আমি সম্পর্কে প্রশ্নের ক্রম পরিবর্তন করতে যাচ্ছি।
আমি পাঠ্যপুস্তক এবং বক্তৃতা নোটগুলি প্রায়শই অসম্মতি পেয়েছি এবং আমি এমন একটি সিস্টেম পছন্দ করতে চাই যাতে নিরাপদে সেরা অনুশীলন হিসাবে সুপারিশ করা যায় এবং বিশেষত একটি পাঠ্যপুস্তক বা কাগজ যা উদ্ধৃত করা যেতে পারে through
দুর্ভাগ্যক্রমে, বইগুলিতে এই বিষয়ে কিছু আলোচনা এবং প্রাপ্ত জ্ঞানের উপর নির্ভর করে। কখনও কখনও যে জ্ঞান প্রাপ্তি যুক্তিযুক্ত, কখনও কখনও এটি কম হয় (কমপক্ষে কোনও অর্থে যে কোনও বৃহত্তর সমস্যা উপেক্ষা করা হলে এটি একটি ছোট ইস্যুতে মনোযোগ দেয়); আমাদের যত্ন সহকারে পরামর্শের জন্য প্রস্তাবিত ন্যায্যতাগুলি (যদি কোনও ন্যায়বিচারই আদৌ দেওয়া হয় তবে) পরীক্ষা করা উচিত।
স্বাভাবিকতা ইস্যুতে টি-টেস্ট বা নন-প্যারাম্যাট্রিক পরীক্ষার জন্য বেশিরভাগ গাইড।
এটি সত্য, তবে এটি বেশ কয়েকটি কারণে ভ্রান্ত that
যদি কোনও "সম্পর্কযুক্ত নমুনা" বা "আনপেইার্ড" টি-পরীক্ষা করে থাকেন, তবে ওয়েলশ সংশোধন ব্যবহার করবেন কিনা?
এটি (আপনার বৈকল্পগুলি সমান হওয়া উচিত বলে মনে করার কারণ না থাকলে এটি ব্যবহার করা) হ'ল অসংখ্য রেফারেন্সের পরামর্শ। আমি এই উত্তরে কিছুকে নির্দেশ করছি।
কিছু লোক বৈকল্পিকতার সমতার জন্য একটি হাইপোথিসিস পরীক্ষা ব্যবহার করে তবে এখানে এটির শক্তি কম হবে। সাধারণত আমি কেবল নমুনা এসডিগুলি "যুক্তিসঙ্গতভাবে" নিকটবর্তী কিনা তা নয় (যা কিছুটা বিষয়গত, তাই এটি করার আরও মূলত উপায় থাকতে হবে) তবে আবার, কম এন দিয়ে এটি ভাল হতে পারে যে জনসংখ্যার এসডিগুলি আরও এগিয়ে রয়েছে নমুনা ছাড়াও।
জনসংখ্যার বৈকল্পিক সমান বলে বিশ্বাস করার কোনও ভাল কারণ না থাকলে ছোট নমুনাগুলির জন্য সর্বদা ওয়েলক সংশোধন ব্যবহার করা কি নিরাপদ? সেই পরামর্শই তাই। পরীক্ষার বৈশিষ্ট্যগুলি অনুমান পরীক্ষার ভিত্তিতে পছন্দ দ্বারা প্রভাবিত হয়।
এ সম্পর্কিত কিছু উল্লেখ এখানে এবং এখানে দেখা যায় , যদিও একই রকম কথা বলার মতো আরও রয়েছে।
সমতা-বৈকল্পিক ইস্যুটির স্বাভাবিকতা ইস্যুটির সাথে অনেকগুলি অনুরূপ বৈশিষ্ট্য রয়েছে - লোকেরা এটি পরীক্ষা করতে চায়, পরামর্শ পরামর্শ দেয় পরীক্ষার ফলাফলের উপর পরীক্ষাগুলির পছন্দগুলি পরের পরীক্ষার উভয় ধরণের ফলাফলকে বিরূপ প্রভাবিত করতে পারে - এটি কেবল অনুমান না করা ভাল better আপনি যথাযথভাবে ন্যায়সঙ্গত করতে পারবেন না (একই ভেরিয়েবল এবং অন্যান্য সম্পর্কিত অন্যান্য স্টাডির তথ্য ব্যবহার করে ডেটা সম্পর্কে যুক্তি দিয়ে)।
তবে, পার্থক্য আছে। একটি হ'ল - কমপক্ষে নাল অনুমানের অধীনে পরীক্ষার পরিসংখ্যান বিতরণের ক্ষেত্রে (এবং তাই এটির স্তর-দৃust়তা) - বড় নমুনাগুলিতে অ-স্বাভাবিকতা কম গুরুত্বপূর্ণ (কমপক্ষে তাত্পর্য স্তরের ক্ষেত্রে, যদিও ক্ষমতা হতে পারে আপনার যদি ছোট প্রভাবগুলি সন্ধান করার প্রয়োজন হয় তবে এখনও একটি সমস্যা হয়ে উঠুন), সমান বৈকল্পিক অনুমানের অধীনে অসম বৈকল্পিকতার প্রভাবটি বড় আকারের নমুনার আকারের সাথে প্রকৃতপক্ষে চলে না।
নমুনার আকার "ছোট" হলে কোনটি সবচেয়ে উপযুক্ত পরীক্ষা বাছাই করার জন্য কোন নীতিগত পদ্ধতির প্রস্তাব দেওয়া যেতে পারে?
হাইপোথিসিস পরীক্ষার সাথে, যা কিছু গুরুত্বপূর্ণ (শর্তগুলির কিছু সেট অনুসারে) মূলত দুটি জিনিস:
α
এই ছোট-নমুনা বিষয়গুলি মনে রেখে, টি এবং নন-প্যারামেট্রিক পরীক্ষার মধ্যে সিদ্ধান্ত নেওয়ার সময় কাজ করার জন্য কি কোনও ভাল - আশাবাদী কেবল - চেকলিস্ট রয়েছে?
আমি অনেকগুলি পরিস্থিতি বিবেচনা করব যেখানে আমি কিছু সুপারিশ করব, স্বাভাবিকতা এবং অসম বৈচিত্রের সম্ভাবনা উভয় বিবেচনা করে। প্রতিটি ক্ষেত্রে, ওয়েলচ-পরীক্ষা বোঝাতে টি-টেস্টের উল্লেখ করুন:
অ-সাধারণ (বা অজানা), এর কাছাকাছি-সমান বৈকল্পিক সম্ভবত:
যদি বিতরণটি ভারী-লেজযুক্ত হয় তবে আপনি সাধারণত মান-হুইটনি দিয়ে আরও ভাল হতে পারেন, যদিও এটি যদি কিছুটা ভারী হয় তবে টি-টেস্টটি ঠিক করা উচিত। হালকা-লেজগুলির সাহায্যে টি-টেস্টটি প্রায়শই পছন্দ করা যায়। পারমুয়েশন টেস্টগুলি একটি ভাল বিকল্প (যদি আপনি খুব ঝোঁক থাকেন তবে আপনি টি-স্ট্যাটিস্টিক ব্যবহার করে একটি ক্রমশক্তি পরীক্ষাও করতে পারেন)। বুটস্ট্র্যাপ পরীক্ষাও উপযুক্ত।
অ-সাধারণ (বা অজানা), অসম বৈকল্পিক (বা বৈচিত্রের সম্পর্ক অজানা):
যদি বিতরণটি ভারী-লেজযুক্ত হয় তবে আপনি সাধারণত মান-হুইটনি দিয়ে আরও ভাল হতে পারেন - যদি বৈষম্যের বৈষম্য কেবলমাত্র গড়ের বৈষম্যের সাথে সম্পর্কিত - যেমন এইচ 0 সত্য হয় তবে স্প্রেডের পার্থক্যটিও অনুপস্থিত থাকতে হবে। জিএলএমগুলি প্রায়শই ভাল বিকল্প হয়, বিশেষত যদি স্কিউনেস থাকে এবং স্প্রেডের সাথে সম্পর্কিত হয়। র্যাম-ভিত্তিক পরীক্ষাগুলির মতো অনুরূপ সতর্কতা সহ একটি ক্রমশক্তি পরীক্ষা আরও একটি বিকল্প। বুটস্ট্র্যাপ পরীক্ষা এখানে ভাল সম্ভাবনা।
[1]
যদি আপনি অ-স্বাভাবিকতা আশা করেন (উপরের ক্যাভিয়েটের সাথে আবার) তবে র্যাঙ্ক পরীক্ষাগুলি এখানে যুক্তিসঙ্গত ডিফল্ট। আকৃতি বা বৈকল্পিকতা সম্পর্কে আপনার কাছে যদি বাহ্যিক তথ্য থাকে তবে আপনি জিএলএম বিবেচনা করতে পারেন। যদি আপনি আশা করেন যে জিনিসগুলি স্বাভাবিক থেকে খুব বেশি দূরে না থাকে, টি-টেস্টগুলি ভাল হতে পারে।
[2]
বিতরণগুলি দৃ strongly়ভাবে স্কিউড এবং খুব বিচ্ছিন্ন উভয় ক্ষেত্রেই পরামর্শটি কিছুটা সংশোধন করতে হবে যেমন লিকার্ট স্কেল আইটেম যেখানে বেশিরভাগ পর্যবেক্ষণগুলি শেষের একটি বিভাগে রয়েছে। তাহলে উইলকসন-মান-হুইটনি অগত্যা টি-টেস্টের চেয়ে ভাল পছন্দ নয়।
যখন আপনার কাছে সম্ভাব্য পরিস্থিতি সম্পর্কে কিছু তথ্য থাকে তখন সিমুলেশন পছন্দগুলি আরও গাইড করতে সহায়তা করতে পারে।
আমি প্রশংসা করি এটি একটি বহুবর্ষজীবী বিষয়, তবে বেশিরভাগ প্রশ্ন প্রশ্নকারীর নির্দিষ্ট ডেটা সেট, কখনও কখনও শক্তির আরও সাধারণ আলোচনা এবং মাঝে মাঝে দুটি পরীক্ষায় অসমত হলে কী করতে হবে তা নিয়ে উদ্বেগ প্রকাশ করে তবে আমি সঠিক পদ্ধতিটি বেছে নেওয়ার জন্য একটি পদ্ধতি চাই প্রথম স্থান!
প্রধান সমস্যাটি হ'ল একটি ছোট ডেটা সেটে স্বাভাবিকতা অনুমানটি পরীক্ষা করা কতটা কঠিন:
এটা তোলে হয় একটি ছোট ডেটা সেটে স্বাভাবিক চেক করা এবং কতক একটি গুরুত্বপূর্ণ বিষয় যে করা কঠিন, কিন্তু আমি মনে হয় গুরুত্বপূর্ণ আরেকটি বিষয় আমরা বিবেচনা করতে হবে। একটি প্রাথমিক সমস্যা হ'ল পরীক্ষার মধ্যে বাছাইয়ের ভিত্তি হিসাবে স্বাভাবিকতা যাচাই করার চেষ্টা করা আপনি যে টেস্টগুলির মধ্যে বেছে নিয়েছেন তার বৈশিষ্ট্যগুলিকে বিরূপ প্রভাবিত করে।
স্বাভাবিকতার জন্য যে কোনও আনুষ্ঠানিক পরীক্ষার শক্তি কম থাকে তাই লঙ্ঘনগুলি সনাক্ত করা যায় না। (ব্যক্তিগতভাবে আমি এই উদ্দেশ্যে পরীক্ষা করবো না, এবং আমি স্পষ্টভাবে একা নই, তবে ক্লায়েন্টরা যখন স্বাভাবিকতা পরীক্ষা করার দাবি করে তখন আমি এই সামান্য ব্যবহারটি খুঁজে পেয়েছি কারণ এটি তাদের পাঠ্যপুস্তক বা পুরাতন বক্তৃতার নোট বা কোনও ওয়েবসাইট যা তারা একবার খুঁজে পেয়েছিল what ঘোষণা করা উচিত। এটি এমন একটি পয়েন্ট যেখানে একটি ভারী চেহারার প্রশংসা স্বাগত জানানো হবে))
[3]
টি- এবং ডাব্লুএমডাব্লু ডিআরএসের মধ্যে পছন্দটি স্বাভাবিকতার পরীক্ষার ভিত্তিতে হওয়া উচিত নয়।
বৈকল্পিকতার সাম্যের জন্য পরীক্ষা না করার বিষয়ে তারা একইভাবে দ্ব্যর্থহীন।
বিষয়টিকে আরও খারাপ করার জন্য, কেন্দ্রীয় সীমাবদ্ধ উপপাদ্যটিকে সুরক্ষা জাল হিসাবে ব্যবহার করা নিরাপদ: ছোট এন এর জন্য আমরা পরীক্ষার পরিসংখ্যান এবং টি বিতরণের সুবিধাজনক অ্যাসেম্পোটিক স্বাভাবিকতার উপর নির্ভর করতে পারি না।
এমনকি বড় আকারের নমুনায়ও - সংখ্যার অ্যাসেম্পোটিক স্বাভাবিকতা বোঝায় না যে টি-স্ট্যাটিস্টিকের টি-বিতরণ হবে। তবে, এটি এতটা গুরুত্বপূর্ণ নয়, যেহেতু আপনার এখনও অ্যাসিপোটিক স্বাভাবিকতা থাকা উচিত (উদাহরণস্বরূপ সংখ্যার জন্য সিএলটি, এবং স্লুটস্কির উপপাদ্যটি পরামর্শ দেয় যে শেষ পর্যন্ত টি-স্ট্যাটিস্টিকগুলি স্বাভাবিক দেখা শুরু করা উচিত, যদি উভয়ের শর্ত থাকে তবে))
এর একটি নীতিগত প্রতিক্রিয়া হ'ল "সুরক্ষা প্রথম": যেহেতু একটি ছোট নমুনায় স্বাভাবিকতা অনুমানটি নির্ভরযোগ্যতার সাথে যাচাই করার কোনও উপায় নেই, পরিবর্তে সমতুল্য নন-প্যারাম্যাট্রিক পরীক্ষা চালান।
এটি আসলে পরামর্শ যা আমি উল্লেখ করি (বা উল্লেখ করার লিঙ্কে) আমি দিই।
আমি দেখেছি কিন্তু এতে কম স্বাচ্ছন্দ্য বোধ করি, এটি একটি ভিজ্যুয়াল চেক করা এবং টি-টেস্ট নিয়ে এগিয়ে যাওয়া যদি অপছন্দিত কিছু না পর্যবেক্ষণ করা হয় ("এই চেকটির স্বল্প শক্তি উপেক্ষা করে" স্বাভাবিকতা প্রত্যাখ্যান করার কোনও কারণ নেই)। আমার ব্যক্তিগত প্রবণতাটি স্বাভাবিকতা ধরে নেওয়ার জন্য কোনও ভিত্তি আছে কিনা তা বিবেচনা করা হয়, তাত্ত্বিক (যেমন পরিবর্তনশীল বেশ কয়েকটি এলোমেলো উপাদানগুলির যোগফল এবং সিএলটি প্রযোজ্য) বা অভিজ্ঞতাবাদী (যেমন বৃহত্তর এন সহ পূর্ববর্তী গবেষণাগুলি স্বাভাবিক কিনা) is
এগুলি উভয়ই ভাল যুক্তি, বিশেষত যখন টি-টেস্টটি স্বাভাবিকতা থেকে মধ্যপন্থী বিচ্যুতির বিরুদ্ধে যুক্তিসঙ্গতভাবে দৃ is়তার সাথে সমর্থন করে। (যাইহোক, আমাদের মনে রাখা উচিত যে "মধ্যপন্থী বিচ্যুতি" একটি জটিল বাক্যাংশ; স্বাভাবিকতা থেকে কিছু ধরণের বিচ্যুতি টি-টেস্টের পাওয়ার পারফরম্যান্সকে কিছুটা প্রভাব ফেলতে পারে যদিও এই বিচ্যুতিগুলি দৃশ্যত খুব ছোট - টি- পরীক্ষা অন্যের চেয়ে কিছু বিচক্ষণতার পক্ষে কম শক্তিশালী whenever আমরা যখনই স্বাভাবিকতা থেকে ছোট বিচ্যুতি নিয়ে আলোচনা করি তখন আমাদের এ বিষয়টি মাথায় রাখা উচিত))
সাবধান, তবে, শব্দগুচ্ছটি "পরিবর্তনশীল স্বাভাবিকের প্রস্তাব দেয়"। স্বাভাবিকতার সাথে যুক্তিসঙ্গতভাবে সামঞ্জস্য থাকা স্বাভাবিকতার মতো জিনিস নয়। আমরা প্রায়শই ডেটা দেখার প্রয়োজন ছাড়াই প্রকৃত স্বাভাবিকতা প্রত্যাখ্যান করতে পারি - উদাহরণস্বরূপ, যদি ডেটা নেতিবাচক না হতে পারে তবে বিতরণটি স্বাভাবিক হতে পারে না। ভাগ্যক্রমে, পূর্ববর্তী গবেষণা থেকে আমাদের কাছে যা থাকতে পারে তার থেকে কী কী গুরুত্বপূর্ণ হয় বা তথ্য কীভাবে রচিত হয় সে সম্পর্কে যুক্তি দিয়ে, যা স্বাভাবিকতা থেকে বিচ্যুতি ছোট হওয়া উচিত।
যদি তা হয়, তবে ডেটা ভিজ্যুয়াল ইন্সপেকশন পাস হলে আমি একটি টি-টেস্ট ব্যবহার করব এবং অন্যথায় নন-প্যারাম্যাট্রিকগুলিতে লেগে থাকবে। তবে যে কোনও তাত্ত্বিক বা অভিজ্ঞতাবাদী ক্ষেত্রগুলি সাধারণত আনুমানিক স্বাভাবিকতা অনুমান করে ন্যায্যতা দেয় এবং স্বাধীনতার নিম্ন ডিগ্রিতে টি-টেস্টকে অকার্যকর এড়াতে এটি কতটা স্বাভাবিকের প্রয়োজন তা বিচার করা শক্ত।
হ্যাঁ, এটি এমন কিছু যা আমরা খুব সহজেই এর প্রভাবের মূল্যায়ন করতে পারি (যেমন সিমুলেশনগুলির মাধ্যমে, যেমনটি আমি আগে উল্লেখ করেছি)। আমি যা দেখেছি, তা থেকে skewness ভারী লেজগুলির চেয়ে বেশি মনে হয় (তবে অন্যদিকে আমি বিপরীত কিছু দাবি দেখেছি - যদিও আমি জানি না যে এটি কিসের উপর ভিত্তি করে)।
শক্তি এবং দৃust়তার মধ্যে ব্যবসায়ের বন্ধন হিসাবে পদ্ধতিগুলির পছন্দকে দেখেন এমন লোকেদের জন্য, অ-প্যারাম্যাট্রিক পদ্ধতিগুলির অ্যাসিম্পটোটিক দক্ষতা সম্পর্কে দাবী করা অসহনীয়। উদাহরণস্বরূপ, "উইলকক্সন পরীক্ষাগুলিতে টি-টেস্টের প্রায় 95% শক্তি যদি থাম্বের নিয়মে থাকে যে ডেটা সত্যিই স্বাভাবিক থাকে এবং ডেটা না হয় তবে প্রায়শই বেশি শক্তিশালী হন, তাই কেবল উইলকক্সন ব্যবহার করুন" কখনও কখনও শুনেছি, তবে যদি 95% কেবলমাত্র বড় n এর জন্য প্রয়োগ হয় তবে এটি ছোট নমুনার জন্য ত্রুটিযুক্ত যুক্তি।
[2]
বিভিন্ন পরিস্থিতিতে এই জাতীয় সিমুলেশনগুলি দুটি-নমুনা এবং এক-নমুনা / জুটিযুক্ত-পার্থক্যের ক্ষেত্রে উভয় ক্ষেত্রেই স্বাভাবিকভাবে অ্যাসিম্পটোটিক দক্ষতার তুলনায় কিছুটা কম বলে মনে হয় তবে দক্ষতা স্বাক্ষরিত র্যাঙ্কের এবং উইলকক্সন-মান-হুইটনি পরীক্ষাগুলি খুব সামান্য নমুনার আকারে এখনও খুব বেশি।
কমপক্ষে এটি যদি পরীক্ষাগুলি একই প্রকৃত তাত্পর্য পর্যায়ে করা হয়; আপনি খুব অল্প নমুনা নিয়ে 5% পরীক্ষা করতে পারবেন না (এবং উদাহরণস্বরূপ এলোমেলোভাবে পরীক্ষা না করেও), তবে আপনি যদি এর পরিবর্তে সম্ভবত 5.5% বা 3.2% পরীক্ষা করতে প্রস্তুত হন তবে র্যাঙ্ক পরীক্ষা তাত্পর্যপূর্ণ পর্যায়ে টি-টেস্টের সাথে তুলনা করে খুব ভালভাবে ধরে থাকুন।
ক্ষুদ্র নমুনাগুলি তথ্যের জন্য কোনও রূপান্তর উপযুক্ত কিনা তা নির্ধারণ করা খুব কঠিন বা অসম্ভব হয়ে উঠতে পারে, কারণ রূপান্তরিত ডেটা কোনও (সাধারণ পর্যায়ে) সাধারণ বিতরণের অন্তর্ভুক্ত কিনা তা বলা মুশকিল। সুতরাং যদি কোনও কিউকিউ প্লটটি খুব ইতিবাচক স্কিউড ডেটা প্রকাশ করে, যা লগগুলি নেওয়ার পরে আরও যুক্তিসঙ্গত বলে মনে হয়, লগ করা ডেটাতে টি-পরীক্ষা ব্যবহার করা কি নিরাপদ? বৃহত্তর নমুনাগুলিতে এটি খুব লোভনীয় হবে, তবে ছোট এন দিয়ে আমি সম্ভবত প্রথম স্থানে লগ-সাধারণ বিতরণ আশা করার ভিত্তি না রেখে অবিরত থাকতাম।
আরও একটি বিকল্প রয়েছে: একটি পৃথক প্যারাম্যাট্রিক অনুমান করুন। উদাহরণস্বরূপ, যদি স্কিউড ডেটা থাকে তবে উদাহরণস্বরূপ, কিছু পরিস্থিতিতে গামা বিতরণকে যুক্তিসঙ্গতভাবে বিবেচনা করা যেতে পারে, বা অন্য কোনও স্কিউ পরিবারকে আরও ভাল অনুমান হিসাবে বিবেচনা করা যেতে পারে - মাঝারিভাবে বড় আকারের নমুনায় আমরা কেবল একটি জিএলএম ব্যবহার করতে পারি তবে খুব সামান্য নমুনায় এটি একটি ছোট-নমুনা পরীক্ষা দেখার প্রয়োজন হতে পারে - অনেক ক্ষেত্রে সিমুলেশন দরকারী হতে পারে useful
বিকল্প 2: টি-পরীক্ষাটিকে শক্তিশালী করুন (তবে পরীক্ষার পরিসংখ্যানগুলির ফলাফলের বিতরণকে আরও তাত্পর্যপূর্ণ না করার জন্য দৃust় পদ্ধতির নির্বাচনের বিষয়ে যত্ন নেওয়া) - সামর্থ্যের মতো খুব ছোট-নমুনা ননপ্যারমেট্রিক পদ্ধতিতে এর কিছু সুবিধা রয়েছে কম টাইপ আই ত্রুটির হারের সাথে পরীক্ষা বিবেচনা করতে।
এখানে আমি স্বাভাবিকতার থেকে বিচ্যুতির বিরুদ্ধে সহজেই দৃus়মানের জন্য টি-পরিসংখ্যানগুলিতে অবস্থানের এম-অ্যাসেক্টর (এবং স্কেল সম্পর্কিত সম্পর্কিত অনুমানকারী) বলার পংক্তিগুলি নিয়ে ভাবছি। ওয়েলচের মতো কিছু, যেমন:
x∼−y∼S∼p
S∼2p=s∼2xnx+s∼2ynyx∼s∼x
ψn
আপনি উদাহরণস্বরূপ, পি-মান পেতে স্বাভাবিকভাবে সিমুলেশন ব্যবহার করতে পারেন (যদি নমুনার আকারগুলি খুব ছোট হয় তবে আমি পরামর্শ দিই যে বুটস্ট্র্যাপিং-এর চেয়ে বেশি যদি নমুনার আকারগুলি এত ছোট না হয় তবে সাবধানতার সাথে প্রয়োগকৃত বুটস্ট্র্যাপটি বেশ ভাল করতে পারে , তবে তবে আমরা আবার উইলকক্সন-মান-হুইটনিতে ফিরে যেতে পারি। এরপরে একটি যুক্তিযুক্ত ফ্যাক্টর পাশাপাশি একটি ডিএফ সমন্বয় যা আমি কল্পনা করতাম তা পেতে একটি যুক্তিসঙ্গত টি-আনুষঙ্গিকতা হতে পারে। এর অর্থ হল যে ধরণের বৈশিষ্ট্য আমরা সাধারণের খুব কাছাকাছি চেয়ে থাকি সেগুলি পাওয়া উচিত এবং সাধারণের বিস্তীর্ণ অঞ্চলে যুক্তিসঙ্গত দৃust়তা থাকা উচিত। এমন অনেকগুলি সমস্যা রয়েছে যা বর্তমান প্রশ্নের ক্ষেত্রের বাইরে থাকবে তবে আমি মনে করি খুব সামান্য নমুনায় সুবিধাগুলির ব্যয় এবং প্রয়োজনীয় পরিশ্রমের চেয়ে বেশি হওয়া উচিত।
[আমি খুব দীর্ঘ সময় ধরে এই স্টাফটিতে সাহিত্য পড়িনি, সুতরাং সেই স্কোরটি দেওয়ার জন্য আমার কাছে উপযুক্ত উল্লেখ নেই]]
অবশ্যই যদি আপনি বিতরণটি কিছুটা সাধারণ-মতো হওয়ার চেয়ে প্রত্যাশা না করেন, তবে অন্য কোনও বিতরণের সাথে সমান হয়, তবে আপনি আলাদা প্যারাম্যাট্রিক পরীক্ষার উপযুক্ত প্ররোচনা অর্জন করতে পারেন।
আপনি যদি নন-প্যারাম্যাট্রিক্সের জন্য অনুমানগুলি পরীক্ষা করতে চান তবে কী হবে? কিছু উত্স উইলকক্সন পরীক্ষা প্রয়োগের আগে একটি প্রতিসম বন্টন যাচাই করার পরামর্শ দেয়, যা স্বাভাবিকতা যাচাই করতে অনুরূপ সমস্যা নিয়ে আসে।
প্রকৃতপক্ষে. আমি ধরে নিলাম আপনি স্বাক্ষরিত র্যাঙ্ক পরীক্ষা বলতে চাইছেন। জোড়যুক্ত ডেটাতে এটি ব্যবহার করার ক্ষেত্রে, আপনি যদি ধরে নিতে প্রস্তুত হন যে লোকেশন শিফট ব্যতীত দুটি বিতরণ একই আকার হয় তবে আপনি নিরাপদ, যেহেতু পার্থক্যগুলি তখন প্রতিসামান্য হওয়া উচিত। আসলে, আমাদের এমনকি এত কিছু প্রয়োজন হয় না; পরীক্ষার জন্য কাজ করার জন্য শূন্যের নীচে আপনার প্রতিসাম্য প্রয়োজন; এটি বিকল্পের অধীনে প্রয়োজনীয় নয় (যেমন ধনাত্মক অর্ধ-রেখার উপর আকৃতির আকৃতির ডান স্কিউ অবিচ্ছিন্ন বিতরণগুলির সাথে যুক্ত জোড় পরিস্থিতি বিবেচনা করুন, যেখানে স্কেলগুলি বিকল্পের অধীনে তবে শূন্যের নীচে নয়; স্বাক্ষরিত র্যাঙ্ক পরীক্ষাটি প্রত্যাশার মতো মূলত কাজ করা উচিত) যে ক্ষেত্রে)। বিকল্পটির অবস্থান স্থানান্তর থাকলেও পরীক্ষার ব্যাখ্যাটি আরও সহজ।
* (উইলকক্সনের নাম দুটি এবং দুটি নমুনা র্যাঙ্ক পরীক্ষার সাথে জড়িত - স্বাক্ষরিত র্যাঙ্ক এবং র্যাঙ্ক যোগফল; তাদের ইউ পরীক্ষার সাথে মান এবং হুইটনি উইলকক্সন দ্বারা অধ্যয়ন করা পরিস্থিতিকে সাধারণীকরণ করেছিলেন এবং নাল বন্টনকে মূল্যায়নের জন্য গুরুত্বপূর্ণ নতুন ধারণাগুলি প্রবর্তন করেছিলেন তবে উইলকক্সন-মান-হুইটনিতে লেখকের দুই সেটগুলির মধ্যে অগ্রাধিকারটি স্পষ্টভাবে উইলকক্সন - এটি যদি কমপক্ষে আমরা কেবল উইলকক্সন বনাম মান ও হুইটনি বিবেচনা করি তবে উইলকক্সন আমার বইতে প্রথম স্থান পেয়েছে। তবে, মনে হয় স্টিলারের আইন আমাকে আবার মারধর করেছে, এবং উইলকক্সন সম্ভবত পূর্বের বেশ কয়েকটি অবদানকারীদের সাথে সেই অগ্রাধিকারটি কিছুটা ভাগ করা উচিত এবং (মান এবং হুইটনি ছাড়াও) সমমানের পরীক্ষার বেশ কয়েকটি ডিসকভারের সাথে creditণ ভাগ করা উচিত [[৪] [৫])
তথ্যসূত্র
[1]: জিমারম্যান ডিডাব্লু এবং জাম্বো বিএন, (1993),
র্যাঙ্ক ট্রান্সফর্মেশনস এবং স্টুডেন্ট টি-টেস্টের ক্ষমতা এবং অ-সাধারণ জনগোষ্ঠীর জন্য ওয়েলচ টে-টেস্ট,
কানাডিয়ান জার্নাল এক্সপেরিমেন্টাল সাইকোলজি, 47 : 523–39।
[২]: জেসিএফ ডি শীতকালীন (২০১৩),
"অত্যন্ত ছোট নমুনা আকারের সাথে শিক্ষার্থীর টি-টেস্ট ব্যবহার করা,"
ব্যবহারিক মূল্যায়ন, গবেষণা এবং মূল্যায়ন , 18 : 10, আগস্ট, আইএসএসএন 1531-7714
http://pareonline.net/ getvn.asp? বনাম = 18 & N = 10
[3]: মাইকেল পি। ফে এবং মাইকেল এ। প্রেশান (২০১০),
"উইলকক্সন-মান-হুইটনি বা টি-টেস্ট? অনুমানের পরীক্ষা এবং সিদ্ধান্তের বিধিগুলির একাধিক ব্যাখ্যার অনুমানের উপর,"
স্ট্যাট সার্ভ ; 4 : 1–39।
http://www.ncbi.nlm.nih.gov/pmc/articles/PMC2857732/
[৪]: বেরি, কেজে, মিল্কে, পিডাব্লু এবং জনস্টন, জেই (২০১২),
"দ্বি-নমুনা র্যাঙ্ক-সমষ্টি পরীক্ষা: প্রাথমিক বিকাশ,"
সম্ভাবনা এবং পরিসংখ্যানের ইতিহাসের জন্য বৈদ্যুতিন জার্নাল , খণ্ড ৮, ডিসেম্বর
পিডিএফ
[৫]: কুরস্কাল, ডাব্লুএইচ (১৯৫7),
" উইলকক্সনের অনুলিপিযুক্ত দ্বি-নমুনা পরীক্ষা,"
আমেরিকান স্ট্যাটিস্টিকাল অ্যাসোসিয়েশনের জার্নাল , ৫২ , ৩––-৩60০ Histতিহাসিক নোট।