গণনা তথ্যের বৈকল্পিকের প্যারামেট্রিক মডেলিং


12

আমি কিছু ডেটা মডেল করতে চাইছি তবে আমি কী ধরণের মডেল ব্যবহার করতে পারি তা নিশ্চিত নই। আমার কাছে ডেটা গণনা রয়েছে এবং আমি এমন একটি মডেল চাই যা ডেটা এবং তারতম্য উভয়ের প্যারামেট্রিক অনুমান দেয়। এটি হ'ল, আমার কাছে বিভিন্ন ভবিষ্যদ্বাণীপূর্ণ কারণ রয়েছে এবং আমি নির্ধারণ করতে চাই যে তাদের মধ্যে কোনওরূপে প্রভাব রয়েছে কিনা (কেবলমাত্র গ্রুপের অর্থ নয়)।

আমি জানি যে পোইসন রিগ্রেশন কাজ করবে না কারণ বৈকল্পিক গড়ের সমান; এই অনুমানটি আমার ক্ষেত্রে বৈধ নয়, সুতরাং আমি জানি যে ওভারডিস্পেরিয়ন রয়েছে। তবে, নেতিবাচক দ্বিপদী মডেল কেবলমাত্র একটি মাত্র ওভারডিস্পেরিয়ান প্যারামিটার উত্পন্ন করে, মডেলটিতে ভবিষ্যদ্বাণীকারীদের কাজ নয়। কোন মডেল এটি করতে পারে?

অতিরিক্তভাবে, এমন কোনও বই বা কাগজের একটি উল্লেখ যা মডেল এবং / অথবা মডেলকে প্রয়োগ করে এমন একটি আর প্যাকেজ আলোচনা করে appreciated


1
আপনি কীভাবে জানবেন যে পয়েসন রিগ্রেশন না করেই ওভারডিস্পেরেশন হয়? সর্বোপরি, কাঁচা (প্রতিক্রিয়া) মানগুলির ভিন্নতার সাথে তাদের গড়ের তুলনা করা প্রাসঙ্গিক নয়: পয়সন মডেলের উপযুক্ততার সদ্ব্যবহারটি কী গুরুত্বপূর্ণ (এটি মূল্যায়নের তুলনায় লিনিয়ার মডেলে অবশিষ্টাংশের বিতরণকে মূল্যায়ন করার এনালগ) প্রতিক্রিয়া পরিবর্তনশীল বিতরণ)। এটি রাখার আরেকটি উপায় হ'ল স্বাধীন ভেরিয়েবল এবং প্রতিক্রিয়ার মধ্যবর্তী লিঙ্কটি একটি সুন্দর নির্ভুল পোইসন মডেলের এমনকি অতিমাত্রায় উপস্থিতি তৈরি করতে পারে।
হুশিয়ার

2
@ হুইবার এটি একটি ন্যায্য বিষয়। একক শ্রেণিবদ্ধ ভবিষ্যদ্বাণীকারীর জন্য উপ-গোষ্ঠীর বিভিন্নতা এবং তারতম্যের দিকে তাকানো অতিরিক্ত পরিমাণে সনাক্তকরণের পক্ষে যথেষ্ট হবে, তবে একটি বহুবিধ পোয়েসন রিগ্রেশন এটির জন্য নয়। তর্কের খাতিরে, ধরে নেওয়া যাক উভয় একটি পোইসন এবং নেতিবাচক দ্বিখণ্ডিত রিগ্রেশন হয়েছে এবং নেতিবাচক দ্বিপদী আনোভা মডেল তুলনার মাধ্যমে আরও ভাল ফিট করে। এটি overisversion ইঙ্গিত করা উচিত। এটি প্রদত্ত, কীভাবে বৈকল্পিক / অতিরিক্ত পরিমাণে ধ্রুবক হিসাবে পরিবর্তিতভাবে প্যারামেট্রিকভাবে মডেল করা যায়?
ব্রায়ান ডিগস

1
আমি মনে করি ম্যাককুলাঘ এবং নেল্ডার, জেনারালাইজড রৈখিক মডেলগুলির ২ য় সংস্করণে একটি অধ্যায় রয়েছে যা এটি (তবে আমার অনুলিপিটি কার্যতঃ) জুড়েছে ... আসল সম্ভাবনা থাকবে না, তবে আপনি আধা-সম্ভাবনা ব্যবহার করতে পারেন এবং তাই অধ্যায়ের শিরোনাম হতে পারে। এর সাথে কোনও সম্ভাব্যতা মডেল না থাকা সত্ত্বেও আপনি পুনরাবৃত্তির সাথে সর্বনিম্ন স্কোয়ারগুলি প্রয়োগ করুন।
কার্ল

ম্যাককুল্লাগ এবং নেলদারের দশম অধ্যায়ে মিইন এবং ডিসপার্সনের যৌথ মডেলিং সম্পর্কে আলোচনা করা হয়েছে, অর্থ গড় এবং প্রকরণ উভয়ই প্যারামিটারাইজিং করা। বর্ধিত পরিমাণের সম্ভাবনা মূল হাতিয়ার তবে কিছু পরিস্থিতিতে সেই পদ্ধতিটি নিয়ে উদ্বেগ
অতিথি

উত্তর:


9

আপনি আর এ গ্যাম্লাস প্যাকেজ ব্যবহার করে ভেরিয়েবল এবং পরামিতিগুলির ফাংশন হিসাবে নেতিবাচক দ্বিপদী বিচ্ছুরণ পরামিতি নিজেই মডেল করতে পারেন I আমি এটির একটি ভূমিকা থেকে একটি অংশ সরবরাহ করছি:

আমি কেন GAMLSS ব্যবহার করব

যদি আপনার প্রতিক্রিয়া ভেরিয়েবলটি গণনা (বিচ্ছিন্ন) ডেটা হয় তবে খুব সম্ভবত পোয়েসন বিতরণ ভালভাবে মাপসই হবে না। গ্যামএলএসএস বিভিন্ন ধরণের বিচ্ছিন্ন বিতরণ সরবরাহ করে (negativeণাত্মক দ্বিপদী সহ) যা আপনি চেষ্টা করতে পারেন। বিচ্ছুরণ প্যারামিটারকে ব্যাখ্যামূলক ভেরিয়েবলগুলির ফাংশন হিসাবেও মডেল করা যায়।

Www.gamlss.org ওয়েবসাইটে প্যাকেজে ব্যবহৃত পদ্ধতির বিষয়ে বিভিন্ন কাগজপত্রের ডকুমেন্টেশন এবং লিঙ্ক রয়েছে।


উভয় উত্তর সহায়ক এবং ভাল রেফারেন্স সরবরাহ করে। আমি এটিকে অনুদান প্রদান করছি কারণ (ক) এটি অন্যটির চার মিনিট আগে এবং (খ) গামলস সমাধানটি আমার কাছে নতুন (আমি এনবিরেগের সাথে পরিচিত)। তবে একটি ভাল জবাব দেওয়ার জন্য টুপি @ atmbp- এ ছাড়ছে; আমি আশা করি আপনি আমাদের সাইটে অবদান রাখবেন।
শুক্র

2
@ হুবুহু, আমিও "ছেলের উত্তর" হিসাবে গ্রহণ করতে পেরেছিলাম, কারণ উভয়ই খুব সহায়ক ছিল very আমি এটির সাথে গেলাম কারণ এতে একটি আর প্যাকেজ রেফারেন্স অন্তর্ভুক্ত ছিল যা আমি ব্যবহার করতে পারি; অন্য উত্তরে বইয়ের রেফারেন্সটি ভাল পড়েছে এবং ছাড় দেওয়া উচিত নয়। এই দুটি উত্তরের জবাব দেওয়ার জন্য অনুদান দেওয়ার জন্য আপনাকে ধন্যবাদ।
ব্রায়ান ডিগস

9

স্টাটা -gnbreg- কমান্ড সরবরাহ করে, যা আপনাকে ছড়িয়ে দেওয়ার পরামিতি মডেল করতে দেয়। আপনি http://www.stata.com/help.cgi?nbreg এ কমান্ডের জন্য স্টাটা সহায়তা দেখতে পারেন

স্টাটা এটিকে সাধারণীকৃত নেতিবাচক দ্বিপদী মডেল বলে। জোসেফ হিলবে তাঁর "নেগেটিভ বাইনোমিয়াল রিগ্রেশন" বইয়ের 10.4 অনুচ্ছেদে "এনবি-এইচ: ভিন্ন ভিন্ন নেতিবাচক দ্বিপদী রিগ্রেশন" হিসাবে এটি নিয়ে আলোচনা করেছেন।

আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.