আমি ধারণা করি যে আপনার স্টাডিজ ডিজাইনে পরিবর্তনের জন্য নিয়ন্ত্রণ করা আপনার রিগ্রেশন মডেল-পরবর্তী সময়ে নিয়ন্ত্রণের চেয়ে ত্রুটি হ্রাস করতে আরও কার্যকর at
কেউ "আনুষ্ঠানিকভাবে" নিয়ন্ত্রণ "এই দুটি উদাহরণ পৃথকভাবে ব্যাখ্যা করতে মন চাইবেন? ত্রুটি হ্রাস এবং আরও সুনির্দিষ্ট ভবিষ্যদ্বাণী উত্পন্ন করতে তারা তুলনামূলকভাবে কার্যকর কী?
উত্তর:
"আপনার স্টাডি ডিজাইনে কোনও ভেরিয়েবলের জন্য নিয়ন্ত্রণ" রেখে আমি ধরে নিয়েছি আপনার অর্থ হ'ল একটি পরিবর্তনশীলকে সমস্ত অধ্যয়ন ইউনিট জুড়ে ধ্রুবক হতে হবে বা একটি ভেরিয়েবলের ম্যানিপুলেট করা যাতে প্রতিটি চলমান ইউনিটের জন্য সেই ভেরিয়েবলের স্তর স্বাধীনভাবে নির্ধারণ করা যায়। অর্থাৎ আপনার অধ্যয়নের ডিজাইনে কোনও পরিবর্তনশীলটির জন্য নিয়ন্ত্রণ করার অর্থ আপনি একটি সত্য পরীক্ষা চালাচ্ছেন । এর সুবিধা হ'ল এটি অনুমানের কার্যকারণে সহায়তা করতে পারে ।
তত্ত্ব ক্ষেত্রে, আপনার রিগ্রেশন মডেল একটি পরিবর্তনশীল জন্য নিয়ন্ত্রণকারী এছাড়াও সাহায্য করতে পারে inferring কার্যকারণ। যাইহোক, আপনি কেবলমাত্র প্রতিক্রিয়াটির সাথে সরাসরি কার্যকারণ সংযোগ রয়েছে এমন প্রতিটি ভেরিয়েবলের জন্য নিয়ন্ত্রণ করলেই এটি ঘটে। যদি আপনি এই জাতীয় একটি পরিবর্তনশীল বাদ দেন (সম্ভবত আপনি এটি অন্তর্ভুক্ত করতে জানেন না), এবং এটি অন্য কোনও ভেরিয়েবলের সাথে সম্পর্কিত হয় তবে আপনার কার্যকারণ সূত্রগুলি পক্ষপাতদুষ্ট এবং ভুল হবে। অনুশীলনে, আমরা সমস্ত প্রাসঙ্গিক ভেরিয়েবল জানি না, সুতরাং পরিসংখ্যানিক নিয়ন্ত্রণ একটি মোটামুটি দ্বৈত প্রচেষ্টা যা আপনি যে বড় অনুমানগুলি যাচাই করতে পারবেন না তার উপর নির্ভর করে।
তবে আপনার প্রশ্নটি "ত্রুটি হ্রাস এবং আরও সুনির্দিষ্ট ভবিষ্যদ্বাণী উত্পন্ন করা" সম্পর্কে জিজ্ঞাসা করে, কার্যকারিতা অনুমান করা নয়। এটি একটি ভিন্ন বিষয়। আপনি যদি আপনার অধ্যয়নের ডিজাইনের মাধ্যমে কোনও প্রদত্ত পরিবর্তনশীল ধ্রুবক তৈরি করেন তবে সেই পরিবর্তনশীলটির কারণে প্রতিক্রিয়াতে থাকা সমস্ত পরিবর্তনশীলতাটি মুছে ফেলা হবে। অন্যদিকে, আপনি যদি কেবল কোনও ভেরিয়েবলের জন্য নিয়ন্ত্রণ করেন তবে আপনি এর প্রভাবটি অনুমান করছেন যা ন্যূনতম সময়ে নমুনা ত্রুটির সাপেক্ষে effect অন্য কথায়, পরিসংখ্যান নিয়ন্ত্রণ আপনার নমুনায় অবশিষ্ট প্রকরণ হ্রাস করার ক্ষেত্রে দীর্ঘকালীন হিসাবে তেমন ভাল হবে না।
তবে আপনি যদি ত্রুটি হ্রাস করতে এবং আরও সুনির্দিষ্ট ভবিষ্যদ্বাণী পেতে আগ্রহী হন তবে সম্ভবত আপনি সাধারণত নমুনার বৈশিষ্ট্যগুলির বাইরে যত্নবান হন, আপনার নমুনার মধ্যে নির্ভুলতা নয়। এবং এর মধ্যে ঘষা আছে। আপনি যখন কোনও পরিবর্তনশীলকে কোনও আকারে চালিত করে (এটিকে ধ্রুবক ইত্যাদি ধারণ করে) নিয়ন্ত্রণ করেন, আপনি এমন পরিস্থিতি তৈরি করেন যা মূল, প্রাকৃতিক পর্যবেক্ষণের চেয়ে কৃত্রিম। তা হচ্ছে, পরীক্ষাগুলির পর্যবেক্ষণের চেয়ে কম বাহ্যিক বৈধতা / সাধারণীকরণের ঝোঁক থাকে ।
যদি এটি স্পষ্ট না হয়, তবে সত্যিকারের পরীক্ষার উদাহরণ যা ধ্রুবক কিছু রাখে তা হ'ল মাউস মডেলটিতে ইনব্রেড ইঁদুরগুলি ব্যবহার করে যা সমস্ত জিনগতভাবে অভিন্ন using অন্যদিকে, কোনও পরিবর্তনশীলের জন্য নিয়ন্ত্রণের উদাহরণটি একটি ডামি কোড দ্বারা রোগের পারিবারিক ইতিহাসের প্রতিনিধিত্ব করা এবং একাধিক রিগ্রেশন মডেল (সিএফ।, একজনকে "অন্যান্য ভেরিয়েবলের জন্য নিয়ন্ত্রণ" কীভাবে করতে পারে তার সাথে অন্তর্ভুক্ত করা যেতে পারে ? ) এবং কীভাবে 2 র্থ চতুর্থ যোগ করা 1 ম চতুর্থকে তাত্পর্যপূর্ণ করে তুলতে পারে? )।