বাইনারি ফলাফলের জন্য আপেক্ষিক ঝুঁকি অনুমান করার জন্য পয়েসন রিগ্রেশন


42

সারাংশ

পোইসন রিগ্রেশন (আপেক্ষিক ঝুঁকির সাথে) বিরোধী হিসাবে বাইনারি ফলাফলগুলির সহযোজনীয় গবেষণায় লজিস্টিক রিগ্রেশন (বৈষম্য অনুপাত সহ) কেন বেশি সাধারণ?

পটভূমি

স্নাতক এবং স্নাতক পরিসংখ্যান এবং এপিডেমিওলজি কোর্স, আমার অভিজ্ঞতার সাথে, সাধারণত শেখায় যে বাইনারি ফলাফলগুলির সাথে মডেলিং ডেটা তৈরির জন্য লজিস্টিক রিগ্রেশন ব্যবহার করা উচিত, ঝুঁকির অনুমানের সাথে প্রতিকূলতার অনুপাত হিসাবে রিপোর্ট করা হয়।

যাইহোক, পয়সন রিগ্রেশন (এবং সম্পর্কিত: কোয়াসি-পোইসন, নেতিবাচক দ্বিপদী ইত্যাদি) বাইনারি ফলাফলগুলির সাথে ডেটা মডেল করতেও ব্যবহার করা যেতে পারে এবং উপযুক্ত পদ্ধতিগুলির (যেমন শক্তিশালী স্যান্ডউইচ ভেরিয়েন্স অনুমানকারী) এর সাথে এটি বৈধ ঝুঁকি অনুমান এবং আত্মবিশ্বাসের স্তর সরবরাহ করে। যেমন,

পোইসন রিগ্রেশন থেকে, আপেক্ষিক ঝুঁকিগুলি রিপোর্ট করা যেতে পারে, যা কিছু যুক্তিযুক্ত অনুপাতের তুলনায় বিশেষত ঘন ফলাফলের জন্য এবং বিশেষত পরিসংখ্যানের দৃ in় ব্যাকগ্রাউন্ড ব্যতীত ব্যক্তিদের দ্বারা তুলনামূলকভাবে ব্যাখ্যা করা সহজ বলে মনে করেন। ঝাং জে এবং ইউ কেএফ দেখুন, আপেক্ষিক ঝুঁকি কী? সাধারণ ফলাফলগুলির সমাহারী স্টাডিতে বিজোড় অনুপাত সংশোধন করার একটি পদ্ধতি , জামা। 1998 নভেম্বর 18; 280 (19): 1690-1।

চিকিত্সা সাহিত্য পড়া থেকে, বাইনারি ফলাফলগুলি সহ সমীক্ষাগুলির মধ্যে এটি মনে হয় যে পয়সোন রিগ্রেশনগুলির তুলনায় ঝুঁকির চেয়ে লজিস্টিক রিগ্রেশনগুলি থেকে প্রতিকূলতার অনুপাতটি জানা এখনও অনেক বেশি সাধারণ।

প্রশ্নাবলি

বাইনারি ফলাফল সহ সমীক্ষা জন্য:

  1. পোইসন রিগ্রেশনগুলি থেকে আপেক্ষিক ঝুঁকির চেয়ে লজিস্টিক রিগ্রেশনগুলি থেকে প্রতিকূলতা অনুপাতের রিপোর্ট করার উপযুক্ত কারণ আছে?
  2. যদি তা না হয় তবে চিকিত্সা সাহিত্যে আপেক্ষিক ঝুঁকির সাথে পোইসন রিগ্রেশনগুলির অনিয়ন্ত্রনাকে বিজ্ঞানী, চিকিত্সক, পরিসংখ্যানবিদ এবং মহামারী বিশেষজ্ঞদের মধ্যে পদ্ধতিগত তত্ত্ব এবং অনুশীলনের মধ্যে বেশিরভাগ ব্যবধানকেই দায়ী করা যেতে পারে?
  3. মধ্যবর্তী পরিসংখ্যান এবং এপিডেমিওলজি কোর্সগুলিতে বাইনারি ফলাফলের জন্য পয়সন রিগ্রেশন সম্পর্কে আরও আলোচনা অন্তর্ভুক্ত করা উচিত?
  4. উপযুক্ত হলে লজিস্টিক রিগ্রেশন নিয়ে পইসন রিগ্রেশন বিবেচনা করতে আমি ছাত্র এবং সহকর্মীদের উত্সাহিত করব?

আপনি যদি আপেক্ষিক ঝুঁকি চান, তবে আপনি লগ (লজিস্টিকের চেয়ে) লিঙ্কের সাহায্যে দ্বিপদী রিগ্রেশনটি কেন ব্যবহার করবেন না? যদি আপনি পর্যবেক্ষণ অনুযায়ী সম্ভাব্য ইভেন্টগুলির সংখ্যার উপর শর্ত রেখেছেন তবে পইসন পরিবারের মধ্যকার বৈষম্যপূর্ণ সম্পর্কটি খুব একটা বোঝা যায় না।
অ্যান্ড্রু এম

@ অ্যান্ড্রুএম আপনি লগ লিঙ্ক দিয়ে দ্বিপদী রিগ্রেশন কীভাবে প্রয়োগ করবেন? রেজিস্ট্রারের ইতিবাচক মানগুলি সম্ভাব্য মানগুলি 1 টির চেয়ে বড়কে বোঝায়
রুফো

@ রুফো: আমি যদি আপনাকে বুঝতে পারি তবে আমি এটিকে রেজিস্ট্রার না করে লিনিয়ার প্রেডিক্টর বলব। এবং হ্যাঁ, প্যারামিটারের স্থানটি এখন সীমাবদ্ধ যাতে লিনিয়ার ভবিষ্যদ্বাণীটি নেতিবাচক হয়, লজিস্টিক লিঙ্কের জন্য অনিয়ন্ত্রিত ক্ষেত্রেটির বিপরীতে। আপনার পূর্বাভাসের প্রতিক্রিয়া (নতুন ডেটাতে) বাইরে থাকতে পারে , যদিও আমি বিশ্বাস করি একটি এমএলই সর্বদা উপস্থিত থাকবে (সম্ভবত প্যারামিটার জায়গার সীমানায় থাকবে)। এই মডেলগুলি কখনও কখনও ফিট হয়ে যায়। [0,1]
অ্যান্ড্রু এম

@ অ্যান্ড্রুএম হ্যাঁ, আমি লিনিয়ার ভবিষ্যদ্বাণীকে ধন্যবাদ জানাই, ধন্যবাদ :) এমনকি আপনি যখন মডেলটি বাস্তবায়ন করতে পরিচালনা করেন তখনও আমি নিশ্চিত নই যে এটি পর্যাপ্ত। আমি প্রথম উত্তরের একটি মন্তব্যে যেমন ইঙ্গিত দিয়েছি, আপনি যদি 1s এর জন্য 0 গুলি এবং প্রতিক্রিয়া পরিবর্তনশীলটির বিপরীতে পরিবর্তন করেন তবে লগ লিঙ্কটি 0.5-এর আশেপাশে প্রতিসাম্য নয়, আপেক্ষিক ঝুঁকির অনুমানটি আলাদা ( exp(beta_M1) =/= 1/exp(beta_M2))। এটি আমাকে খানিকটা বিরক্ত করে।
রুফো

1
পি(ওয়াই|এক্স)/পি(ওয়াই|এক্স)পি(ওয়াই|এক্স)/পি(ওয়াই|এক্স)পি(ওয়াই|এক্স)/পি(ওয়াই|এক্স)

উত্তর:


28

আপনার চারটি প্রশ্নের একটি উত্তর, একটি নোট দ্বারা পূর্বে:

কোহোর্ট স্টাডির জন্য একটি লজিস্টিক রিগ্রেশন থেকে প্রতিকূলতা অনুপাতের প্রতিবেদন করা আধুনিক মহামারীবিদ্যার গবেষণার পক্ষে আসলে সাধারণ বিষয় নয় । এটা তোলে কেস-নিয়ন্ত্রণ গবেষণার জন্য পছন্দের রিগ্রেশন কৌশল থাকবে, কিন্তু আরো পরিশীলিত কৌশল এখন দেখতে প্রধান এপিডেমিওলজি পত্রিকাতে বিশ্লেষণের জন্য কার্যত প্রমাণ এপিডেমোলোজি , Aje বা IJE। পর্যবেক্ষণের গবেষণার ফলাফলের রিপোর্টিং ক্লিনিকাল জার্নালে তাদের দেখানোর আরও বেশি প্রবণতা থাকবে। এছাড়াও কিছু সমস্যা দেখা দিতে পারে কারণ পইসন রিগ্রেশন দুটি প্রসঙ্গে ব্যবহার করা যেতে পারে: আপনি যে বিষয়টি উল্লেখ করছেন, এটি দ্বিপদী রিগ্রেশন মডেলের বিকল্প এবং সময়-কাল-ইভেন্ট প্রসঙ্গে, যা মিলনের পক্ষে অত্যন্ত সাধারণ স্টাডিজ। নির্দিষ্ট প্রশ্নের উত্তরগুলিতে আরও বিশদ:

  1. একটি সমীক্ষা জন্য, আসলে না। কিছু অত্যন্ত সুনির্দিষ্ট কেস রয়েছে যেখানে বলুন, একটি পিসওয়াইজ লজিস্টিক মডেল ব্যবহার করা যেতে পারে, তবে এগুলি বিদেশী ers গোষ্ঠী অধ্যয়নের পুরো বিষয়টি হ'ল আপনি সরাসরি আপেক্ষিক ঝুঁকি বা অনেকগুলি সম্পর্কিত পদক্ষেপগুলি পরিমাপ করতে পারেন এবং কোনও প্রতিকূল অনুপাতের উপর নির্ভর করতে হবে না। তবে আমি দুটি নোট করব: একটি পইসন রিগ্রেশন প্রায়শই হারের অনুমান করে, ঝুঁকি নয়, এবং সুতরাং এ থেকে প্রভাব অনুমানটি প্রায়শই হারের অনুপাত হিসাবে চিহ্নিত করা হবে (প্রধানত, আমার মনে, আপনি এখনও এটি আরআর সংক্ষিপ্ত করতে পারেন) বা একটি ঘটনা ঘনত্বের অনুপাত (আইআরআর বা আইডিআর)। সুতরাং আপনার অনুসন্ধানে নিশ্চিত হয়ে নিন যে আপনি প্রকৃতপক্ষে সঠিক পদগুলি সন্ধান করছেন: বেঁচে থাকার বিশ্লেষণ পদ্ধতিগুলি ব্যবহার করে অনেকগুলি সহশিক্ষা রয়েছে। এই অধ্যয়নের জন্য, পয়সন রিগ্রেশন কিছু ধারণা অনুমান করে যা সমস্যাযুক্ত, উল্লেখযোগ্যভাবে যে বিপদটি ধ্রুবক। যেমন পোসন মডেলের চেয়ে কক্স আনুপাতিক ঝুঁকিপূর্ণ মডেলগুলি ব্যবহার করে কোহর্ট স্টাডি বিশ্লেষণ করা এবং আসন্ন বিপদ অনুপাত (এইচআর) রিপোর্ট করা আরও বেশি সাধারণ। কোনও দলকে বিশ্লেষণ করার জন্য একটি "ডিফল্ট" পদ্ধতির নাম দেওয়ার জন্য যদি চাপ দেওয়া হয়, তবে আমি বলতে পারি মহামারীবিজ্ঞান আসলে কক্স মডেল দ্বারা প্রভাবিত। এটির নিজস্ব সমস্যা রয়েছে এবং কিছু খুব ভাল মহামারী বিশেষজ্ঞরা এটি পরিবর্তন করতে চান,

  2. দুটি জিনিস আমি হয় পারে থেকে বিরলতা বৈশিষ্ট্যাবলী - একটি বিরলতা আমি অগত্যা না মনে আপনি কতটা সুপারিশ বিদ্যমান। একটি হ্যাঁ - ক্ষেত্র হিসাবে "এপিডেমিওলজি" হুবহু বন্ধ নেই, এবং আপনি ক্লিনিশিয়ান, সমাজ বিজ্ঞানী ইত্যাদির কাছ থেকে বিপুল সংখ্যক কাগজপত্রের পাশাপাশি বিভিন্ন পরিসংখ্যানগত পটভূমির মহামারীবিদদের কাছ থেকে পান। লজিস্টিক মডেলটি সাধারণত শেখানো হয়, এবং আমার অভিজ্ঞতায় অনেক গবেষক আরও ভাল সরঞ্জামের মাধ্যমে পরিচিত সরঞ্জামটিতে ফিরে আসবেন।

    দ্বিতীয়টি আসলে "কোহোর্ট" অধ্যয়ন দ্বারা আপনি কী বোঝাতে চান তা একটি প্রশ্ন। কক্স মডেল বা পইসন মডেলের মতো কিছুতে ব্যক্তি-সময়ের একটি আসল অনুমানের প্রয়োজন। কোনও নির্দিষ্ট সময়ের জন্য কিছুটা বদ্ধ জনসংখ্যার অনুসরণকারী একটি সমাহার অধ্যয়ন পাওয়া সম্ভব - বিশেষত "ইন্ট্রো টু এপিআই" উদাহরণগুলির প্রথম দিকে, যেখানে পোইসন বা কক্স মডেলের মতো বেঁচে থাকার পদ্ধতি এতটা কার্যকর নয়। লজিস্টিক মডেল পারেনএকটি প্রতিকূল অনুপাত অনুমান করতে ব্যবহার করা যেতে পারে যে যথেষ্ট পরিমাণে রোগের প্রাদুর্ভাবের সাথে আপেক্ষিক ঝুঁকিটিকে প্রায় ঘনিষ্ঠ করে তোলে। অন্যান্য রিগ্রেশন কৌশল যা সরাসরি এটি অনুমান করে যেমন দ্বিপদী রিগ্রেশন, তেমন কনভার্জেশন ইস্যু রয়েছে যা সহজেই একটি নতুন শিক্ষার্থীকে লেনদেন করতে পারে। আপনি যে চিড়িয়াখানা সংক্রান্ত কাগজপত্রগুলি উদ্ধৃত করেছেন তা মনে রাখবেন উভয় ক্ষেত্রে দ্বিপদী রিগ্রেশনটির কনভার্জেনশন ইস্যুগুলি পেতে পয়েসন রিগ্রেশন কৌশল ব্যবহার করছেন। তবে দ্বিপদী-উপযুক্ত কোহোর্ট স্টাডিজ আসলে "কোহোর্ট স্টাডি পাই" এর একটি ছোট টুকরা।

  3. হ্যাঁ. সত্যি বলতে গেলে, বেঁচে থাকার বিশ্লেষণ পদ্ধতিগুলি প্রায়শই আগে করা উচিত than আমার পোষ্য তত্ত্বটি যে কারণটি এটি নয় তা হ'ল লজিস্টিক রিগ্রেশনের মতো পদ্ধতিগুলি কোড করা সহজ । কোডগুলি কোড করা সহজ, তবে তাদের প্রভাব অনুমানের বৈধতা সম্পর্কে অনেক বড় সতর্কতা সহ, "বেসিক" স্ট্যান্ডার্ড হিসাবে শেখানো হয়, যা একটি সমস্যা।

  4. আপনার শিক্ষার্থীদের এবং সহকর্মীদের উপযুক্ত সরঞ্জামটি ব্যবহার করতে উত্সাহিত করা উচিত। ক্ষেত্রের জন্য সাধারণত, আমি মনে করি আপনি সম্ভবত পোইসন রিগ্রেশন সম্পর্কে কক্স মডেল বিবেচনা করার পরামর্শ দেওয়ার চেয়ে ভাল হবেন, কারণ বেশিরভাগ পর্যালোচক দ্রুত ধরণের ঝুঁকি গ্রহণের বিষয়ে উদ্বেগ দ্রুত প্রকাশ করবেন (এবং হওয়া উচিত)। তবে হ্যাঁ, আপনি যত তাড়াতাড়ি তাদের এগুলি থেকে সরিয়ে নিতে পারবেন "আমি কীভাবে আমার প্রশ্নকে লজিস্টিক রিগ্রেশন মডেল হিসাবে জুতা দেব?" আমরা সবাই ভাল থাকব। তবে হ্যাঁ, আপনি যদি সময় ব্যতীত কোনও গবেষণার দিকে তাকিয়ে থাকেন তবে শিক্ষার্থীদের দ্বিপদী রিগ্রেশন এবং পয়সন রিগ্রেশন জাতীয় বিকল্প উভয় পদ্ধতির সাথে পরিচয় করিয়ে দেওয়া উচিত, যা রূপান্তর সমস্যার ক্ষেত্রে ব্যবহার করা যেতে পারে।


আপনি যখন বলছেন যে অন্যান্য রিগ্রেশন কৌশলগুলি যা এটি সরাসরি অনুমান করে [আপেক্ষিক ঝুঁকি, আমি ধারণা করি], দ্বিপদী রিগ্রেশনের মতো, কনভার্জেশন ইস্যু রয়েছে [...] , আপনি কীভাবে দ্বিপদী রিগ্রেশন প্রয়োগ করবেন যাতে এটি আপনাকে আপেক্ষিক ঝুঁকি দেয়? @ অ্যান্ড্রুএম একটি লগ লিঙ্কের পরামর্শ দিয়েছে, তবে আমি কীভাবে সাফল্যের সম্ভাব্যতার অনুমান 1 এর চেয়ে বেশি অনুমান করা সমস্যাটি এড়াতে চাই তা দেখতে আমি ব্যর্থ হই
রুফো

@ রুফো একটি লগ-লিঙ্কযুক্ত একটি দ্বিপদী মডেল, যখন কোনও কোহর্টে চালিত হবে, তখন আপেক্ষিক ঝুঁকিটি অনুমান করবে। এই মডেলগুলি কখনও কখনও 1 টিরও বেশি সম্ভাবনার অনুমান করে যে দ্বি-দ্বি মডেলগুলি আদর্শের চেয়ে বাস্তবায়ন করা আরও শক্ত কারণ of তবে আমি সেগুলি ব্যবহারে সফল হয়েছি - এটি সহায়ক যে আপনার ডেটা প্রায়শই 1 এর নীচে সম্ভাব্যতা থাকে তাই মডেলটি কখনই আপনার চিন্তায় ভুগতে পারেন না।
ফোমেট

পি

9

আমিও যখন সাহিত্যে লজিস্টিক মডেলগুলির প্রসার ঘটে তখন অনুমান করি যে কোনও আপেক্ষিক ঝুঁকিপূর্ণ মডেল আরও উপযুক্ত হবে। পরিসংখ্যানবিদ হিসাবে আমরা সবাই কনভেনশন মেনে চলা বা "ড্রপ-ডাউন-মেনু" বিশ্লেষণের সাথে লেগে থাকি। এগুলি তাদের সমাধানের চেয়ে অনেক বেশি সমস্যা তৈরি করে। বাইনারি ফলাফলগুলি বিশ্লেষণের জন্য লজিস্টিক রিগ্রেশনকে "স্ট্যান্ডার্ড অফ দ্য শেল্ফ টুল" হিসাবে শেখানো হয়, যেখানে কোনও ব্যক্তির মৃত্যু বা অক্ষমতার মতো হ্যাঁ / কোনও ধরণের ফলাফল থাকে না।

পয়সন রিগ্রেশনকে প্রায়শই গণনা বিশ্লেষণের পদ্ধতি হিসাবে শেখানো হয় । কিছুটা জোর দেওয়া হয়েছে যে এই জাতীয় সম্ভাবনা মডেল 0/1 ফলাফলের মডেলিংয়ের জন্য ব্যতিক্রমীভাবে বেশ ভাল কাজ করে, বিশেষত যখন তারা বিরল rare যাইহোক, একটি লজিস্টিক মডেলটি বিরল ফলাফলগুলির সাথেও খুব ভালভাবে প্রয়োগ করা হয়: বৈকল্পিক অনুপাতটি প্রায় ঝুঁকি অনুপাত, এমনকি কেস কন্ট্রোল স্টাডির মতো ফলাফল নির্ভর নমুনাও। আপেক্ষিক ঝুঁকি বা পোইসন মডেলগুলির ক্ষেত্রেও এটি বলা যায় না।

পিসন মডেলটিও দরকারী যখন ব্যক্তির একাধিকবার "ফলাফল" হতে পারে এবং আপনি হার্পিজ, হাসপাতালে ভর্তি হওয়া বা স্তন ক্যান্সারের মতো সংক্রামক ঘটনাগুলিতে আগ্রহী হতে পারেন। এই কারণে, ঘনিষ্ঠতর সহগগুলি আপেক্ষিক হার হিসাবে ব্যাখ্যা করা যেতে পারে । হার এবং ঝুঁকির মধ্যে পার্থক্যকে প্রশ্রয় দেওয়ার জন্য: যদি প্রতি এক হাজার ব্যক্তি-বছরে ১০০ টি ঘটনা ঘটে তবে একটি ব্যক্তিতে সমস্ত ১০০ টি ঘটনা ঘটে থাকে তবে ঘটনা (হার) এখনও প্রতি ১০ জন-বছরে ১ টি হয়। স্বাস্থ্যসেবা সরবরাহের ক্ষেত্রে, আপনার এখনও 100 টির চিকিত্সা করা উচিত এবং 80% লোকের টিকা দেওয়ার ক্ষেত্রে 80% ঘটনা হার হ্রাস (একটি অগ্রাধিকার) রয়েছে। তবে কমপক্ষে একটি ফলাফলের ঝুঁকি 1/1000। ফলাফলের প্রকৃতি এবং প্রশ্নের একত্রে কোন মডেলটি উপযুক্ত তা নির্ধারণ করুন।

Var(Y)=(Y)(1-(Y))

লগ([ওয়াই|এক্স])=β0+ +β1এক্সVar(ওয়াই)=[ওয়াই](1-[ওয়াই])

যাইহোক, ঝাং নিবন্ধটি আপেক্ষিক ঝুঁকির প্রাক্কলনের উপর ভিত্তি করে অনুমানের পক্ষপাতদুষ্ট অনুমান সরবরাহ করে যা ইন্টারসেপ্ট পদের পরিবর্তনের জন্য অ্যাকাউন্ট করে না। আপনি বুটস্ট্র্যাপিং দ্বারা অনুমানকটি সংশোধন করতে পারেন।

নির্দিষ্ট প্রশ্নের উত্তর দিতে:

  1. ফলাফল বিরল হলে তারা প্রায় একই রকম। যদি ফলাফলটি সাধারণ হয়, তবে পইসন থেকে আপেক্ষিক হারের অনুমানের পরিমাণটি ফুলে উঠতে পারে এবং আমরা বাইনারি ফলাফল এবং বেশ কয়েকটি এক্সপোজারের মধ্যে সম্পর্কের পক্ষপাতদুষ্ট কিন্তু দক্ষ অনুমান হিসাবে পছন্দ করতে পারি। আমি আরও মনে করি কেস-কন্ট্রোল অধ্যয়নগুলি এমন একটি পরিমাপ হিসাবে প্রতিকূল অনুপাতের ব্যবহারকে ন্যায্যতা দেয় যা ফলাফল নির্ভর নমুনার সাথে পৃথক হয় না। স্কট এবং ওয়াইল্ড 97 এর চারপাশে পদ্ধতিগুলি নিয়ে আলোচনা করে। অবশ্যই, অন্যান্য জার্নালগুলিতে ডেডিকেটেড রিভিউর নিবেদিত নাও থাকতে পারে।

2.3। আমি মনে করি আপনি চিকিত্সা পর্যালোচনা এবং শিক্ষাবিদদের ক্ষেত্রে কী ঘটে যায় সে সম্পর্কে আপনি দোষারোপ করছেন এবং ধরে নিচ্ছেন।

  1. আপনার ছাত্রদের যথাসম্ভব যথাযথ মডেল ব্যবহার করতে উত্সাহিত করা উচিত whenever

http://biostats.bepress.com/cgi/viewcontent.cgi?article=1128&context=uwbiostat


2
"আমার বোধগম্যতা যদি বৈজ্ঞানিক আগ্রহ আপেক্ষিক হারগুলি নির্ধারণের ক্ষেত্রে থাকে তবে একটি হাইব্রিড মডেল রয়েছে: আপেক্ষিক ঝুঁকি রিগ্রেশন যা লজিস্টিক ভেরিয়েন্স কাঠামো এবং পোয়েসন মানে কাঠামো ব্যবহার করে একটি জিএলএম": এছাড়াও লগ লিঙ্কের সাথে দ্বিপদী রিগ্রেশন নামে পরিচিত।
অ্যান্ড্রু এম

2
পছন্দ করুন আসলে, আমি মনে করি এটিই পছন্দসই ভাষা। যে ইশারা জন্য ধন্যবাদ। টমাস লুমলেয়ের একটি কার্যকরী কাগজের একটি উল্লেখ উল্লেখ করার জন্য আমি প্রশ্নটি সম্পাদনা করেছি যা জোর দিয়েছিল যে পোইসন মডেলটি একটি "ওয়ার্কিং মডেল" যাতে এটি একটি ভুল অনুমান করা গড়-বৈচিত্র্যের সম্পর্ক।
অ্যাডামো

"যদি ফলাফল বিরল হয় তবে তারা প্রায় একই রকম হয়" বলতে আপনি কী বোঝায় ? বিস্তারের অনুমানের জন্য আরআরের পরিবর্তে বা ব্যবহারের জন্য "বিরল" ফলাফলের সর্বাধিক শতাংশ কত?
ভ্যাসিলি 111

1
@ ভ্যাসিলি 111 এটি কোনও সুস্পষ্ট উত্তর ছাড়াই একটি আলোচিত বিতর্কিত বিষয়। আজকাল আপনি অনেকগুলি সমালোচনা দেখতে পান যে "দুর্লভ" ধারণাটি তৈরি করা যখন ঘটনাগুলি মোটেও বিরল ছিল না, যেমন 1/30 এরও বেশি। এবং মাল্টিভারিয়েট মডেলগুলির সাথে, কিছু যায়!
অ্যাডমো
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.