আমি সাধারণত এমন ডেটা নিয়ে কাজ করি যেখানে 2 বা ততোধিক শর্তে একাধিক ব্যক্তি প্রতি একাধিকবার পরিমাপ করা হয়। আমি সম্প্রতি individualএলোমেলো প্রভাব হিসাবে মডেলিং, শর্তগুলির মধ্যে পার্থক্যের জন্য প্রমাণ মূল্যায়নের জন্য মিশ্র ইফেক্টস মডেলিংয়ের সাথে খেলছি । এই জাতীয় মডেলিং থেকে ভবিষ্যদ্বাণীগুলি সম্পর্কে অনিশ্চয়তা দেখার জন্য, আমি বুটস্ট্র্যাপিং ব্যবহার করে আসছি, যেখানে বুটস্ট্র্যাপের প্রতিটি পুনরাবৃত্তির ক্ষেত্রে উভয় ব্যক্তি এবং পর্যবেক্ষণের মধ্যে-শর্তগুলির মধ্যে-ব্যক্তিরা প্রতিস্থাপনের সাথে নমুনা তৈরি করে এবং একটি নতুন মিশ্র প্রভাবের মডেল গণনা করা হয় যা থেকে পূর্বাভাস প্রাপ্ত করা হয়. এটি গাউসীয় ত্রুটি অনুমান করে এমন ডেটার জন্য সূক্ষ্মভাবে কাজ করে, তবে যখন ডেটা দ্বি দ্বিভুক্ত হয়, তখন বুটস্ট্র্যাপিংয়ে খুব দীর্ঘ সময় নিতে পারে কারণ প্রতিটি পুনরাবৃত্তিকে তুলনামূলকভাবে সংখ্যার দ্বিপদী মিশ্রিত প্রভাবগুলির মডেল গণনা করতে হবে।
আমার একটা ধারণা ছিল যে আমি সম্ভবত মূল মডেল থেকে অবশিষ্টাংশগুলি ব্যবহার করতে পারি তবে বুটস্ট্র্যাপিংয়ের কাঁচা ডেটার পরিবর্তে এই অবশিষ্টাংশগুলি ব্যবহার করতে পারি, যা আমাকে বুটস্ট্র্যাপের প্রতিটি পুনরাবৃত্তিতে গাউসিয়ান মিশ্রিত প্রভাব মডেল গণনা করার অনুমতি দেবে। কাঁচা তথ্যের দ্বিপদী মডেল থেকে অবশিষ্ট ভবিষ্যদ্বাণীগুলি থেকে বুটস্ট্র্যাপেড পূর্বাভাসগুলিতে মূল অনুমানগুলি যুক্ত করা মূল আসল পূর্বাভাসের জন্য 95% সিআই লাভ করে।
যাইহোক, আমি সম্প্রতি কোডেড এই পদ্ধতির একটি সহজ মূল্যায়ন, দুই অবস্থার মধ্যে কোনো পার্থক্য মডেলিং এবং সময়ের অনুপাত কম্পিউটিং একটি 95% আস্থা ব্যবধান শূন্য অন্তর্ভুক্ত করা ব্যর্থ হয়েছে, এবং আমি দেখা গেছে যে উপরে অবশিষ্টাংশ ভিত্তিক বুটস্ট্র্যাপিং পদ্ধতি উৎপাদনের বরং দৃঢ়ভাবে বিরোধী রক্ষণশীল ব্যবধান (তারা 5% এরও বেশি শূন্য বাদ দেয়)। তদুপরি, আমি তখন কোডটিকে (আগের মতো একই লিঙ্ক) মূলত গাউসিয়ান ডেটা প্রয়োগ করার ক্ষেত্রে এই পদ্ধতির অনুরূপ মূল্যায়ন কোড করেছিলাম এবং এটি একইভাবে (যদিও চূড়ান্ত নয়) বিরোধী রক্ষণশীল সিআই-তে প্রাপ্ত হয়েছিল। কোন ধারণা কেন হতে পারে?