প্রভাব আকার কি ... এবং কেন এটি দরকারী?


18

আমার পরিচিতি-স্নাতক-স্তরের পরিসংখ্যানের পটভূমি রয়েছে (ধরে নিই যে আমি স্নাতক স্তরের গাণিতিক পরিসংখ্যান এবং সম্ভাবনা জানি (যেমন, ওয়েকারলি এট আল। রসের সম্ভাবনা), এবং পরিমাপ তত্ত্বের কিছু জ্ঞান আছে)।

আমি সম্প্রতি শিক্ষার পরিসংখ্যানগুলিতে পরীক্ষামূলক নকশা এবং পরিসংখ্যান রিপোর্টিংয়ের কাজ শুরু করেছি এবং এমন একটি প্রকল্পে স্থাপন করা হয়েছে যেখানে আমি প্রাথমিকভাবে বিদ্যালয়ের জন্য জবাবদিহিতা মেট্রিকগুলি মূল্যায়ন করি এবং ডেটা বিশ্লেষণ করতে, পরিবর্তনগুলি প্রস্তাবনা করা ইত্যাদি Note দ্রষ্টব্য যে আমিই একমাত্র গাণিতিক পরিসংখ্যান ব্যাকগ্রাউন্ড সহ আমার বিভাগে একটি।

আমার অবস্থানে, লোকেরা প্রোগ্রামগুলির কার্যকারিতা পরিমাপ করতে দৃ size়তার সাথে প্রভাব আকার ব্যবহার করার পরামর্শ দিয়েছে। আমি কখনও প্রভাবের আকারের কথা শুনেছি আমার বন্ধু, যিনি মনোবিজ্ঞান অধ্যয়ন করেছেন from আমার ধারণাটি হ'ল

Effect Size=Difference of MeansStandard Deviation.

Metতিহ্যবাহী হাইপোথিসিস পরীক্ষার চেয়ে এই মেট্রিক সম্পর্কে এত দরকারী কী এবং কেন আমি এটি সম্পর্কে যত্নশীল হব? আমার কাছে এটি একটি দুই নমুনা জন্য একটি পরীক্ষা পরিসংখ্যাত ছাড়া আর কিছুই দেখে মনে হচ্ছে -test। আমি সম্ভবত এটিকে সমস্ত কিছু একই স্কেলে রাখার পরিবর্তে (এই কারণেই যে কেউ সত্যিকার অর্থে যে কোনও কিছুকেই "সাধারণকরণ" দেয়) বাদে আমি এই দরকারীটিকে দেখতে পাচ্ছি না, তবে আমি ভেবেছিলাম পরীক্ষার পরিসংখ্যান (যা প্রভাবের আকারটি আমার কাছে মনে হয়) ফ্যাশনের বাইরে ছিল না , এবং মূল্যগুলি পছন্দ করা হয়।পিtp


আমি "পরিচিতি-স্নাতক-স্তরের পরিসংখ্যান ব্যাকগ্রাউন্ড" দ্বারা কিছুটা বিভ্রান্ত; প্রথম দুটি পদ একে অপরের বিরোধিতা বলে মনে হচ্ছে। এর মধ্যে কী রয়েছে তা আপনি পরিষ্কার করে বলতে পারেন? এটি কি স্নাতক স্তরের পরিসংখ্যান শুরুর মতো কিছু বা অন্য কিছু?
গ্লেন_বি -রিনস্টেট মনিকা

2
@ গ্লেেন_ বি হ্যাঁ, এটি স্নাতক স্তরের পরিসংখ্যান শুরু করছে। ধরুন আমি স্নাতক স্তরের গাণিতিক পরিসংখ্যান এবং সম্ভাবনা জানি (যেমন, ওয়েকারলি এট আল। রসের সম্ভাবনা), এবং পরিমাপ তত্ত্বের কিছু জ্ঞান আমার আছে।
ক্লারিনেটিস্ট

3
আমি সহানুভূতি জানাতে পারি, ওপি। গণিত / স্ট্যাটাসের পটভূমি থেকে আগত, সমাজবিজ্ঞান বা মনোবিজ্ঞান পিএইচডি প্রোগ্রামগুলিতে প্রশিক্ষণ প্রাপ্তদের সাথে পরিসংখ্যান নিয়ে আলোচনা করা প্রায়শই বিস্মিত হত, কারণ তাদের সমস্ত কিছুর জন্য আলাদা পদ রয়েছে :) এবং কখনও কখনও ঠিক কীভাবে কীভাবে করা যায় সে সম্পর্কে কঠোর ধারণা রয়েছে, তা নির্বিশেষে যাই হোক না কেন সর্বোত্তম পরিসংখ্যান অনুশীলন, উদাহরণস্বরূপ: অনড় পর্যালোচক / সম্পাদককে বোঝানোর চেষ্টা করা যে কাঠামোগত সমীকরণ মডেলিং সমস্ত সমস্যার সমাধান নয়, বা এই লিনিয়ারিটি সবসময় একটি ভাল অনুমান নয়! যাইহোক, আমি বেশ কয়েক বছর পরে, এই সম্প্রদায়ের সাথে একত্রিত হতে শিখেছি!
ক্রকগিল

উত্তর:


20

এটি প্রভাব আকারের একটি পরিমাপ, তবে আরও অনেকগুলি রয়েছে। এটা অবশ্যই না পরীক্ষার পরিসংখ্যান। আপনার প্রভাব আকারের পরিমাপকে প্রায়শই কোহেনের ডি বলা হয় (কঠোরভাবে বলতে গেলে এটি সঠিক হয় তবেই এসডি এমএলই দ্বারা নির্ধারিত হয় — অর্থাৎ বেসেলের সংশোধন না করে ); আরও উদারভাবে, এটিকে বলা হয় 'স্ট্যান্ডার্ডযুক্ত গড় পার্থক্য'। সম্ভবত এই করতে হবে এটা পরিষ্কার যে T : tdtd
এটি, "/"

d=x¯2x¯1SDt=x¯2x¯1SEt=x¯2x¯1SDN
গড় পার্থক্যের সূত্র থেকে এন "অনুপস্থিত। /N

0NpN


15

আমি প্রত্যাশা করি যে আরও প্রাসঙ্গিক অঞ্চলে (মনোবিজ্ঞান বা শিক্ষা, বলুন) এর ব্যাকগ্রাউন্ডের কেউ আরও ভাল উত্তর দিয়ে চিমিয়ে উঠবে, তবে আমি এটিকে শট দেব।

" ইফেক্ট সাইজ " এমন এক শব্দ যার একাধিক অর্থ রয়েছে - যা বহু বছর আগে কিছুটা বিভ্রান্ত কথোপকথনের নেতৃত্ব দিয়েছিল যতক্ষণ না অবশেষে আমি এই উপলব্ধিতে আসি। এখানে আমরা স্পষ্টভাবে-আদর্শ-বিচ্যুতির সংস্করণটির সাথে মোকাবিলা করছি ("এটি কত স্ট্যান্ডার্ড বিচ্যুতির মাধ্যমে পরিবর্তিত হয়েছিল?")

যে বিষয়গুলিতে তারা সাধারণ হয় সে ক্ষেত্রে "প্রভাবের আকার" এর ধরণের দিকে দেখার কারণের একটি অংশ হ'ল তাদের ঘন ঘন এমন ভেরিয়েবল থাকে যার নির্দিষ্ট মানগুলি অন্তর্নিহিত অর্থবহ নয় তবে এমন কিছু অন্তর্নিহিত জিনিস মাপার চেষ্টা করার জন্য নির্মিত হয় যা পাওয়া শক্ত hard এ।

উদাহরণস্বরূপ, কল্পনা করুন আপনি কাজের সন্তুষ্টি পরিমাপ করার চেষ্টা করছেন (সম্ভবত এমন কোনও মডেলের জন্য যা এটির সাথে কিছু স্বতন্ত্র ভেরিয়েবলের সেট করে, সম্ভবত কিছু আগ্রহের চিকিত্সা সহ)। এটিতে সরাসরি যাওয়ার কোনও উপায় আপনার কাছে নেই, তবে আপনি (উদাহরণস্বরূপ) এর বিভিন্ন দিক পেতে কিছু প্রশ্নপত্র তৈরির চেষ্টা করতে পারেন, সম্ভবত লিকার্ট স্কেলের মতো কিছু ব্যবহার করে।

কাজের সন্তুষ্টি পরিমাপের জন্য আলাদা গবেষকের আলাদা দৃষ্টিভঙ্গি থাকতে পারে এবং সুতরাং আপনার "সন্তুষ্টি" পরিমাপের দুটি সেট সরাসরি তুলনাযোগ্য নয় - তবে যদি তাদের বৈধতার বিভিন্ন ফর্ম থাকে এবং এই জাতীয় জিনিসগুলির জন্য এটি পরীক্ষা করা হয় (যাতে তারা যুক্তিযুক্তভাবে সন্তুষ্টি পরিমাপ করতে পারে), তবে তারা খুব অনুরূপ প্রভাব আকারের আশা করা যেতে পারে; কমপক্ষে প্রভাব আকার আরও প্রায় তুলনামূলক হতে চলেছে।


3
প্রযুক্তিগততা ছাড়াই 'কনস্ট্রাক্ট' ধারণাটি প্রবর্তনের খুব সুন্দর কাজ করে। তবে ক্লারিনেটিস্ট আপনার কাজের ক্ষেত্রে আপনাকে এই ধারণাটি কিছু গভীরতার সাথে বুঝতে হবে। সাইকোলজিক্যাল বুলেটিনে ক্রোনবাচ
ডেভিড সি নরিস

7

উপরের সূত্রটি হ'ল আপনি কীভাবে সম্পর্কিত নমুনাগুলির জন্য কোহেনের ডি গণনা করেন (যা সম্ভবত আপনার কাছে রয়েছে?), যদি তারা সম্পর্কিত না হয় তবে এর পরিবর্তে আপনি পুলের বৈকল্পিক ব্যবহার করতে পারেন। বিভিন্ন পরিসংখ্যান রয়েছে যা আপনাকে প্রভাবের আকার সম্পর্কে বলবে, তবে কোহেন এর একটি মানক পরিমাপ যা 0 এবং 3 এর মধ্যে পরিবর্তিত হতে পারে আপনার যদি প্রচুর বিভিন্ন ভেরিয়েবল থাকে তবে আপনি যখন ভেবে দেখবেন একটি মানকযুক্ত মাপ দেওয়া ভাল হবে can সব একসাথে। অন্যদিকে, অনেকগুলি পরিমাপযোগ্য ইউনিটগুলির ক্ষেত্রে প্রভাবের আকারটি বোঝার পছন্দ করে। আপনার যদি ইতিমধ্যে পি মান থাকে তবে কেন ডি গণনা করবেন? এখানে বর্তমানে আমি কাজ করছি এমন একটি ডেটাসেটের একটি উদাহরণ। আমি স্কুলে পরিচালিত একটি আচরণগত হস্তক্ষেপের দিকে তাকিয়ে যাচ্ছি, যাচাই করা মানসিক প্রশ্নাবলী (লাইকার্ট ডেটা উত্পাদন করে) ব্যবহার করে পরিমাপ করা। আমার প্রায় সমস্ত ভেরিয়েবল পরিসংখ্যানগতভাবে উল্লেখযোগ্য পরিবর্তন দেখায়, সম্ভবত আমার কাছে একটি বড় নমুনা (এন = ~ 250) থাকায় উদ্বেগজনক। তবে কিছু কিছু ভেরিয়েবলের জন্য কোহেনের ডিএকেবারে সংক্ষিপ্তসার, 0.12 বলুন যা ইঙ্গিত দেয় যে অবশ্যই পরিবর্তন হয়েছে তবে এটি চিকিত্সাগতভাবে গুরুত্বপূর্ণ পরিবর্তন হতে পারে না এবং তাই ডেটাতে কী চলছে তা আলোচনা এবং ব্যাখ্যা করার জন্য এটি গুরুত্বপূর্ণ। এই ধারণাটি মনোবিজ্ঞান এবং স্বাস্থ্য বিজ্ঞানে ব্যাপকভাবে ব্যবহৃত হয় যেখানে চিকিত্সকরা (বা বিদ্যালয়গুলি, আপনার ক্ষেত্রে) চিকিত্সার আসল ক্লিনিকাল উপযোগিতা (বা তারা যা পরীক্ষা-নিরীক্ষা করছেন) বিবেচনা করা উচিত। কোহেনের ডি আমাদের হস্তক্ষেপ করার উপযুক্ত মূল্য (পি মান নির্বিশেষে) কিনা তা প্রশ্নের জবাব দিতে সহায়তা করে। চিকিত্সা বিজ্ঞানগুলিতে তারা এনএনটি বিবেচনা করতে এবং প্রশ্নের মধ্যে অবস্থার তীব্রতার ক্ষেত্রে এটি মূল্যায়ন করতে পছন্দ করে like @Krstoffr http://rpsychologist.com/d3/cohend/ থেকে এই দুর্দান্ত উত্সটি দেখুন



2

আসলে, পি-মানগুলি এখন অবশেষে 'ফ্যাশনের বাইরেও': http://www.nature.com/news/psychology-jorter-bans-p-values-1.17001 । নাল হাইপোথিসিসের তাত্পর্য পরীক্ষা (এনএইচএসটি) আপনার নমুনা আকারের বর্ণনার চেয়ে কিছুটা বেশি উত্পাদন করে ((*) যে কোনও পরীক্ষামূলক হস্তক্ষেপের কিছুটা প্রভাব পড়বে, যার অর্থ 'কোনও প্রভাব নেই' এর সরল নাল অনুমানটি সর্বদা কঠোর অর্থে মিথ্যা । অতএব, একটি 'অ-তাত্পর্যপূর্ণ' পরীক্ষার সহজ অর্থ হল আপনার নমুনার আকারটি যথেষ্ট পরিমাণে বড় ছিল না; একটি 'উল্লেখযোগ্য' পরীক্ষার অর্থ আপনি কিছু খুঁজে পেতে 'পর্যাপ্ত ডেটা সংগ্রহ করেছেন data

'ইফেক্ট সাইজ' সমস্যার প্রাকৃতিক স্কেলে একটি পরিমাপ প্রবর্তন করে এর প্রতিকারের প্রয়াসকে প্রতিনিধিত্ব করে। চিকিত্সায়, চিকিত্সাগুলিতে সর্বদা কিছুটা প্রভাব থাকে (এমনকি এটি প্লাসবো প্রভাব হলেও), একটি 'চিকিত্সাগতভাবে অর্থবহ প্রভাব' ধারণাটি 'চিকিত্সা' পাওয়া যায় এমন 50% সম্ভাব্যতা থেকে রক্ষা করার জন্য চালু করা হয়েছিল যে 'একটি' পরিসংখ্যানগতভাবে) একটি ইচ্ছামত বৃহত অধ্যয়নের ক্ষেত্রে উল্লেখযোগ্য ইতিবাচক প্রভাব '(তবে বিয়োগ) us

যদি আমি আপনার কাজের স্বরূপ বুঝতে পারি, ক্লারিনেটিস্ট, তবে দিনের শেষে, এর বৈধ লক্ষ্য হ'ল আপনার আওতাধীন স্কুলগুলিতে শিক্ষার উন্নতি করার ক্রিয়া / হস্তক্ষেপগুলি অবহিত করা । সুতরাং, আপনার সেটিংটি সিদ্ধান্ত-তাত্ত্বিক একটি এবং বেইশিয়ান পদ্ধতিগুলি সবচেয়ে উপযুক্ত (এবং অনন্যভাবে সুসংগত [1] ) পদ্ধতির।

প্রকৃতপক্ষে, ঘন ঘন পদ্ধতিগুলি বোঝার সর্বোত্তম উপায় হ'ল বায়েশিয়ান পদ্ধতিগুলির অনুমান হিসাবে । আনুমানিক প্রভাব আকারটি বায়সীয় উত্তরোত্তর বিতরণের কেন্দ্রিকতার একটি পরিমাপের লক্ষ্য হিসাবে বোঝা যায় , যখন পি-মানটি উত্তরোত্তর একটি লেজ পরিমাপের লক্ষ্য হিসাবে বোঝা যায়। সুতরাং, এই দুটি পরিমাণে একসাথে বায়েশিয়ান উত্তরবর্তী কিছু মোটামুটি সংক্ষিপ্তসার রয়েছে যা আপনার সমস্যার বিষয়ে সিদ্ধান্ত-তাত্ত্বিক দৃষ্টিভঙ্গির প্রাকৃতিক ইনপুটকে গঠন করে। (বিকল্পভাবে, প্রভাব আকারের উপর একটি ঘন ঘন আত্মবিশ্বাসের বিরতি একইভাবে একটি ওয়ান্টে বিশ্বাসযোগ্য ইন্টারভাল হিসাবে বোঝা যায় ))

মনোবিজ্ঞান এবং শিক্ষার ক্ষেত্রে বায়েশিয়ান পদ্ধতিগুলি বেশ জনপ্রিয়। এর একটি কারণ হ'ল বায়েসিয়ান মডেলগুলিতে সুপ্ত ভেরিয়েবল হিসাবে 'কনস্ট্রাক্টস' ইনস্টল করা সহজ। আপনি একজন মনোবিজ্ঞানী জন কে ক্রুশকের 'কুকুরছানা বই' পরীক্ষা করতে পছন্দ করতে পারেন । শিক্ষায় (যেখানে আপনি শিক্ষার্থীরা ক্লাসরুমে বাসা বেঁধেছেন, স্কুলগুলিতে বাসা বেঁধেছেন, জেলাগুলিতে বাসা বেঁধেছেন ...), শ্রেণিবদ্ধ মডেলিংটি অনিবার্য। এবং বায়সিয়ান মডেলগুলি হায়ারারিকাল মডেলিংয়ের জন্যও দুর্দান্ত। এই অ্যাকাউন্টে, আপনি জেলম্যান এবং হিল পরীক্ষা করতে পছন্দ করতে পারেন [2]।

[১]: রবার্ট, ক্রিশ্চান পি। বেয়েসিয়ান চয়েস: ডিসিশন-থিওরিটিক ফাউন্ডেশন থেকে কমপিটেশনাল ইমপ্লিমেন্টেশন পর্যন্ত। দ্বিতীয় সংস্করণ। পরিসংখ্যানগুলিতে স্প্রঞ্জার পাঠ্য। নিউ ইয়র্ক: স্প্রিংগার, 2007।

[২]: গেলম্যান, অ্যান্ড্রু এবং জেনিফার হিল। রিগ্রেশন এবং মাল্টিলেভেল / শ্রেণিবদ্ধ মডেলগুলি ব্যবহার করে ডেটা বিশ্লেষণ। সামাজিক গবেষণার জন্য বিশ্লেষণমূলক পদ্ধতি কেমব্রিজ; নিউ ইয়র্ক: কেমব্রিজ বিশ্ববিদ্যালয় প্রেস, 2007 Press


একটি বেয়েসিয়ান-ইটের দৃষ্টিকোণ -দিয়ে-আপনার-মাথার উপরে-না- পিটুন-থেকে 'সংহতি' সম্পর্কে আরও তথ্যের জন্য দেখুন [3]।

[3]: রবিনস, জেমস এবং ল্যারি ওয়াসারম্যান। "কন্ডিশনিং, সম্ভাবনা এবং একাত্মতা: কিছু প্রাথমিক ধারণাগুলির একটি পর্যালোচনা।" আমেরিকান স্ট্যাটিস্টিকাল অ্যাসোসিয়েশন জার্নাল 95, নং। 452 (ডিসেম্বর 1, 2000): 1340–46। ডোই: 10.1080 / 01621459.2000.10474344।

(*) [৪] এ, মিহল এনএইচএসটিকে অনেক বেশি মার্জিতভাবে মারছে, তবে আমার চেয়ে কম ঘৃণ্য হবে না:

যেহেতু নাল হাইপোথিসিসটি সর্বদা অর্থে মিথ্যা, তাই "উল্লেখযোগ্য পার্থক্য" এর নিদর্শনগুলির গবেষণার সংক্ষিপ্তসারগুলি সারণিগুলি পরিসংখ্যানগত শক্তি কার্যকারিতার জটিল, কার্যকারণহীন ব্যাখ্যাযোগ্য ফলাফলের চেয়ে কিছুটা বেশি।

[৪]: মিহল, পল ই। "তাত্ত্বিক ঝুঁকি এবং টবুলার অ্যাসিরিস্টস: স্যার কার্ল, স্যার রোনাল্ড, এবং সফট সাইকোলজির ধীর অগ্রগতি।" পরামর্শ ও ক্লিনিকাল সাইকিয়াট্রি 46 (1978) জার্নাল: 806–34। http://www3.nd.edu/~ghaeffel/Meehl(1978).pdf


এবং এখানে টুকি সম্পর্কিত সম্পর্কিত উদ্ধৃতি: /stats//a/728/41404


1
"যে কোনও পরীক্ষামূলক হস্তক্ষেপের কিছু প্রভাব থাকবে" (আমার জোর) একটি বরং দৃ strong় বক্তব্য, পরবর্তী "সর্বদা"। অধ্যয়নের কিছু ক্ষেত্রে এটি সম্ভবত থাম্বের একটি দুর্দান্ত নিয়ম, তবে আমি মনে করি খুব ঝাড়ু হওয়ার ঝুঁকি রয়েছে। আমিও করার সুপারিশ করছি যে "[NHST] একটু বেশি উৎপন্ন আপনার নমুনা আকার একটি বিবরণ চেয়ে" বিতর্কিত হল: P-মান মধ্যে পারস্পরিক থেকে emerges উভয় নমুনা আকার এবং প্রভাব মাপ।
সিলভারফিশ

@ সিলভারফিশ, আপনার উত্তরের জন্য আপনাকে ধন্যবাদ। আমি আপনাকে একটি উদাহরণ প্রদানের জন্য আমন্ত্রণ জানাব যেখানে পি-মানগুলির বিষয়ে আমার দৃষ্টিভঙ্গি 'বিপজ্জনক' হবে। (বিটিডাব্লু, আমি কিছু তাত্ত্বিক কিছু লিখেছি এবং আপনার মতো অভিযোগের প্রত্যাশায় "কঠোর অর্থে" এই শব্দটি ব্যবহার করেছি। আমার দাবি এখনও দাঁড়িয়ে আছে।) তবুও, যদিও পি-মানটি "ইন্টারপ্লে থেকে" উদ্ভূত হয় " অন্য দুটি কারণ, এর মধ্যে একটি (নমুনা আকার) মূলত একটি নিখরচায় ডিজাইন প্যারামিটার, নির্বিচারে চয়ন করা। যে নির্বিচারে পছন্দ পি-মান তাই প্রতিফলিত হয়। দুটি সংখ্যা পরিষ্কারভাবে প্রয়োজন; কেন একটি আত্মবিশ্বাসের ব্যবধানের সমাপ্তিগুলি নয়?
ডেভিড সি নরিস

2
উদাহরণ হিসাবে: যে কোনও উদাহরণ যেখানে আমরা যুক্তিসঙ্গতভাবে নাল অনুমানটি সত্য বলে আশা করতে পারি, বা কমপক্ষে যেখানে আমরা সম্পূর্ণরূপে বলতে পারি না যে এটি নিশ্চিত যে আমরা এটি পরীক্ষা-নিরীক্ষা বা ডেটা দেখার জন্যও বিরক্ত না করেই সত্য certain না সব NULLs মিথ্যা: যেমন মন জানাজানি এবং পূর্বাহ্নে লব্ধ জ্ঞান পরীক্ষায় যেমন প্যারাসাইকোলজি গবেষণা, বিবেচনা, কিন্তু অনেক NULLs ক্ষেত্রে সত্য যে আপনি এই ধরনের জিনোমিক্স আরো "বৈজ্ঞানিকভাবেও বৈধ" বিবেচনা করতে পারেন আছে।
সিলভারফিশ

5
-1, আইএমও, এখানে প্রচুর সমস্যা রয়েছে। 1 মাইনর সাইকোলজি জার্নাল পি-ভ্যালু নিষিদ্ধ করার অর্থ এই নয় যে "পি-মানগুলি শেষ পর্যন্ত 'ফ্যাশনের বাইরে'। নিষেধাজ্ঞার ব্যাপক সমালোচনা করা হয়েছে ( এএসএর ভদ্র বক্তব্য সহ এবং কয়েক মাসের মধ্যে অন্য কোনও জার্নাল গ্রহণ করেননি। আমি নোট করেছি যে জার্নালটি বয়েশিয়ান পদ্ধতিতে পরিবর্তনের প্রয়োজন নেই (যা আমি সংগ্রহ করি তা আপনার পছন্দ) , তবে কেবল এটি কেস-কেস-কেস ভিত্তিতে বিবেচনা করবে
গাং - মনিকা পুনরায়

3
তবে, সত্যিকারের পরীক্ষায়, র্যান্ডমাইজিং ইউনিটগুলির প্রক্রিয়ায় এক্স থেকে ওয়াই পর্যন্ত সরাসরি কার্যকারণের পরীক্ষার সাথে সম্পর্কিত অন্তঃসত্ত্বা পথগুলি ভেঙে যায় all সমস্ত ভেরিয়েবল উভয় দিকেই সরাসরি কার্যকরীভাবে যুক্ত রয়েছে তা দৃsert়বিশ্বাসের সাথে এক অদ্ভুত রূপক দাবি, তবে আপনি যদি এটি ধরে রাখবেন না, "'কোনও প্রভাব নেই' এর নাল অনুমান সবসময় মিথ্যা" বলে দাবি করা অসঙ্গত।
গুং - মনিকা পুনরায়
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.