল্পনা করুন যে আপনার বায়ু তাপমাত্রা দিনের বেলা রয়েছে - আপনি কীভাবে বরফের দিনে ভবিষ্যদ্বাণী হিসাবে বায়ু তাপমাত্রাকে মডেল করবেন? আমি মনে করি না যে বছরের বছরের একই নমুনাগুলির তুলনা করা যথেষ্ট।

এই জাতীয় কোনও বিশ্লেষণে, আমি মনে করি যে এটি আপনার মনে করেন যে ডেটাগুলির একটি প্রশংসনীয় উত্পন্ন মডেল (বা মডেল) হতে পারে তা লিখতে সহায়তা করে (যেখানে কিছু পদার্থবিজ্ঞান গাইড হিসাবে উপলব্ধ থাকতে পারে)। উদাহরণস্বরূপ, একটি যুক্তিসঙ্গত মডেল হ'ল শীতের নীচে দিনের সংখ্যার একীকরণ করা হতে পারে, এবং যখন অবিচ্ছেদ্য একটি প্রান্তিকতা (যেমন হ্রদের তাপের সাথে সম্পর্কিত) পাস করে, বরফ-অন ঘটে occurs এই জাতীয় মডেল থেকে আপনি জিজ্ঞাসা করতে পারেন যে যুক্তিসঙ্গত আনুমানিকতা কোনটি এবং কোনটি নয়।

উদাহরণস্বরূপ, বছরের পূর্বাভাসকারী হিসাবে বছরের মডেলটি কেবলমাত্র সেই মডেলটির সাথে ততটুকু গুরুত্বপূর্ণ যেমন বছরের একটি দিন তাপমাত্রার একটি ভাল পূর্বাভাসক। সুতরাং বছরের কেবলমাত্র দিনটি জেনে একজনের কেবলমাত্র বরফ অন প্রান্তিকের সাথে সামঞ্জস্যভাবে গড়ে গড়ে থাকে, তবে এটি সম্পর্কে কিছুটা সাধারণ বিতরণ হতে পারে যা অভ্যন্তরীণ তাপমাত্রার পরিবর্তনের ফলে ঘটেছিল এবং তাই দিনের জন্য ট্রেন্ডের সন্ধান করে- বছরের সম্পূর্ণরূপে ন্যায়সঙ্গত।

তবে আপনি যদি দিনের বেলা এয়ার-টেম্পের মতো অন্যান্য চলকগুলি জানেন তবে সম্ভবত আপনি আরও কিছুটা জটিল মডেলের সাথে আরও সরাসরি মোকাবেলা করতে পারেন। আপনি যদি বরফ-অন দিনের ভবিষ্যদ্বাণী হিসাবে পরিবর্তনশীলের চেয়ে বার্ষিক মানগুলি (সর্বনিম্ন? মানে?) ব্যবহার করেন তবে এটিও যুক্তিসঙ্গত বলে মনে হয় (উপরের মত একই যুক্তি দ্বারা)।

— cboettig
সূত্র

পদার্থবিজ্ঞানের দিকে নির্দেশ করার জন্য +1। আপনি যদি কারণে পরিসংখ্যানগত ফলাফলটি ব্যাখ্যা করতে না পারেন তবে তা উত্সাহজনক হতে পারে, এমনকি তা উল্লেখযোগ্যভাবে প্রদর্শিত হলেও।

— হোর্স্ট গ্রানবুশ

কেবল স্পষ্ট করে বলতে গেলে, বছরের প্রথম দিনটি হ'ল প্রতিক্রিয়াশীল পরিবর্তন ... এটিই আমি "ভবিষ্যদ্বাণী" করার চেষ্টা করছি (আপনার উত্তরে আপনি এটিকে কয়েকটি জায়গায় 'প্রেডিকটার' হিসাবে উল্লেখ করেছেন)। আপনার কি কোনও বরফ জমা (বছরের নিচে অন্যান্য টোবিট পরামর্শ) দিয়ে বছরগুলি পরিচালনা করার জন্য কোনও পরামর্শ আছে?

— আরবি্যাট

1

@ আরব্যাট, বিভ্রান্তির জন্য দুঃখিত। সবচেয়ে সহজ মডেলটি 1 ডি, বছরের পূর্বে ভবিষ্যদ্বাণী হিসাবে বরফের ঘটনা ঘটেছিল ব্যবহার করে using কিন্তু আপনি যদি প্রবণতা সনাক্ত করতে চান বরফ অন তারিখ, আপনি সম্পূর্ণ DATE তারিখে, বছরের না দিবসে জিনিস আপনি ভবিষ্যদ্বাণী করা চান হিসাবে আছে, কারণ জন্য, বলো, 2020 ভবিষ্যদ্বাণী তারপর 2050 যে থেকে পৃথক হতে পারে

— cboettig

0

এই সমস্যার জন্য আপনার দুটি প্রতিক্রিয়া ভেরিয়েবল দরকার। একটি বুলিয়ান প্রতিক্রিয়া যা হ্রদ হিমশীতল কিনা এবং ইঙ্গিত দেয় এবং একটি পূর্ণসংখ্যার প্রতিক্রিয়া বছরের জন্য দিনটি দেয়, সূচকটির শর্তাধীন সত্য। বছরগুলিতে যখন হ্রদ হিমশীতল হয়, বুলিয়ান এবং পূর্ণসংখ্যা উভয়ই পরিলক্ষিত হয়। বছরগুলিতে যখন হ্রদটি হিমশীতল হয় না, বুলিয়ান পালন করা হয় এবং পূর্ণসংখ্যাটি হয় না। আপনি বুলিয়ান জন্য একটি লজিস্টিক রিগ্রেশন ব্যবহার করতে পারেন। বছরের দিনের জন্য রিগ্রেশন সাধারণ লিনিয়ার রিগ্রেশন হতে পারে।

বছরের নির্দিষ্ট সময়ের বৃত্তাকার প্রকৃতির সমস্যাটি হওয়া উচিত নয় যতক্ষণ না আপনি নির্দিষ্ট সময়সীমার মধ্যে ক্রমাগত সম্ভাব্য হিমশীতল দিনগুলি সংখ্যা করেন। আপনি যদি ভাবছেন যে কোথায় নম্বরটি শুরু করবেন, আমি সেই দিনটির পরামর্শ দেব যখন ভবিষ্যদ্বাণীকারীদের পরিমাপ করা হয়েছিল। আপনি যদি মডেলটি কার্যকারণমূলক প্রভাবের প্রতিনিধিত্ব করতে চান, তবে অবশ্যই এমন অবস্থা হওয়া উচিত যে কোনও সম্ভাব্য হিমশীতল হওয়ার আগে সমস্ত ভবিষ্যদ্বাণীকারীকে পরিমাপ করা হয়েছিল।

বছরের দিনটির পূর্ণসংখ্যা এবং সীমিত প্রকৃতি পরিচালনা করতে, একটি বিচক্ষণতা মডেল ব্যবহার করতে পারে। এটি হ'ল, একটি আসল সুপ্ত মান রয়েছে যা নিম্নলিখিত পদ্ধতিতে একটি পর্যবেক্ষণ উত্পন্ন করে: মানটি যদি সীমানার মধ্যে থাকে তবে পর্যবেক্ষণটি নিকটতম পূর্ণসংখ্যার সাথে গোলাকার সুপ্ত মানের সমান হয়, অন্যথায় মানটি সীমানায় কাটা হয়। সুপ্ত মানটি তখনই ভবিষ্যদ্বাণীকারীদের আরও শোরগোলের লিনিয়ার ফাংশন হিসাবে মডেল করা যায়।

— টম মিনকা
সূত্র

আমি পদ্ধতির ভিত্তিটি বুঝতে পারি, তবে কীভাবে এটি প্রয়োগ করা যায় তা সম্পর্কে আমি নিশ্চিত নই। আমি কীভাবে ডেটা সাজাব এবং বুলিয়ান / তারিখের প্রার্থী ড্রাইভারের প্রভাব অনুমান করব? আমি আর।

— rbatt-এ

ডেটা এমন ডেটা ফ্রেমে রাখুন যেখানে একটি কলামটি বুলিয়ান এবং অন্যটি তারিখ। তারপরে ব্যবহার করুন: ফিট 1 = গ্ল্যাম (হিমায়িত ~ x, ফ্রেম, পরিবার = "দ্বিপদী") ফিট 2 = এলএম (তারিখ ~ এক্স, ফ্রেম)

— টম মিনকা

দুঃখিত, আমি কি "ফিট 2 = এলএম (তারিখ ~ x, ফ্রেম, সাবসেট = বুলিয়ান == সত্য)" বুঝতে পারি?

— সার্জিও

এগুলি দুটি পৃথক মডেল হবে। যে মডেলটিতে "তারিখ" এর প্রতিক্রিয়া রয়েছে, সেই বছরগুলিতে আমি কী করব যখন কখনই জমে থাকে না? আমি যদি সেই বছরগুলিকে কেবল সরিয়ে ফেলি, তবে আমি ফলাফলগুলিকে পক্ষপাতিত্ব করছি (বা প্রতিক্রিয়াগুলির আমার পর্যবেক্ষণের প্রবণতা মারাত্মকভাবে হ্রাস করছি) কারণ আমি প্রতিক্রিয়াটির চরম পর্যবেক্ষণকে নির্বাচনীভাবে সরিয়ে দিচ্ছি (যেমন, কখনই জমাট বাঁধা না হওয়া সবচেয়ে চরম বরফের তারিখ)। তাই যে বছরগুলিতে কখনই জল জমে যায় না সেগুলিতে আমাদের উচিত বরফের তারিখে সেই ড্রাইভারগুলির প্রভাব সম্পর্কে কিছু বলা উচিত। দেখে মনে হচ্ছে দুটি মডেলের তথ্যই একত্রিত করা উচিত।

— rbatt

আমি বুলিয়ান ভেরিয়েবল হিসাবে বরফের চিকিত্সা করতে অস্বস্তি করছি কারণ অন্তর্নিহিত প্রক্রিয়া সন্দেহ নেই যে এর চেয়ে আরও বেশি ধারাবাহিক।

— সিবিটিটিগ

0

আপনার কাছে যা আছে তা সময়-প্রতি-ইভেন্টের ডেটা, যা বেঁচে থাকার বিশ্লেষণ হিসাবেও অভিহিত। এটি আসলে আমার অঞ্চল নয়, তাই আমি এখানে বিস্তারিত উত্তর দিচ্ছি না। "টাইম টু ইভেন্ট ডেটা" বা "বেঁচে থাকার বিশ্লেষণ" এর জন্য গুগলিং আপনাকে প্রচুর হিট দেবে!

ভেনেবলস / রিপলিতে বেঁচে থাকার বিশ্লেষণ সম্পর্কে একটি ভাল সূচনা পয়েন্ট (১৩) হতে পারে: ম্যাস, বা জন ডি ডি কাল্বফ্লাইশ, রস এল। প্রেন্টাইস (লেখক) দ্বারা ক্লাসিক "ব্যর্থতার সময় ডেটা সম্পর্কিত পরিসংখ্যান বিশ্লেষণ, দ্বিতীয় সংস্করণ" E

সম্পাদনা করুন, উত্তরের উত্তর দিন

বেঁচে থাকার বিশ্লেষণের বিকল্প হিসাবে, আপনি আনুমানিক লজিস্টিক রিগ্রেশন দ্বারা এটি আনুমানিক করতে পারেন। উদাহরণস্বরূপ, আপনার প্রথম বরফের তারিখের উদাহরণে, কিছু তারিখ নির্ধারণ করুন যার জন্য আপনি "রাষ্ট্রের দিকে বা তার আগে" জমিয়ে রেখেছেন ", 0 (কোনও জমে নেই), 1 (জমে রাখা)। এটি শীতল না হয়ে বছরগুলিকে সুন্দরভাবে সংযোজন করে, আপনার কাছে কেবল একটি অল-শূন্য প্রতিক্রিয়া ভেক্টর রয়েছে। যদি আপনার নির্বাচনের তারিখগুলি থাকে তবে বলুন,

1:08   15:08 1:09 15:09 1:10 15:10 1:11 15:11 1:12  15:12  1:01  15:01
and the actual date of first freezing was  17:11, then your observed vector will be
0       0    0    0     0    0     0    0      1     1     1      1

এবং, সাধারণভাবে, সমস্ত প্রতিক্রিয়া ভেক্টরগুলির শূন্যগুলির প্রাথমিক ব্লক থাকবে এবং তারপরে একটি ব্লক থাকবে। তারপরে, আপনি এটিকে সাধারণ লজিস্টিক রিগ্রেশন সহ ব্যবহার করতে পারেন, প্রতিটি তারিখের জন্য হিমায়িত হওয়ার সম্ভাব্য সম্ভাবনা অর্জন করে। এই বক্ররেখা প্লট করা একটি বেঁচে থাকা বক্ররেখার জন্য একটি প্রাক্কলন দেবে (বেঁচে থাকা, এই প্রসঙ্গে, "এখনও হিমায়িত হয়নি")।

EDIT

আপনার ডেটাটিকে পুনরাবৃত্ত ইভেন্ট হিসাবেও দেখা যায়, যেহেতু প্রতি বছর নদী জমে থাকে (প্রায়)। আমার উত্তর এখানে দেখুন: সাইকিয়াট্রিক পড়ার উল্লেখযোগ্য ভবিষ্যদ্বাণী সন্ধান করা Find

— কেজেটিল বি হালওয়ারসেন en
সূত্র

একটি রিগ্রেশন মডেল যার প্রতিক্রিয়া পরিবর্তনশীল বছরের একটি দিন যে কোনও বার্ষিক ইভেন্ট (সাধারণত) ঘটে

সম্পাদনা: