একটি বীমা পরিবেশে দাবি গণনা ডেটা মডেলিংয়ে, আমি পয়সন দিয়ে শুরু করেছিলাম তবে তারপরে ওভারডিস্পেরেশন লক্ষ্য করেছি। একটি কোয়াসি-পোইসন বেসিক পয়েসনের চেয়ে বৃহত্তর গড়-বৈচিত্র্য সম্পর্কের মডেলিং করেছিল, কিন্তু আমি লক্ষ্য করেছি যে সহগগুলি পয়সন এবং কোয়াসি-পোইসন উভয় মডেলগুলিতেই অভিন্ন ছিল।
যদি এটি ত্রুটি না হয় তবে কেন এমন হচ্ছে? কুইস-পায়সনকে পয়েসন ব্যবহার করে কী লাভ?
বিষয়গুলি নোট করুন:
- অন্তর্নিহিত লোকসানগুলি অতিরিক্ত ভিত্তিতে হয়, যা (আমি বিশ্বাস করি) টুইটেটিকে কাজ করা থেকে বিরত রেখেছিল - তবে এটিই আমি চেষ্টা করেছি প্রথম বিতরণ। আমি এনবি, জিপ, জেডআইএনবি এবং বাধা মডেলগুলিও পরীক্ষা করে দেখেছি, তবে এখনও খুঁজে পেয়েছি কোয়াসি-পোইসন সেরা ফিট সরবরাহ করেছে।
- আমি এইআর প্যাকেজে ছড়িয়ে ছিটিয়ে যাওয়ার মাধ্যমে ওভারডিস্পেরিশনের জন্য পরীক্ষা করেছি। আমার বিচ্ছুরণের প্যারামিটারটি 8 was ছিল, 10 ^ -16 প্রস্থের পি-মান সহ।
- আমি ফ্যামিলি = পোইসন বা কাসিপোইসন এবং কোডের জন্য একটি লগ লিঙ্ক ব্যবহার করছি m
- পোইসন কোড চালানোর সময়, আমি "ইন ডিপোইস (y, মিউ, লগ = সত্য): অ-পূর্ণসংখ্যার x = ..." এর সতর্কতা নিয়ে এসেছি।
বেনের নির্দেশনা অনুযায়ী সহায়ক এস থ্রেডস:
একটি টুইডি বিতরণ একটি ভাল ধারণা হবে না?
—
duffymo
যেতে-যেতে টুইডির চেষ্টা করা হয়েছে কিন্তু আমাদের ক্ষতির ডেটা গ্রাউন্ড-আপ নয়, বরং অতিরিক্ত ভিত্তিতে। Countণাত্মক দ্বিপদী, জিপ এবং বাধা মডেলগুলিও গণনা ছড়িয়ে দেওয়ার বিষয়টি চেষ্টা করে দেখুন।
—
ফ্রাঙ্ক এইচ।
আপনার ডেটাতে অ-পূর্ণসংখ্যা মানগুলি কোথা থেকে এসেছে সে সম্পর্কে আপনি আরও কিছুটা ব্যাখ্যা করতে পারেন ??
—
বেন বলকার
আপনার অনুপাত / হারগুলি এর অনুপাতের গণনা করে মডেল করা উচিত নয়
—
বেন বলকার
counts/exposure । বরং, offset(log(exposure))আপনার মডেলগুলিতে আপনার অফসেট ( ) পদ যুক্ত করা উচিত ।
এটি ব্যবহারিক, যদিও পইসন (কোয়েসি-পইসন নয়) মডেলিং করার সময় সর্বাধিক গুরুত্বপূর্ণ। আমি একটি ভাল রেফারেন্স অফহ্যান্ড জানি না; যদি আপনি এখানে ক্রসভিলেটেডে কোনও প্রাসঙ্গিক উত্তর খুঁজে না পান তবে এটি একটি সূক্ষ্ম ফলো-আপ প্রশ্ন করে।
—
বেন বলকার