সামগ্রিকভাবে পি-মান এবং জোড়াওয়ালা পি-মানগুলি?

আমি একটি সাধারণ রৈখিক মডেল লাগানো আছে যার লগ সম্ভাবনা নেই ।

Y = β_{0} + + β_{1} {এক্স}_{1} + + β_{2} {এক্স}_{2} + + β_{3} {এক্স}_{3},

$y=\beta_0+\beta_1x_1+\beta_2x_2+\beta_3x_3,$

L_{u}

$L_u$

এখন আমি পরীক্ষা করতে ইচ্ছুক যদি সহগুণগুলি একই হয়।

প্রথম, সামগ্রিক পরীক্ষা: হ্রাস করা মডেল এর লগ হওয়ার সম্ভাবনা হ'ল । সম্ভাবনা অনুপাত পরীক্ষার মাধ্যমে, পুরো মডেলটি সাথে হ্রাস হওয়া তুলনায় উল্লেখযোগ্যভাবে ভাল । $y=\beta_0+\beta_1\cdot(x_1+x_2+x_3)$ $L_r$ $p=0.02$
পরবর্তী, ? হ্রাস করা মডেলটি হ'ল । ফলে, হয় থেকে ভিন্ন নয় সঙ্গে । $\beta_1=\beta_2$ $y=\beta_0+\beta_1\cdot(x_1+x_2)+\beta_2x_3$ $\beta_1$ $\beta_2$ $p=0.15$
একইভাবে, ? তারা সাথে পৃথক । $\beta_1=\beta_3$ $p=0.007$
অবশেষে, ? তারা সাথে আলাদা নয়। $\beta_2=\beta_3$ $p=0.12$

এটি পুরোপুরি আমাকে বিভ্রান্তিকর কারণ আমি সামগ্রিক করবে, চেয়ে ছোট হতে , যেহেতু স্পষ্টত তুলনায় অনেক কঠোর নির্ণায়ক হয় (যিনি উত্পন্ন )। $p$ $0.007$ $\beta_1=\beta_2=\beta_3$ $\beta_1=\beta_3$ $p=0.007$

এটি, যেহেতু আমি ইতিমধ্যে " আত্মবিশ্বাসী" যে ধারণ করে না, তাই আমার "আরও আত্মবিশ্বাসী" হওয়া উচিত $0.007$ $\beta_1=\beta_3$ না রাখা। সুতরাং আমার নিচে যেতে হবে। $\beta_1=\beta_2=\beta_3$ $p$

আমি কি তাদের ভুল পরীক্ষা করছি? নইলে উপরের যুক্তিতে আমি কোথায় ভুল করছি?

hypothesis-testing

— সিবস জুয়া
সূত্র

আমি ধরে নিই যে এক্স 1, এক্স 2 এবং এক্স 3 হ'ল ডামি কোডড, একই ধরণের বিভিন্ন উপাদান are তারপরে, আমি মনে করি, প্রতিটি স্তরে স্বতন্ত্র প্রতিরূপের (= পরীক্ষামূলক ইউনিট) বিচ্ছিন্ন সংখ্যক থেকে এই জাতীয় আশ্চর্যজনক ফলাফল উত্পন্ন হতে পারে।

— রোডল্ফ

অনুগ্রহের অনুগ্রহকাল শেষ হয়ে আসছে, সমালোচনা করতে দ্বিধা করবেন না বা প্রয়োজনে বিশদতার জন্য জিজ্ঞাসা করুন।

— ব্রুমার

এটি, যেহেতু আমি ইতিমধ্যে "0.007 আত্মবিশ্বাসী" যে ধারণ করে না, তাই আমার "আরও আত্মবিশ্বাসী" হওয়া উচিত যে $\beta_1=\beta_3$ না রাখা। সুতরাং আমার পি নিচে যেতে হবে $\beta_1=\beta_2=\beta_3$

সংক্ষিপ্ত উত্তর: আপনার সম্ভাবনা হ্রাস করা উচিত। তবে এখানে, পি-মানগুলি সম্ভাবনাটি পরিমাপ করে না, তবে কিছু সীমাবদ্ধতার প্রকাশ সম্ভাবনার উপর উল্লেখযোগ্য উন্নতি সরবরাহ করে কিনা। কেন এটা অগত্যা না সহজ প্রত্যাখ্যান করার যে চেয়ে প্রত্যাখ্যান করার $\beta_1=\beta_2=\beta_3$ কারণ আপনি 2 ডিগ্রি স্বাধীনতা পৌঁছাতে পেরে প্রমাণ করার জন্য সবচেয়ে সীমাবদ্ধ মডেলটিতে আরও অনেক ভাল সম্ভাবনার উন্নতি দেখাতে হবে পুরো মডেলটি "মূল্যবান" ছিল। $\beta_1=\beta_3$

সম্প্রসারণ: আসুন সম্ভাবনার উন্নতির একটি গ্রাফ আঁকুন। সম্ভাবনা গ্রাফ
বৈপরীত্য এড়ানোর একমাত্র সীমাবদ্ধতা হ'ল পরোক্ষ পথ থেকে সম্ভাবনার উন্নতির যোগফলের সাথে সম্ভাবনা উন্নতি সমান হতে হবে। এইভাবেই আমি পরোক্ষ পথের প্রথম ধাপ থেকে পি-মানটি পেয়েছি: সম্ভাবনা উন্নতি দ্বারা, আমি লগ সম্ভাবনা অনুপাত দ্বারা প্রতিনিধিত্ব মানেচি-ছক, যে কেন তারা গ্রাফে সংকলিত হয়। এই স্কিমা দিয়ে, কেউ আপাত দ্বন্দ্বকে এড়িয়ে যেতে পারে কারণ সরাসরি পথের সম্ভাবনার উন্নতি কেবলমাত্র এক ডিগ্রি মুক্তি থেকে আসে (

\frac{{এল}_{3}}{{এল}_{1}} = \frac{{এল}_{3}}{{এল}_{2}} \times \frac{{এল}_{2}}{{এল}_{1}}

$\frac{L_3}{L_1}=\frac{L_3}{L_2}\times\frac{L_2}{L_1}$

Δ

$\Delta$

)। আমি এই দুটি পদ্ধতিতে অবদান রাখতে পারে এমন দুটি কারণের পরামর্শ দেব।

β_{1} = β_{3}

$\beta_1=\beta_3$

পূর্ণ মডেল বৃহৎ আস্থা ব্যবধান রয়েছে $\beta_2$
পরিমাণ প্রায় এবং $\beta_2$ $\beta_3$ পূর্ণ মডেল $\beta_1$

এমন অবস্থায়, সেখান থেকে স্বাধীনতার এক ডিগ্রি ছেড়ে দেওয়ার মাধ্যমে আপনি একটি বড় সম্ভাবনা উন্নতি নয় থেকে মডেল $\beta_3=\beta_1=\beta_2$ $\beta_3=\beta_1$ $\beta_2$

$\frac{\beta_3+\beta_1}{2}=\beta_2$ একটি ভাল ফিট সরবরাহ করতে পারে।

— brumar
সূত্র