গুরুত্ব
প্রথম কাজটি হ'ল 'ভবিষ্যদ্বাণীকারীদের গুরুত্ব' operational আমি ধরে নেব যে এর অর্থ 'ভবিষ্যদ্বাণীকের মানগুলিতে পরিবর্তিত হওয়া গড় ফলাফলের সংবেদনশীলতা' এর মতো কিছু। যেহেতু আপনার ভবিষ্যদ্বাণীকে গোষ্ঠীভূত করা হয়েছে ততক্ষণ ভবিষ্যদ্বাণীকারীদের গোষ্ঠীগুলির গড় ফলাফলের সংবেদনশীলতা পরিবর্তনশীল বিশ্লেষণের দ্বারা পরিবর্তনশীলের চেয়ে আকর্ষণীয়। সংবেদনশীলতা কার্যত বোঝা যায় কিনা তা আমি ছেড়ে দিয়েছি। এই বিষয়টি পরে নেওয়া হয়।
গুরুত্বের তিনটি সংস্করণ
প্রচুর বৈকল্পিকতা ব্যাখ্যা করা হয়েছে : আমি অনুমান করছি যে মনোবিজ্ঞানীদের প্রথম কলটির পোর্টটি সম্ভবত একটি ভিন্নতা পচন যা ভবিষ্যদ্বাণীকারীদের প্রতিটি গোষ্ঠীর ভেরিয়েন্স-কোভারেন্স কাঠামোর মাধ্যমে কতটা ফলাফলের বৈকল্পিকতা ব্যাখ্যা করা হয়েছিল তা পরিমাপের দিকে নিয়ে যায়। পরীক্ষামূলকবাদী না হয়ে আমি এখানে খুব বেশি পরামর্শ দিতে পারছি না, পুরো 'বৈচিত্র্য ব্যাখ্যা করা' ধারণাটি আমার স্বাদের জন্য কিছুটা উদারগ্রাহী, এমনকি 'কোন স্কোয়ারের যোগফল' ইস্যু ছাড়াই। অন্যরা দ্বিমত পোষণ করে এবং এটি আরও বিকাশ করতে স্বাগত।
বৃহত্তর মানসম্মত সহগ : এসপিএসএস (পরিবর্তনশীল) বিটাটি এমনভাবে প্রভাব পরিমাপ করতে দেয় যা ভেরিয়েবলের তুলনায় তুলনীয়। এখানে এবং অন্য কোথাও ফক্সের রিগ্রেশন পাঠ্যপুস্তকে আলোচিত, এটি ব্যবহার না করার বেশ কয়েকটি কারণ রয়েছে । সমস্ত এখানে আবেদন। এটি গ্রুপ কাঠামোও উপেক্ষা করে।
অন্যদিকে, আমি কল্পনা করি যে কেউ দলবদ্ধভাবে ভবিষ্যদ্বাণীকারীদের মানক করতে পারে এবং সেগুলির মধ্যে একটিতে একটি স্ট্যান্ডার্ড বিচ্যুতি আন্দোলনের প্রভাব বিচার করার জন্য কোভারিয়েন্স তথ্য ব্যবহার করতে পারে । ব্যক্তিগতভাবে নীতিবাক্য: "কোনও জিনিস যদি মূল্যহীন না হয় তবে এটি ভাল করা ভাল নয়" এটি করার ক্ষেত্রে আমার আগ্রহ কমিয়ে দেয়।
বৃহত্তর প্রান্তিক প্রভাব : অন্য পদ্ধতিটি পরিমাপের স্কেলে থাকা এবং সাবধানতার সাথে নির্বাচিত নমুনা পয়েন্টগুলির মধ্যে প্রান্তিক প্রভাব গণনা করা। যেহেতু আপনি গোষ্ঠীগুলির প্রতি আগ্রহী সেগুলি একক পরিবর্তে পরিবর্তকের বিভিন্ন গ্রুপের পয়েন্টগুলি বেছে নেওয়া দরকারী, উদাহরণস্বরূপ উভয় জ্ঞানীয় ভেরিয়েবল একবারে ম্যানিপুলেট করা। (এখানে শীতল প্লটের জন্য প্রচুর সুযোগ)। বেসিক কাগজ এখানে । আর এর effects
প্যাকেজটি দুর্দান্তভাবে এটি করবে।
এখানে দুটি ক্যাভেট রয়েছে:
যদি আপনি এটি করেন তবে আপনি এটি পর্যবেক্ষণ করতে চাইবেন যে আপনি দুটি জ্ঞানীয় পরিবর্তনশীল নির্বাচন করছেন না যা পৃথকভাবে প্রশংসনীয়, যেমন মিডিয়ানরা যৌথভাবে কোনও বিষয় পর্যবেক্ষণ থেকে দূরে।
কিছু পরিবর্তনশীল তাত্ত্বিকভাবে ম্যানিপুলেবলও নয়, তাই কার্যকারণ হিসাবে প্রান্তিক প্রভাবগুলির ব্যাখ্যা আরও নাজুক, যদিও এটি দরকারী।
ভবিষ্যদ্বাণীকারীদের বিভিন্ন সংখ্যা
গোষ্ঠীভুক্ত ভেরিয়েবল কোভারিয়েন্স কাঠামোর কারণে সমস্যাগুলি দেখা দেয়, যা আমরা সাধারণত উদ্বিগ্ন হওয়ার জন্য নয় তবে এই কাজের জন্য হওয়া উচিত।
বিশেষত যখন একক ভেরিয়েবলের পরিবর্তে গ্রুপগুলিতে প্রান্তিক প্রভাবগুলি (বা সেই বিষয়ে মানক সহগ) গণনা করা হয় তখন মাত্রিকতার অভিশাপ বৃহত্তর গ্রুপগুলির জন্য এমন অঞ্চলগুলিতে বিভ্রান্ত হওয়া তুলনাকে আরও সহজ করে তোলে যেখানে কোনও মামলা নেই। একটি গোষ্ঠীর আরও ভবিষ্যদ্বাণীকারী আরও একটি বিচ্ছিন্ন জনবহুল স্থানের দিকে নিয়ে যায়, সুতরাং যে কোনও গুরুত্ব পরিমাপ মডেল অনুমানের উপর বেশি নির্ভর করবে এবং পর্যবেক্ষণের উপর কম হবে (তবে আপনাকে তা বলবে না ...) তবে মডেল ফিটিং পর্বে যেমন একই সমস্যা রয়েছে তেমনি সত্যিই। একটি মডেল ভিত্তিক কার্যকারণ প্রভাব মূল্যায়নে অবশ্যই উত্পন্ন হবে।