ইভেন্ট স্টাডি পদ্ধতিতে বায়েশিয়ান পদ্ধতির একনোমেট্রিক্স

Question

স্টক মূল্যে কোনও ইভেন্টের প্রভাব নির্ধারণের জন্য ইভেন্ট স্টাডিজ অর্থনীতি এবং অর্থের ক্ষেত্রে বিস্তৃত, তবে তারা প্রায়শই ঘন ঘনবাদী যুক্তির ভিত্তিতে থাকে are একটি ওএলএস রিগ্রেশন - একটি রেফারেন্স পিরিয়ড যা ইভেন্ট উইন্ডো থেকে পৃথক - সাধারণত কোনও সম্পত্তির জন্য সাধারণ রিটার্ন মডেল করার জন্য প্রয়োজনীয় পরামিতিগুলি নির্ধারণ করতে ব্যবহৃত হয়। এক তারপর ক্রমসঞ্চিত অস্বাভাবিক আয় পরিসংখ্যানগত তাৎপর্য (নির্ধারণ সম্পদ দিকে) থেকে একটি নির্দিষ্ট ঘটনা জানালা সময় একটি ইভেন্টটি নিম্নলিখিত করার । এই রিটার্নগুলি তাৎপর্যপূর্ণ এবং সত্যই অস্বাভাবিক কিনা তা নির্ধারণের জন্য একটি হাইপোথিসিস টেস্ট ব্যবহার করা হয়। এভাবে:i T 1 T $\text{CAR}$$i$$T_1$$T_2$

$H_0 : \text{CAR}_i = 0$ , যেখানে

$\text{CAR}_i = \sum_{t=T_1}^{T_2} \text{AR}_{i,t} = \sum_{t=T_1}^{T_2} \left( r_{i,t} -\mathbb{E}[r_{i,t}] \right)$ , এবং

$\mathbb{E}[r_{i,t}]$ হ'ল মডেল দ্বারা পূর্বাভাস দেওয়া সম্পত্তিতে ফিরে আসা।

যদি আমাদের পর্যবেক্ষণের সংখ্যাটি যথেষ্ট পরিমাণে বড় হয় তবে আমরা সম্পদ ফেরতের বিতরণে অ্যাসিম্পটিক স্বাভাবিকতা ধরে নিতে পারি, তবে এটি একটি ছোট নমুনার আকারের জন্য যাচাই করা যাবেনা।

যুক্তিযুক্ত যে এই কারণে, একক দৃ ,়, একক ইভেন্ট স্টাডিজ (যেমন মামলা মোকদ্দমার ক্ষেত্রে উদাহরণস্বরূপ প্রয়োজন) একটি বায়েশিয়ান পদ্ধতির অনুসরণ করা উচিত, কারণ অসীম বহু পুনরাবৃত্তি অনুমানের ক্ষেত্রে তুলনায় অনেক বেশি "সত্যায়িত হওয়া থেকে" বেশি একাধিক সংস্থার। তবুও, ঘন ঘন দৃষ্টিভঙ্গি সাধারণ অনুশীলন হিসাবে রয়ে গেছে।

এই বিষয়ে দুষ্প্রাপ্য সাহিত্যের প্রেক্ষিতে, আমার প্রশ্ন হল কীভাবে একটি ইভেন্ট স্টাডির সর্বোত্তম উপায় গ্রহণ করা যায় - উপরে বর্ণিত পদ্ধতিটির সাথে সামঞ্জস্যপূর্ণ এবং ম্যাককিন্লে, ১৯৯ in-এর সংক্ষিপ্তসার - একটি বয়েশিয়ান পদ্ধতির সাহায্যে।

যদিও এই প্রশ্নটি ইমিরিকাল কর্পোরেট ফিনান্সের প্রসঙ্গে উত্থাপিত হয়েছে, এটি সত্যই বায়েশিয়ান রিগ্রেশন এবং অনুমানের একনোমেট্রিক্স এবং ঘনত্ববাদী এবং বায়সীয় পদ্ধতির পিছনে যুক্তির ভিন্নতা সম্পর্কে about বিশেষ করে:

1. বায়েশিয়ান পদ্ধতির (বায়েশিয়ান পরিসংখ্যানের একটি তাত্ত্বিক বোঝা অনুমান করে, তবে এটি অনুশীলনমূলক গবেষণার জন্য ব্যবহার করার কোনও অভিজ্ঞতা নেই) ব্যবহার করে মডেল পরামিতিগুলির প্রাক্কলন সম্পর্কে আমার কীভাবে সেরা হওয়া উচিত?

2. পরিসংখ্যানগত তাৎপর্যের জন্য আমি কীভাবে পরীক্ষা করব, একবার ক্রমযুক্ত অস্বাভাবিক রিটার্ন গণনা করা হয়েছে (মডেল থেকে স্বাভাবিক আয় ব্যবহার করে)?

3. কীভাবে মতলব প্রয়োগ করা যায়?

Comments

(১) সহজ: বয়েসিয়ান লিনিয়ার রিগ্রেশন ব্যবহার করুন । (২) আরও জটিল, কারণ তাত্পর্য পরীক্ষা কোনও বায়েশিয়ান জিনিস নয়। একমাত্র আপনি যা করতে পারেন তা বিভিন্ন মডেলের সম্ভাব্যতার তুলনা এবং কোনও মডেলের ভিত্তি নয় কারণ a কোনও মডেল প্যারামিটার নয়। of এর উদ্দেশ্য কী ? এর ভিত্তিতে কোন সিদ্ধান্ত নেওয়া হয়? CAR $\text{CAR} = 0$$\text{CAR}$$\text{CAR}$

— অ্যান্ডি জোন্স

আমি আমার অনুমানের সমর্থনে প্রমাণ খুঁজছি যে পরীক্ষিত ইভেন্টটির শেয়ারের দামের উপর প্রভাব রয়েছে (এক্ষেত্রে শূন্যের চেয়ে আলাদা, কারণ এটি ইভেন্ট উইন্ডোর সময় গণনা করা হয়, সাধারণ রিটার্নের তুলনায়, যা ইভেন্টের আগে রেফারেন্স সময়কালের জন্য গণনা করা)) আমি ডেটাটি এই অনুমানকে সমর্থন করে কিনা সে বিষয়ে আমি আগ্রহী যে সত্যই একটি শূন্য নন এবং এর প্রস্থও রয়েছে। আমি বুঝতে পারি যে পরিসংখ্যানগত তাত্পর্য বায়েশিয়ান পরিসংখ্যানগুলিতে আসলেই কোনও জিনিস নয় তবে এই পদ্ধতিটি কী ব্যাখ্যা দেয়? আমি কি অনুমানের পরীক্ষার সমতুল্য প্রয়োগ করতে পারি? সি একটি $CAR$$CAR$

— কনস্টান্টিন

আপনি যদি তর্ক করতে চান যে বায়েশিয়ান পদ্ধতিটি আকারের ছোট নমুনাগুলিতে বেশি প্রযোজ্য , তবে এটি অবশ্যম্ভাবী যে পূর্ববর্তী যেমন নমুনাটি খুব জোরে জোরে কথা বলবে। $n=1$

— StasK

আমি কি আগে একটি অপ্রয়োজনীয় ব্যবহার করতে পারি না?

— কনস্টান্টিন

Answer 1

মন্তব্যে উল্লিখিত হিসাবে, আপনি যে মডেলটির সন্ধান করছেন তা হলেন বায়েশিয়ান লিনিয়ার রিগ্রেশন । এবং যেহেতু আমরা অবর ভবিষ্যদ্বাণীপূর্ণ বন্টন গণনা করতে BLR ব্যবহার করতে পারেন কোন সময় জন্য , আমরা সংখ্যাসূচকভাবে বন্টন মূল্যায়ন করতে পারেন । ।t p ( CAR $p(r_t|t, \mathcal{D}_\text{ref})$$t$$p(\text{CAR}|\mathcal{D}_\text{event}, \mathcal{D}_\text{ref})$

বিষয়টি হ'ল, আমি মনে করি না যে really over এর উপর কোনও বিতরণ আপনি সত্যই চান। তাত্ক্ষণিক সমস্যাটি হ'ল সম্ভাবনা শূন্য। অন্তর্নিহিত সমস্যাটি হ'ল "হাইপোথিসিস টেস্টগুলির বায়েসিয়ান সংস্করণ" তাদের বেয়েস ফ্যাক্টরের মাধ্যমে মডেলগুলির সাথে তুলনা করছে তবে এর জন্য আপনাকে দুটি প্রতিযোগী মডেল সংজ্ঞায়িত করতে হবে। এবং মডেল নয় (বা কমপক্ষে, তারা কিছু অতি অপ্রাকৃত নম্বর জাগলিং ছাড়া মডেল নন)।p ( CAR = 0 | D ইভেন্ট , D রেফ ) CAR $\text{CAR}$$p(\text{CAR} = 0|\mathcal{D}_\text{event}, \mathcal{D}_\text{ref})$$\text{CAR} = 0, \text{CAR} \neq 0$

আপনি মন্তব্যে যা বলেছেন তা থেকে, আমি মনে করি আপনি আসলে কী উত্তর দিতে চান তা

হয় এবং ভাল একই মডেল দ্বারা বা বিভিন্ন বেশী দ্বারা ব্যাখ্যা?$\mathcal{D}_\text{ref}$$\mathcal{D}_\text{event}$

যার একটি ঝরঝরে বায়েশিয়ান উত্তর রয়েছে: দুটি মডেল নির্ধারণ করুন

• ডি রেফ , ডি ইভেন্ট পি ( ডি রেফ$M_0$ : in সমস্ত ডেটা একই থেকে আঁকা। এই মডেলের প্রান্তিক সম্ভাবনা গণনা করার জন্য, আপনি প্রান্তিক সম্ভাবনা গণনা করতে চান তথ্যটি.$\mathcal{D}_\text{ref}, \mathcal{D}_\text{event}$$p(\mathcal{D}_\text{ref}, \mathcal{D}_\text{event}|M_0)$

• ডি রেফ ডি ইভেন্ট পি ( ডি রেফ , ডি ইভেন্ট | এম 1 ) ডি$M_1$ : এবং in এর ডেটা দুটি পৃথক বিএলআর থেকে আঁকা। এই মডেলের প্রান্তিক সম্ভাবনা গণনা করতে, আপনি BLR ফিট করে th এবং স্বাধীনভাবে (যদিও একই হাইপারপ্যারামিটার ব্যবহার করে!), তারপরে দুটি বিএলআর প্রান্তিক সম্ভাবনার পণ্যটি গ্রহণ করুন।$\mathcal{D}_\text{ref}$$\mathcal{D}_\text{event}$$p(\mathcal{D}_\text{ref}, \mathcal{D}_\text{event}|M_1)$$\mathcal{D}_\text{ref}$$\mathcal{D}_\text{event}$

এটি সম্পন্ন করার পরে আপনি বেয়েস ফ্যাক্টরটি গণনা করতে পারেন

$$\frac{p(\mathcal{D}_\text{ref}, \mathcal{D}_\text{event}|M_1)}{p(\mathcal{D}_\text{ref}, \mathcal{D}_\text{event}|M_0)}$$

কোন মডেলটি বেশি বিশ্বাসযোগ্য তা স্থির করতে।

Comments

আমি মনে করি না ইভেন্টের সময়কালের জন্য আলাদা মডেলটি আমার বিশেষ গবেষণা প্রশ্নে সরাসরি প্রযোজ্য হবে, কারণ ইভেন্ট উইন্ডো চলাকালীন রিটার্নটি ব্যাখ্যা করার জন্য আমি আর কোনও ঝুঁকির কারণ যুক্ত করতে পারি না isn't আমি আমার সম্পদমূল্য মডেল থেকে স্বাভাবিক রিটার্নের তুলনায় একটি ব্যাঘাত হিসাবে ইভেন্টটিকে দেখছি, সুতরাং দুটি মডেলের তুলনা করা সত্যিই সম্ভবপর নয়। জন্য আস্থা অন্তর তৈরি করা কি সম্ভব নয় ? এইভাবে আমি পরীক্ষা করতে পারলাম যে এমএল অনুমান সম্পর্কে নির্দিষ্ট ব্যবধানের মধ্যে 0 টি মিথ্যা, না? $CAR$

— কনস্টান্টিন

আত্মবিশ্বাসের অন্তরগুলির বেয়েসিয়ান রূপটি একটি বিশ্বাসযোগ্য ব্যবধান এবং হ্যাঁ আপনি এটি তৈরি করতে বিতরণটি ব্যবহার করতে পারেন । এটি যদিও অনুমানের পরীক্ষা নয়। $\text{CAR}$

— অ্যান্ডি জোন্স

আমি মনে করি আমি একই মডেল / বিভিন্ন মডেলের জিনিসটি খারাপভাবে ব্যাখ্যা করতে পেরেছি - উপরে, "ভিন্ন মডেল" বলতে আমি কী বোঝাতে চেয়েছি তা হ'ল "বিভিন্ন পরামিতি"। ইন , পরামিতি এক সেট সমস্ত ডেটা ব্যাখ্যা করতে ব্যবহৃত হয়। ইন , পরামিতি এক সেট প্রশিক্ষণ ডেটা ব্যাখ্যা করতে ব্যবহৃত হয়, এবং অন্য টেস্ট ডেটার ব্যাখ্যা করার জন্য। এটি একটি ন্যায্য তুলনা কারণ যদিও এর দ্বিগুণ পরামিতি রয়েছে যা এটি ডেটার সাথে মাপসই করতে পারে (এর প্রান্তিক সম্ভাবনা বাড়িয়ে তোলে), এটি পূর্বের (যা তার প্রান্তিক সম্ভাবনাটিকে শাস্তি দেয়) দ্বিগুণ পরামিতি আঁকবে। এম 1 এম $M_0$$M_1$$M_1$

— অ্যান্ডি জোন্স

ঠিক আছে, আমি ধারণাটি পেয়েছি। সত্যিই এটি মার্জিত মনে হয়। আমি ঠিক কীভাবে দুটি মডেল নির্দিষ্ট করব? আপনি বিশেষভাবে অধ্যয়ন করার জন্য কোনও সাহিত্য বা সম্পর্কিত ধারণাটি সুপারিশ করতে পারেন?

— কনস্টান্টিন

এটি বিতর্কিত হওয়ার পরেও বায়সিয়ান পয়েন্ট নাল বা তীক্ষ্ণ হাইপোথিসিস টেস্টের মতো বিষয় রয়েছে। এটি কেবলমাত্র এ বিচ্ছিন্নতার সাথে সাধারণ জটিলতার অনুপাত । এটি বিতর্কিত কারণ বেশিরভাগ মডেল অবিচ্ছিন্ন এবং পৃথক পৃথক প্রিরিয়ারগুলির মিশ্রণের পক্ষে ভাল ন্যায়সঙ্গততা দেয় না। ইভেন্ট অধ্যয়নগুলি এই নিয়মের একটি সম্ভাব্য ব্যতিক্রম। $\text{CAR}_i=0$

— jayk

Answer 2

আপনি একটি একক ফার্মের সাথে ইভেন্ট স্টাডি করতে পারবেন না।

দুর্ভাগ্যক্রমে যে কোনও ইভেন্ট অধ্যয়নের জন্য আপনার প্যানেল ডেটা দরকার। ইভেন্ট স্টাডিজ ইভেন্টগুলির আগে এবং পরে পৃথক সময়ের জন্য রিটার্নগুলিতে ফোকাস করে। ইভেন্টের আগে এবং পরে প্রতিটি সময়কালে একাধিক দৃ ob় পর্যবেক্ষণ ব্যতীত ইভেন্টের প্রভাবগুলি থেকে শব্দ (দৃ (় নির্দিষ্ট প্রকরণ) পার্থক্য করা অসম্ভব। এমনকি কয়েকটি সংস্থার সাথেই, শব্দগুলি ইভেন্টকে প্রাধান্য দেবে, যেমন স্ট্যাসক উল্লেখ করেছেন।

বলা হচ্ছে, অনেক সংস্থার একটি প্যানেল নিয়ে আপনি এখনও বায়েশিয়ান কাজ করতে পারেন।

কীভাবে স্বাভাবিক এবং অস্বাভাবিক রিটার্ন অনুমান করা যায়

আমি ধরে নিতে চলেছি যে আপনি যে মডেলটি সাধারণ রিটার্নের জন্য ব্যবহার করেন তা মানক সালিশী মডেলের মতো কিছু দেখায়। যদি তা না হয় তবে আপনার এই আলোচনার বাকী অংশটি মানিয়ে নিতে সক্ষম হওয়া উচিত। আপনার জন্য ঘোষণা তারিখ, এর তারিখ আপেক্ষিক নকলগুলির একটি সিরিজ সঙ্গে আপনার "স্বাভাবিক" রিটার্ন রিগ্রেশন বৃদ্ধি করতে চাইবেন :$S$

$$r_{it}=\alpha_{i}+\gamma_{t-S}+r_{m,t}^T\beta_i+e_{it}$$

সম্পাদনা করুন: এটি হবে যে শুধুমাত্র যদি অন্তর্ভুক্ত করা হয় গুলি > 0 । এই পদ্ধতির সঙ্গে এই সমস্যার সঙ্গে একটা সমস্যা যে β আমি আগে ও ঘটনার পরে তথ্য দ্বারা অবহিত করা হবে না। এটি traditionalতিহ্যবাহী ইভেন্ট স্টাডিতে সুনির্দিষ্টভাবে মানচিত্র করে না যেখানে প্রত্যাশিত রিটার্ন কেবল ইভেন্টের আগে গণনা করা হয়।$\gamma_{s}$$s>0$$\beta_i$

এই প্রতিরোধের সাহায্যে আমরা সাধারণত যে ধরণের সিএআর সিরিজ দেখতে পাই তার অনুরূপ কিছু বিষয়ে কথা বলতে দেয়, যেখানে কোনও ইভেন্টের আগে এবং পরে আমাদের কিছু সাধারণ স্ট্যান্ডার্ড ত্রুটিযুক্ত একটি গড় অস্বাভাবিক রিটার্নের প্লট রয়েছে:

( নির্লজ্জভাবে উইকিপিডিয়া থেকে নেওয়া )

আপনার জন্য একটি বিতরণ এবং ত্রুটি গঠন সঙ্গে আসা পর্যন্ত করতে হবে কিছু ভ্যারিয়েন্স-সহ-ভ্যারিয়েন্স গঠন, 'গুলি, সম্ভবত স্বাভাবিকভাবে বিতরণ করেন। তারপরে আপনি α i , এবং জন্য পূর্ব বিতরণ সেট আপ করতে পারেন এবং উপরে বর্ণিত হিসাবে লিনিয়ার রিগ্রেশন চালাতে পারেন।$e_{it}$$\alpha_{i}$γ $\beta_i$$\gamma_s$

ঘোষণার প্রভাব পরীক্ষা করা হচ্ছে

ঘোষণার তারিখে কিছুটা অস্বাভাবিক রিটার্ন ( ) হতে পারে তা ভাবা যুক্তিসঙ্গত । নতুন তথ্য সবেমাত্র বাজারে প্রকাশিত হয়েছে, সুতরাং প্রতিক্রিয়াগুলি সাধারণত কোনও ধরণের সালিস বা দক্ষতা তত্ত্বগুলির লঙ্ঘন নয়। ঘোষণার প্রভাবগুলি কী হতে পারে তা আপনি বা আমি কেউই জানি না। সর্বদা খুব তাত্ত্বিক দিকনির্দেশ হয় না। সুতরাং পরীক্ষার জন্য γ 0 = 0 আমাদের নিষ্পত্তির তুলনায় অনেক বেশি নির্দিষ্ট জ্ঞানের প্রয়োজন হতে পারে (নীচে দেখুন)।$\gamma_0\neq 0$$\gamma_0=0$

তবে বয়েসীয় বিশ্লেষণের আকর্ষণটির অংশটি হ'ল আপনি এর পুরো উত্তর বিতরণ পরীক্ষা করতে পারেন । এটি আপনাকে কিছু উপায়ে আরও আকর্ষণীয় প্রশ্নের জবাব দিতে দেয় যেমন "অতিরিক্ত রিটার্ন নেতিবাচক হওয়ার সম্ভাবনা কতটা সম্ভব?" সুতরাং ঘোষণার তারিখে অস্বাভাবিক রিটার্নের জন্য আমি কঠোর অনুমানের পরীক্ষা ছেড়ে দেওয়ার পরামর্শ দেব। আপনি যেভাবেই সেগুলিতে আগ্রহী নন - বেশিরভাগ ইভেন্ট স্টাডির সাহায্যে আপনি সত্যিই জানতে চান যে কোনও ঘোষণায় দামের প্রতিক্রিয়া কী হতে পারে, যা তা নয়!$\gamma_0$

এই শিরাতে আপনার পোস্টেরিয়ারগুলির একটি আকর্ষণীয় সংক্ষিপ্তসার সম্ভবত হতে পারে । আরেকটি সম্ভাবনা যে হতে পারে γ 0 থ্রেশহোল্ড মান বিভিন্ন বা অবর বিতরণের quantiles বেশী γ 0 । অবশেষে আপনি সর্বদা এর গড়, মাঝারি এবং মোডের সাথে 0 ডলার এর উত্তল প্লট করতে পারেন । তবে আবার কঠোর হাইপোথিসিস টেস্টগুলি আপনি যা চান তা নাও হতে পারে।$\gamma_0\geq 0$$\gamma_0$$\gamma_0$$\gamma_0$

তবে ঘোষণার আগে ও পরে তারিখগুলির জন্য, কঠোর অনুমানের পরীক্ষা গুরুত্বপূর্ণ ভূমিকা নিতে পারে, কারণ এই রিটার্নগুলিকে শক্তিশালী এবং আধা-শক্তিশালী ফর্ম দক্ষতার পরীক্ষা হিসাবে দেখা যেতে পারে

আধা-শক্তিশালী-ফর্ম দক্ষতার লঙ্ঘনের জন্য পরীক্ষা করা

$\gamma_{s> 0}=0$

$\gamma_{s}=0$$\bar x$$f$$X=\{x_i\}_{i=1}^n$ $\$60,000$ আপনি একটি বেয়েস ফ্যাক্টর ব্যবহার করবেন:

$$P(\bar{x}=\$60,000|X)=\dfrac{\int_{\bar{x}=\$60,000} P(X) f(\bar{x})}{\int_{\bar{x}\neq \$60,000} P(X) f(\bar{x})}$$

$P(\bar{x}=\$60,000|X)=0$

$\gamma_{s> 0}=0$$\gamma_{s>0}$$\gamma_{s>0} =0$$p$$\gamma_{s\neq 0} =0$$1-p$$\gamma_{s>0}$$f$

$$P(\gamma_{s> 0} =0|\text{data}) = \dfrac{P(\text{data}|\gamma_{s> 0}=0)p}{\int_{\gamma_{s> 0}\neq 0} P(\text{data}|\gamma_{s> 0})(1-p)f(\gamma_{s> 0})}>0$$

$\gamma_{s>0}=0$

$\gamma_{s> 0}$$\gamma_{s=0}$$\gamma_{s>0}$$\gamma_s=0$) বায়েশিয়ান এবং ঘন ঘন পদ্ধতিগুলির মধ্যে একটি সেতু হিসাবে প্রকৃত রিটার্নগুলির সাথে তুলনা করা।

ক্রমযুক্ত অস্বাভাবিক প্রত্যাবর্তন

এখনও অবধি সমস্ত কিছু অস্বাভাবিক রিটার্নের আলোচনায় ছিল। সুতরাং আমি দ্রুত গাড়িতে যাব:

$$\text{CAR}_\tau=\sum_{t=0}^\tau \gamma_{t}$$

$\gamma_0=0$$\text{CAR}_{t>0}=0$

মতলব কীভাবে বাস্তবায়ন করবেন

এই মডেলগুলির একটি সাধারণ সংস্করণের জন্য আপনার কেবল নিয়মিত পুরানো বায়েশিয়ান লিনিয়ার রিগ্রেশন দরকার। আমি মতলব ব্যবহার করি না তবে মনে হচ্ছে এখানে কোনও সংস্করণ রয়েছে । সম্ভবত এটি কেবল সংঘবদ্ধ প্রিয়ারদের সাথে কাজ করে।

আরও জটিল সংস্করণের জন্য, উদাহরণস্বরূপ ধারালো হাইপোথিসিস পরীক্ষার জন্য আপনার সম্ভবত একটি গীবস নমুনা লাগবে। আমি মতলব এর জন্য বাইরের কোনও সমাধান সমাধান সম্পর্কে অবগত নই। আপনি জেএজিএস বা বিইউজিএস এর ইন্টারফেসের জন্য পরীক্ষা করতে পারেন।

Comments

$n\geq 1$

নির্দিষ্ট আইনটির প্রভাব খুঁজে পাওয়া অসম্ভব। যদি এটি নির্দিষ্ট আইনটিতে (বলুন) প্রয়োগ করা আইন হয় তবে আইনটির থেকে শিল্পের প্রবণতা আলাদা করা কঠিন হবে। সম্ভব হলে আমি অবশ্যই 30 টিরও বেশি সংস্থার পরামর্শ দেব। আপনার পূর্ববর্তী এবং উত্তরোত্তর খুব আলাদা কিনা তা দেখতে আপনি সর্বদা পরীক্ষা করতে পারেন। যদি আপনার পূর্ববর্তীটি পূর্বের থেকে খুব বেশি স্থানান্তরিত না হয় তবে এটি সম্ভবত আপনার নমুনার আকার খুব ছোট।

— jayk

আপনি কি আমাকে ইভেন্ট স্টাডির জন্য একটি রেফারেন্স দিতে সক্ষম হয়েছেন যা প্রাক / পোস্ট-ইভেন্টের তারিখের জন্য ডামি ভেরিয়েবল ব্যবহার করে? আমি এখনও পর্যন্ত সাহিত্যে এই পদ্ধতিটি খুঁজে পাইনি। আমি অনেক প্রশংসা করব!

— কনস্টান্টিন

আমি কোনটি দেখিনি, তবে আমি মনে করি পদ্ধতিটি প্রসঙ্গে বিবেচনা করে (আমি যে ক্যাভেটস রেখেছি তা দিয়ে)। বিকল্পটি হ'ল প্রাক-ঘোষণার তারিখগুলিতে আপনার পরামিতিগুলি অনুমান করা এবং তারপরে আমি উল্লিখিত সাহসী নিবন্ধের মতো এগিয়ে যাওয়া রিটার্ন জেনারেটর হিসাবে পশ্চাদপদ ব্যবহার করতে পারি।

— jayk