রেজিস্ট্রার বনামকে সংশোধন হিসাবে গণ্য করার ক্ষেত্রে কন্ডিশনার মধ্যে পার্থক্য কী?

কখনও কখনও আমরা ধরে নিই যে রেজিস্ট্রারগুলি স্থির, অর্থাত্ তারা অ-স্টোকাস্টিক। আমি মনে করি তার অর্থ আমাদের সমস্ত ভবিষ্যদ্বাণীকারী, প্যারামিটারের প্রাক্কলন ইত্যাদি তখন নিঃশর্ত, তাই না? আমি কি এতদূর যেতে পারি যে তারা আর এলোমেলো পরিবর্তনশীল নয়?

অন্যদিকে আমরা যদি স্বীকার করি যে অর্থনীতিতে বেশিরভাগ রেজিস্ট্রাররা বলেছেন স্টোকাস্টিক কারণ কোনও বাহ্যিক শক্তি তাদের কিছু পরীক্ষা-নিরীক্ষার বিষয়টি বিবেচনা করে নির্ধারণ করে নি। ইকোনোমেট্রিশিয়ানরা তারপরে এই স্টোকাস্টিক রেজিস্ট্রারগুলির শর্ত রাখেন।

এগুলি কীভাবে স্থির হিসাবে আচরণ করা থেকে আলাদা?

কন্ডিশনার কী তা আমি বুঝতে পারি। গাণিতিকভাবে, এর অর্থ এই যে আমরা রেজিস্ট্রারগুলির সেই নির্দিষ্ট সংস্থায় সমস্ত পর্যবেক্ষণ এবং অনুমানকে শর্তযুক্ত করি এবং আমাদের রেজিস্ট্রারগুলির পৃথক উপলব্ধি দেখে যদি সূচনা, প্যারামিটারের অনুমান, প্রকরণের হিসাব ইত্যাদি একই রকম হত তবে এটির উচ্চাকাঙ্ক্ষা নেই such সময় সিরিজের ক্রুक्स, যেখানে প্রতিটি সময় সিরিজ কেবল একবার দেখা যায়)।

তবে, স্টোকাস্টিক রেজিস্ট্রারগুলিতে স্থির রেজিস্ট্রার বনাম কন্ডিশনার মধ্যে পার্থক্যটি উপলব্ধি করার জন্য, আমি অবাক হয়ে যাচ্ছি যে এখানে যদি কেউ এমন কোনও অনুমান বা অনুমানের পদ্ধতির উদাহরণ জানেন যা স্থির রেজিস্ট্রারদের বলার জন্য বৈধ তবে তারা স্টোকাস্টিক (এবং হবে) শর্তযুক্ত)।

আমি সেই উদাহরণগুলি দেখার অপেক্ষায় রয়েছি!

— Hirek
সূত্র

আপনি ত্রুটি-ইন-ভেরিয়েবল মডেলগুলির সাথে পরিচিত?

— robin.datadrivers

আরে @ রবিন.ড্যাটাড্রাইভারস না আমি আসলে নই।

— হীরেক

এগুলি মডেলগুলি বিশেষত স্বাধীন ভেরিয়েবলগুলিতে পরিমাপের ত্রুটির জন্য অনুমানগুলি সামঞ্জস্য করতে ডিজাইন করা। স্টোকাস্টিক রেজিস্ট্রারগুলির মতো একেবারে সমান নয়, তবে আপনার একবার দেখার জন্য এটি কার্যকর হতে পারে। এছাড়াও, জরিপ গবেষণা সাধারণত জরিপ দ্বারা সংগৃহীত স্বতন্ত্র ভেরিয়েবলগুলির নমুনা ত্রুটি রয়েছে বলে ধরে নেয় - সেখানে নমুনা ত্রুটির জন্য অ্যাকাউন্ট রয়েছে এমন কিছু মডেল সম্ভবত রয়েছে।

— robin.datadrivers

আমি যে আর একটি ধারণা পেয়েছি তা হ'ল বায়েশিয়ান মডেলগুলি ব্যবহার করা। বায়েশিয়ান মডেলগুলি রেজিস্ট্রারদেরকে পূর্বের বিতরণ উল্লেখ করে এলোমেলো হিসাবে বিবেচনা করতে পারে। সাধারণত যদি এগুলি স্থির হিসাবে বিবেচনা করা হয়, আপনি কেবলমাত্র প্যারামিটারগুলির (সহগুণ, অর্থ, রূপগুলি) জন্য পূর্ব বিতরণ নির্দিষ্ট করে থাকেন, তবে যখন আপনার সহকারী বা ফলাফলগুলি অনুপস্থিত থাকে, আপনি তাদের জন্য পূর্ব বিতরণ নির্দিষ্ট করেন। আমি কীভাবে আরও চিন্তাভাবনা না করে এটি বাস্তবায়ন করব ঠিক জানি না, তবে প্রতিটি স্বতন্ত্র ভেরিয়েবলের জন্য পূর্বের বিতরণ নির্দিষ্ট করার উপায় রয়েছে।

— robin.datadrivers 14

এখানে আমি পাতলা বরফের উপরে আছি তবে আমাকে চেষ্টা করতে দিন: আমার একটি অনুভূতি রয়েছে (দয়া করে মন্তব্য করুন!) যে পরিসংখ্যান এবং একনোমেট্রিক্সের মধ্যে একটি প্রধান পার্থক্য হ'ল পরিসংখ্যানগুলিতে আমরা রেজিস্ট্রারগুলিকে স্থির হিসাবে বিবেচনা করি, তাই পরিভাষা নকশার ম্যাট্রিক্স যা স্পষ্টতই আসে পরীক্ষণ পরিকল্পনায়, যেখানে অনুমান যে আমরা প্রথম নির্বাচন এবং তারপর ফিক্সিং ব্যাখ্যামূলক ভেরিয়েবল।

তবে বেশিরভাগ ডেটা সেটগুলির জন্য, বেশিরভাগ পরিস্থিতিতে এটি একটি খারাপ ফিট। আমরা প্রকৃতপক্ষে ব্যাখ্যামূলক ভেরিয়েবলগুলি পর্যবেক্ষণ করছি এবং সেই অর্থে তারা প্রতিক্রিয়াশীল ভেরিয়েবলগুলির একই স্তরে দাঁড়িয়ে আছে, তারা উভয়ই আমাদের নিয়ন্ত্রণের বাইরে কিছু এলোমেলো প্রক্রিয়া দ্বারা নির্ধারিত হয়। দ্বারা বিবেচনা করা 's হিসেবে "fixed", আমরা সমস্যার যা শক্তি কারণ অনেক বিবেচনা না করার সিদ্ধান্ত নিতে। $x$

অন্যদিকে রেজিস্ট্রারদের স্টোকাস্টিক হিসাবে বিবেচনা করে, যেমন একনোমেট্রিকরা যেমন প্রবণতা পোষণ করে, আমরা মডেলিংয়ের সম্ভাবনাটি উন্মুক্ত করি যা এই জাতীয় সমস্যা বিবেচনা করার চেষ্টা করে। আমরা তখন বিবেচনা করতে এবং মডেলিংয়ের সাথে অন্তর্ভুক্ত হওয়া সমস্যার একটি সংক্ষিপ্ত তালিকা হ'ল:

নিবন্ধকগুলিতে পরিমাপের ত্রুটি
রেজিস্ট্রার এবং ত্রুটির শর্তাবলী মধ্যে পারস্পরিক সম্পর্ক
রেজিস্ট্রার হিসাবে প্রতিক্রিয়া পিছনে
...

সম্ভবত, এটি আরও ঘন ঘন করা উচিত যে এটি আজ করা হয়েছে?

EDIT

আমি আরও আনুষ্ঠানিকভাবে রেজিস্ট্রারদেরকে কন্ডিশনার জন্য একটি যুক্তি প্রকাশ করার চেষ্টা করব। যাক একটি র্যান্ডম ভেক্টর হও, এবং সুদ রিগ্রেশন হয় উপর , যেখানে রিগ্রেশন এর শর্তাধীন প্রত্যাশা মানে নেওয়া হয় উপর । বহুবিধ অনুমানের অধীনে যা একটি লিনিয়ার ফাংশন হবে তবে আমাদের যুক্তিগুলি এর উপর নির্ভর করে না। আমরা সাধারণভাবে মতো যৌথ ঘনত্বকে ফ্যাক্টরিং দিয়ে শুরু করি তবে সেই ফাংশনগুলি জানা যায় না তাই আমরা একটি পরামিতি মডেল যেখানে শর্তসাপেক্ষ বিতরণকে পরামিতি করে এবং $(Y,X)$ $Y$ $X$ $Y$ $X$

চ (Y, এক্স) = চ (Y | এক্স) চ (এক্স)

$f(y,x) = f(y\mid x) f(x)$

চ (Y, এক্স; θ, ψ) = চ_{θ} (Y | এক্স) চ_{ψ} (এক্স)

$f(y,x; \theta, \psi)=f_\theta(y \mid x) f_\psi(x)$

θ

$\theta$

ψ

$\psi$ এর প্রান্তিক বিতরণ । সাধারণ রৈখিক মডেলটিতে আমাদের কাছে তবে এটি ধরে নেওয়া হয় না। এর পূর্ণ পরামিতি স্পেসটি হ'ল কারেটিশিয়ান পণ্য এবং দুটি পরামিতির কোনও মিল নেই।

X

$X$

θ = (β, σ^{2})

$\theta=(\beta, \sigma^2)$

(θ, ψ)

$(\theta,\psi)$

Θ \times Ψ

$\Theta \times \Psi$

এটি পরিসংখ্যানমূলক পরীক্ষার (বা ডেটা উত্পন্নকরণের প্রক্রিয়া, ডিজিপি) একটি অনুষঙ্গ হিসাবে ব্যাখ্যা করা যেতে পারে, প্রথম অনুযায়ী তৈরি করা হয় এবং দ্বিতীয় পদক্ষেপ হিসাবে শর্তসাপেক্ষ ঘনত্ব অনুযায়ী উত্পন্ন হয় । মনে রাখবেন যে প্রথম পদক্ষেপটি সম্পর্কে কোনও জ্ঞান ব্যবহার করে না , যা কেবলমাত্র দ্বিতীয় ধাপে প্রবেশ করে। স্ট্যাটিস্টিক ta জন্য সহায়ক , https://en.wikedia.org/wiki/Ancillary_statistic দেখুন । $X$ $f_\psi(x)$ $Y$ $f_\theta(y \mid X=x)$ $\theta$ $X$ $\theta$

তবে, প্রথম পদক্ষেপের ফলাফলের উপর নির্ভর করে, দ্বিতীয় পদক্ষেপটি কম-বেশি সম্পর্কে তথ্যপূর্ণ হতে পারে । বন্টন কর্তৃক প্রদত্ত তাহলে খুব কম ভ্যারিয়েন্স আছে, বলুন, পর্যবেক্ষণ করা হয়েছে এর একটি ছোট অঞ্চলের, ঘনীভূত করা হবে যাতে এটি অনুমান করার জন্য আরো কঠিন হবে । সুতরাং, এই দ্বি-পদক্ষেপের পরীক্ষার প্রথম অংশটি নির্ভুলতা নির্ধারণ করে যা দিয়ে অনুমান করা যায়। অতএব রিগ্রেশন পরামিতিগুলি সম্পর্কে অনুমান করে এ শর্ত হওয়া স্বাভাবিক । এটিই শর্তযুক্ত যুক্তি এবং উপরের রূপরেখাটি তার অনুমানগুলি পরিষ্কার করে দেয়। $\theta$ $f_\psi(x)$ $x$ $\theta$ $\theta$ $X=x$

নকশা করা পরীক্ষাগুলিতে এর অনুমানটি বেশিরভাগ পর্যবেক্ষণমূলক ডেটা না দিয়ে ধারণ করবে। সমস্যার কয়েকটি উদাহরণ হ'ল: ভবিষ্যদ্বাণীকারী হিসাবে পিছিয়ে থাকা প্রতিক্রিয়াগুলির সাথে রিগ্রেশন। এক্ষেত্রে ভবিষ্যদ্বাণীকারীদের উপর শর্ত জবাব দেওয়ার শর্তও রাখবে! (আমি আরও উদাহরণ যুক্ত করব)।

একটি সমস্যা যা এই সমস্যাগুলিকে অনেক বিশদে আলোচনা করে তা হ'ল তথ্য এবং ঘাতক পরিবারগুলি: ও। ই বারডরফ-নীলসেনের পরিসংখ্যানতত্ত্বে । বিশেষত অধ্যায় ৪ দেখুন। লেখক বলেছেন যে এই পরিস্থিতিতে বিচ্ছিন্নতার যুক্তি খুব কমই ব্যাখ্যা করা হলেও নিম্নলিখিত রেফারেন্স দেয়: আরএ ফিশার (১৯৫6) পরিসংখ্যান পদ্ধতি এবং বৈজ্ঞানিক অনুক্রম এবং সার্ভারড্রপ (১৯6666) সিদ্ধান্ত তত্ত্বের বর্তমান অবস্থা এবং নেইমন-পিয়ারসন তত্ত্ব । $\S 4.3$

— কেজেটিল বি হালওয়ারসেন en
সূত্র