"ভবিষ্যদ্বাণী" এবং "অনুমান" সত্যই মাঝে মাঝে অ প্রযুক্তিগত রচনায় আন্তঃ পরিবর্তিতভাবে ব্যবহৃত হয় এবং এগুলি একইভাবে কাজ করে বলে মনে হয় তবে একটি পরিসংখ্যানগত সমস্যার স্ট্যান্ডার্ড মডেলের মধ্যে তাদের মধ্যে একটি তাত্পর্যপূর্ণ পার্থক্য রয়েছে। একটি অনুমানকারী একটি প্যারামিটার ধরে অনুমান করতে ডেটা ব্যবহার করে যখন কোনও ভবিষ্যদ্বাণী ডেটাসেটের অংশ না এমন কিছু এলোমেলো মান অনুমান করার জন্য ডেটা ব্যবহার করে। যারা পরিসংখ্যানে "প্যারামিটার" এবং "এলোমেলো মান" বলতে কী বোঝেন তার সাথে অপরিচিত, তাদের জন্য নিম্নলিখিতটি বিশদ ব্যাখ্যা প্রদান করে।
এই স্ট্যান্ডার্ড মডেলে, ডেটাগুলি একটি এলোমেলো পরিবর্তনশীল একটি (সম্ভবত মাল্টিভারিয়েট) পর্যবেক্ষণ গণ্য করা হয় যার বিতরণ কেবল সম্ভাব্য বিতরণের একটি নির্দিষ্ট সেট, "" প্রকৃতির রাজ্যগুলির "মধ্যে থাকা বলেই পরিচিত। একটি মূল্নির্ধারক একটি গাণিতিক পদ্ধতি যে প্রতিটি সম্ভাব্য মান নির্ধারণ কিছু সম্পত্তি প্রকৃতির একটি রাষ্ট্র যেমন তার গড় হিসাবে, । সুতরাং প্রকৃতির প্রকৃত অবস্থা সম্পর্কে একটি অনুমান একটি অনুমান। সাথে তুলনা করে আমরা কতটা প্রাক্কলন অনুমান করতে পারি তা বলতে পারি । এক্স টি x টি ( এক্স ) θ μ ( θ ) টি ( এক্স ) μ ( θ )এক্সএক্স টিএক্সটি ( এক্স )θμ ( θ )t(x)μ(θ)
একজন ভবিষ্যদ্বাণীকারী অন্য এলোমেলো ভেরিয়েবল স্বতন্ত্র পর্যবেক্ষণকে যার বিতরণ প্রকৃতির প্রকৃত অবস্থার সাথে সম্পর্কিত। একটি পূর্বাভাস হ'ল অন্য এলোমেলো মান সম্পর্কে অনুমান। আমরা কেবলমাত্র দ্বারা উপলব্ধ মানের সাথে তুলনা করে একটি নির্দিষ্ট পূর্বাভাস কতটা ভাল তা বলতে পারি । আমরা আশা করি গড় চুক্তিটি ভাল হবে (সমস্ত সম্ভাব্য ফলাফলের গড় গড় অর্থে) এবং একসাথে সমস্ত সম্ভাব্য মানগুলির তুলনায় )।Z p ( x ) Z x Zp(x)Zp(x)Zx Z
সাধারণ ন্যূনতম স্কোয়ারগুলি আদর্শ উদাহরণ দেয়। ডেটাতে জোড়া স্বতন্ত্র ভেরিয়েবলের এর মানগুলিতে নির্ভরশীল ভেরিয়েবলের সংযুক্ত মানগুলি সমন্বিত । প্রকৃতির রাজ্যটি তিনটি পরামিতি দ্বারা চিহ্নিত করা হয়েছে , এবং : এটি বলে যে প্রতিটি গড় এবং স্ট্যান্ডার্ড বিচ্যুতি সহ একটি সাধারণ বিতরণ থেকে একটি স্বাধীন মতো । , এবং প্যারামিটার (সংখ্যা) হ'ল বিশ্বাস করা হয় যে এটি স্থির এবং উদ্বেগজনক। আগ্রহ ফোকাসY আমি এক্স আমি α β σ Y আমি α + + β এক্স আমি σ α β σ α β ( α , β ) α α β β α β(xi,yi)yixiαβσyiα+βxiσαβσα (ইন্টারসেপ্ট) এবং (opeাল)। pha লিখিত ওএলএস অনুমানটি সেই অর্থে ভাল যে is এবং close এর কাছাকাছি থাকে পাসে , কোন ব্যাপার কি সত্য (কিন্তু অজানা) মান এবং হতে পারে ।β(α^,β^)α^αβ^βαβ
ওএলএস পূর্বাভাসে স্বতন্ত্র ভেরিয়েবলের কিছু মান এর সাথে যুক্ত নির্ভরশীল ভেরিয়েবলের একটি নতুন মান পর্যবেক্ষণ করে । ডেটাসেটের মধ্যে হতে পারে বা নাও থাকতে পারে ; এটি অনিবার্য। স্বজ্ঞাতভাবে একটি ভাল ভবিষ্যদ্বাণী হ'ল এই নতুন মানটি সম্ভবত । আরও ভাল ভবিষ্যদ্বাণীগুলি জানায় যে নতুন মানটি কতটা নিকটে হতে পারে (তাদেরকে পূর্বাভাস অন্তর বলা হয় )। তারা যে হিসাব এবং অনিশ্চিত (কারণ সেগুলি অনির্দিষ্ট মান উপর গাণিতিকভাবে নির্ভরএক্স এক্স এক্স আমি α + + β এক্স α β ( Y আমি ) σ ওয়াই ( X ) σ α + + β এক্সZ=Y(x)xxxiα^+β^xα^β^(yi) ), নির্দিষ্ট হিসাবে পরিচিত নয় (এবং তাই এটি অনুমান করতে হবে), পাশাপাশি ধরে নেওয়া হয় যে এর একটি সাধারণ বিতরণ রয়েছে standard এবং গড় ( কোন টুপি অনুপস্থিতি নোট করুন!)।σY(x)σα+βx
বিশেষত নোট করুন যে এই ভবিষ্যদ্বাণীটি অনিশ্চয়তার দুটি পৃথক উত্স রয়েছে: ডেটাতে অনিশ্চয়তা আনুমানিক , আটকানো, এবং অবশিষ্ট মানক বিচ্যুতির ( ) অনিশ্চয়তার দিকে নিয়ে যায় ; তদ্ব্যতীত, এর ঠিক কোন মানটি আসবে তা নিয়েও অনিশ্চয়তা রয়েছে। এই অতিরিক্ত অনিশ্চয়তা - কারণ এলোমেলো - পূর্বাভাসকে বৈশিষ্ট্যযুক্ত করে। একটি পূর্বানুমান পারে চেহারা একটি অনুমান মত (সব পরে, অনুমান :-) এমনকি খুব একই গাণিতিক সূত্র (থাকতে পারে কখনও কখনওσ ওয়াই ( X ) ওয়াই ( X ) α(xi,yi)σY(x)Y(x)α + + β এক্স পি ( এক্স ) টি ( X )α^+β^x α+βxp(x)t(x)), তবে এটি অনুমানের চেয়ে আরও বেশি পরিমাণে অনিশ্চয়তার সাথে আসবে।
এখানে, তবে ওএলএসের উদাহরণে আমরা স্পষ্টভাবে পার্থক্যটি দেখতে পাচ্ছি: প্যারামিটারগুলিতে একটি প্রাক্কলন অনুমান করা হয় (যা স্থির তবে অজানা সংখ্যা), যখন একটি পূর্বাভাসটি এলোমেলো পরিমাণের মান নিয়ে অনুমান করে। সম্ভাব্য বিভ্রান্তির উত্স হ'ল ভবিষ্যদ্বাণীটি সাধারণত আনুমানিক পরামিতিগুলিতে তৈরি হয় এবং অনুমানক হিসাবে একই সূত্রও থাকতে পারে।
অনুশীলনে, আপনি অনুমানকারীদের কাছ থেকে দুটি উপায়ে অনুমানকারীদের আলাদা করতে পারেন:
উদ্দেশ্য : একজন অনুমানকারী প্রকৃতির প্রকৃত অবস্থার একটি সম্পত্তি জানার চেষ্টা করে, যখন একটি পূর্বাভাস একটি এলোমেলো পরিবর্তনশীলটির ফলাফল অনুমান করার চেষ্টা করে; এবং
অনিশ্চয়তা : এলোমেলো ভেরিয়েবলের ফলাফলের সাথে যুক্ত অনিশ্চয়তার কারণে একজন ভবিষ্যদ্বাণীকের সাধারণত সম্পর্কিত অনুমানকারীের চেয়ে বড় অনিশ্চয়তা থাকে। ভাল-ডকুমেন্টেড এবং বর্ণিত পূর্বাভাসকরা সাধারণত অনিশ্চয়তা ব্যান্ডগুলি নিয়ে আসেন - পূর্বাভাস অন্তর - যা অনুমানের অনিশ্চয়তা ব্যান্ডগুলির চেয়ে বিস্তৃত, আত্মবিশ্বাসের অন্তর হিসাবে পরিচিত। পূর্বাভাস অন্তরগুলির একটি বৈশিষ্ট্যগত বৈশিষ্ট্য হ'ল ডেটাসেটটি বাড়ার সাথে সাথে তারা (অনুমানের) সঙ্কুচিত হতে পারে তবে এগুলি শূন্য প্রস্থে সঙ্কুচিত হবে না - এলোমেলো ফলাফলের অনিশ্চয়তা "অদম্য" - যেখানে আত্মবিশ্বাসের বিরতিগুলির প্রস্থগুলি প্রবণতা রাখবে শূন্যের দিকে সঙ্কুচিত হোন, আমাদের অন্তর্নিবেশের সাথে মিল রেখে অনুমানের নির্ভুলতা পর্যাপ্ত পরিমাণে ডেটা সহ নির্বিচারে ভাল হয়ে উঠতে পারে।
সম্ভাব্য বিনিয়োগ ক্ষতির মূল্যায়ন করার জন্য এটি প্রয়োগ করার জন্য, প্রথমে উদ্দেশ্যটি বিবেচনা করুন: আপনি কি নির্দিষ্ট সময়কালে এই বিনিয়োগের (বা বিনিয়োগের এই বিশেষ ঝুড়ি) উপর আসলে কী পরিমাণ হারাতে পারেন তা জানতে চান বা আপনি কী সত্যিই অনুমান করছেন? প্রত্যাশিত ক্ষতি (বিনিয়োগের বৃহত বিশ্বজুড়ে, সম্ভবত)? পূর্ববর্তীটি একটি পূর্বাভাস, পরে একটি অনুমান। তারপরে অনিশ্চয়তা বিবেচনা করুন। যদি আপনার কাছে ডেটা সংগ্রহ করার এবং বিশ্লেষণ করার জন্য প্রায় অসীম সংস্থান থাকে তবে আপনার উত্তর কীভাবে পরিবর্তিত হবে? যদি এটি খুব সুনির্দিষ্ট হয়ে যায়, আপনি সম্ভবত বিনিয়োগের উপর প্রত্যাশিত রিটার্নটি অনুমান করছেন, আপনি যদি উত্তর সম্পর্কে অত্যন্ত অনিশ্চিত থাকেন তবে আপনি ভবিষ্যদ্বাণী করছেন।
সুতরাং, আপনি যদি নিশ্চিত হন না যে আপনি কোন প্রাণীটির সাথে লেনদেন করছেন, আপনার অনুমানকারী / ভবিষ্যদ্বাণীকের কাছে এটি জিজ্ঞাসা করুন: এটি সম্ভবত কতটা ভুল এবং কেন? (1) এবং (2) উভয় মানদণ্ডের মাধ্যমে আপনি জানতে পারবেন যে আপনার কী আছে।