ক্লাস্টার বিশ্লেষণের ফলাফলগুলি বৈধ করার জন্য পরিসংখ্যানগত তাত্পর্য পরীক্ষা ব্যবহার করা

Question

ক্লাস্টার বিশ্লেষণের ফলাফলগুলি যাচাই করতে আমি পরিসংখ্যানগত তাত্পর্য পরীক্ষার (এসএসটি) ব্যবহার জরিপ করছি। আমি এই বিষয়টির আশেপাশে বেশ কয়েকটি কাগজপত্র পেয়েছি

• " পরিসংখ্যানগত সিগনি by হাই-ডাইমেনশনের জন্য ক্লাস্টারিংয়ের ক্যান্সার, কম – নমুনা আকারের ডেটা " লিউ, ইউফেনগ এট ​​আল দ্বারা। (2008)
• " ক্লাস্টার বিশ্লেষণে কিছু তাত্পর্যপূর্ণ পরীক্ষা ", বক দ্বারা (1985)

তবে আমি কিছু সাহিত্যের সন্ধান করতে আগ্রহী যে এই যুক্তি দিয়ে যে ক্লাস্টার বিশ্লেষণের ফলাফলগুলি যাচাই করার জন্য এসএসটি উপযুক্ত নয় । এটি দাবি করার একমাত্র উত্স আমি একটি সফ্টওয়্যার বিক্রেতার ওয়েব পৃষ্ঠা a

স্পষ্ট করা:

আমি ক্লাস্টার বিশ্লেষণের ফলস্বরূপ একটি উল্লেখযোগ্য ক্লাস্টার কাঠামোটি খুঁজে পেয়েছে কিনা তা পরীক্ষা করতে আগ্রহী, সুতরাং, আমি অনুসন্ধানের তথ্যগুলির ফলাফলগুলির উত্তর-পরবর্তী পরীক্ষার সম্ভাবনা সম্পর্কে "উদ্বেগকে সমর্থন বা প্রত্যাখ্যানকারী কাগজপত্রগুলি জানতে চাই ক্লাস্টারগুলি খুঁজে পেতে বিশ্লেষণ "।

মিলিগান এবং হার্টলের লেখা " ক্লাস্টারিং এবং ক্লাসিফিকেশন পদ্ধতি " 2003 সালে আমি সবেমাত্র একটি কাগজ পেয়েছি , উদাহরণস্বরূপ, এএনওভা ব্যবহার করা একটি অবৈধ বিশ্লেষণ হতে পারে যেহেতু ডেটাগুলিতে এলোমেলোভাবে অ্যাসাইনমেন্ট নেই।

Comments

এটি একটি ভাল প্রশ্ন, তবে এটি উল্লেখ করার মতো হতে পারে যে এটিকে এমনভাবে অঙ্কিত করা হয়েছে যা দেখে মনে হয় যে দ্বি-দ্বৈতত্ত্ব রয়েছে: আপনি ক্লাস্টারিংয়ের তাৎপর্যের জন্য পরীক্ষা করতে পারেন বা আপনি পারবেন না। পরিস্থিতি ভিন্ন, যদিও, "ক্লাস্টার বিশ্লেষণ" অর্থ বিভিন্ন জিনিস। রেফারেন্সড পেপারগুলিতে ক্লাস্টারিংয়ের প্রমাণ রয়েছে কিনা তা পরীক্ষা করার দিকে মনোনিবেশ করা হচ্ছে। সফ্টওয়্যার পুস্তিকাটিতে, উদ্বেগ ন্যায়ত করতে ব্যবহৃত অনুসন্ধানমূলক তথ্য বিশ্লেষণ ফলাফল পরীক্ষা পোস্টে-হক সম্ভাবনা সম্পর্কে প্রকাশ করা হয় এটি ক্লাস্টার। এখানে কোনও দ্বন্দ্ব নেই।

— শুক্র

উত্তর করার জন্য ধন্যবাদ. আমি যেভাবে প্রশ্ন উত্থাপন করেছি সে সম্পর্কে আপনি ঠিক বলেছেন। আমি ক্লাস্টার বিশ্লেষণের ফলস্বরূপ একটি উল্লেখযোগ্য ক্লাস্টার কাঠামোটি খুঁজে পেয়েছে কিনা তা পরীক্ষা করতে আগ্রহী, সুতরাং, আমি অনুসন্ধানের তথ্যগুলির ফলাফলগুলির উত্তর-পরবর্তী পরীক্ষার সম্ভাবনা সম্পর্কে "উদ্বেগকে সমর্থন বা প্রত্যাখ্যানকারী কাগজপত্রগুলি জানতে চাই ক্লাস্টারগুলি খুঁজে পেতে বিশ্লেষণ "। মিলিগান এবং হার্টল লিখেছেন 2003 সালের "ক্লাস্টারিং এবং শ্রেণিবদ্ধকরণ পদ্ধতি" থেকে আমি স্রেফ একটি কাগজ পেয়েছি, উদাহরণস্বরূপ, যে গ্রুপগুলিতে এলোমেলোভাবে অ্যাসাইনমেন্ট না থাকায় আনোভা ব্যবহার করা একটি অবৈধ বিশ্লেষণ হবে।

— ডিপিএস

সাহায্য করতে পারেন: বিজ্ঞান দ্বারা অন্ধ: ইচ্ছাকৃত ভাবে যাচাই ক্লাস্টার বিশ্লেষণ সমাধান ব্যবস্থাপনাগত পরিণাম mrs.org.uk/ijmr_article/article/78841

— rolando2

Answer 1

এটি মোটামুটি সুস্পষ্ট যে আপনি একই গ্রুপ ব্যবহার করে সংজ্ঞায়িত গ্রুপগুলির বিতরণে পার্থক্যের জন্য পরীক্ষা করতে পারবেন না (নির্লজ্জভাবে)। এটি "নির্বাচনী পরীক্ষা", "ডাবল ডিপিং", "বিজ্ঞপ্তি অনুমান" ইত্যাদি নামে পরিচিত

একটি উদাহরণ আপনার ডেটাতে "লম্বা" এবং "সংক্ষিপ্ত" লোকেদের উচ্চতায় একটি টি-পরীক্ষা সম্পাদন করবে। নাল হবে (প্রায়) সর্বদা প্রত্যাখ্যান করা হবে।

যা বলেছিলেন- পরীক্ষার পর্যায়ে কেউ ক্লাস্টারিংয়ের পর্যায়ে যেতে পারে। আমি অপরিচিত, তবে একটি নির্দিষ্ট রেফারেন্সের সাথে এটি করে তবে আমি সন্দেহ করি যে এটি করা উচিত ছিল।

Comments

আমি একমত যে বিভিন্ন ক্লাস্টার গ্রুপগুলিতে একটি তাত্পর্য পরীক্ষা করার সময় নাল প্রায় সর্বদা প্রত্যাখ্যান হবে। যদিও - কেবল তখনই কেসটি করা উচিত যদি ক্লাস্টারিং সিএতে বিবেচিত সমস্ত ভেরিয়েবলের জন্য দুর্দান্তভাবে আলাদা আলাদা গ্রুপ পরিচালনা করতে পারে? গ্রুপগুলির মধ্যে ভালভাবে বিভক্ত নয় এমন ভেরিয়েবল রয়েছে কিনা তা নির্ধারণের জন্য কোনও তাত্পর্য পরীক্ষা ব্যবহার করতে পারে না (অর্থাত প্রতিটি ভেরিয়েবলের জন্য একটি পরীক্ষা প্রয়োগ করে)? আপনি দয়া করে পরিসংখ্যানগত কারণে কেন এটি প্রস্তাবিত / বোধগম্য নয় তা বিশদভাবে বলতে পারেন?

— লুক

আনুষ্ঠানিক যুক্তি হ'ল প্রতিটি পরিমাপের ত্রুটি শব্দটি প্রায় শূন্যকে কেন্দ্র করে নয়। আমার লম্বা / সংক্ষিপ্ত উদাহরণটির কথা চিন্তা করুন: সমস্ত লোক একই বিতরণ থেকে আঁকা, তবে "লম্বা" গোষ্ঠীর ইতিবাচক গড় এবং "সংক্ষিপ্ত" নেতিবাচক গড়তে ত্রুটি রয়েছে।

— জনরোস

Answer 2

প্রদত্ত পরীক্ষার সাথে হাইপোথিসিস পরীক্ষার পরিবর্তে, আমি বুস্টস্ট্র্যাপিংয়ের মাধ্যম বা ক্লাস্টারগুলির মধ্যে অন্যান্য সংক্ষিপ্ত প্রাক্কলনের সুপারিশ করব। উদাহরণস্বরূপ আপনি কমপক্ষে 1000 টি নমুনা সহ পারসেন্টাইল বুটস্ট্র্যাপের উপর নির্ভর করতে পারেন। মূল বিষয় হ'ল প্রতিটি বুটস্ট্র্যাপ নমুনায় স্বাধীনভাবে ক্লাস্টারিং প্রয়োগ করা।

এই পদ্ধতিটি যথেষ্ট শক্তিশালী হবে, পার্থক্যের জন্য প্রমাণ সরবরাহ করবে এবং ক্লাস্টারের পার্থক্যের পার্থক্যের আপনার দাবিকে সমর্থন করবে। এছাড়াও, আপনি আরেকটি পরিবর্তনশীল তৈরি করতে পারেন (ক্লাস্টারের মধ্যে পার্থক্য বলুন) এবং এইরকম পার্থক্য ভেরিয়েবলের বুটস্ট্র্যাপ অনুমান অনুমানের একটি আনুষ্ঠানিক পরীক্ষার অনুরূপ।