ল্যাগস এবং টাইম সিরিজের সাথে একাধিক লিনিয়ার রিগ্রেশন এর মধ্যে "মেকানিকাল" পার্থক্য কী?

14

আমি ব্যবসায় এবং অর্থনীতি থেকে স্নাতক যারা বর্তমানে তথ্য ইঞ্জিনিয়ারিংয়ে স্নাতকোত্তর ডিগ্রি অর্জন করছে। লিনিয়ার রিগ্রেশন (এলআর) এবং তারপরে টাইম সিরিজ অ্যানালাইসিস (টিএস) অধ্যয়নকালে, আমার মনে একটি প্রশ্ন ছড়িয়ে পড়ে। একাধিক লিনিয়ার রিগ্রেশন এবং এটিতে লেগ ভেরিয়েবল যুক্ত করার পরিবর্তে (এসিএফ এবং পিএসিএফ ব্যবহার করে নির্ধারিত ল্যাগের ক্রম সহ) কেন একটি সম্পূর্ণ নতুন পদ্ধতি তৈরি করুন? তাই শিক্ষক পরামর্শ দিয়েছিলেন যে আমি বিষয়টি নিয়ে একটু রচনা লিখব। আমি খালি হাতে সাহায্যের জন্য আসতে চাই না, তাই আমি এই বিষয়ে আমার গবেষণাটি করেছি research

আমি ইতিমধ্যে জানতাম যে এলআর ব্যবহার করার সময়, যদি গাউস-মার্কভ অনুমান লঙ্ঘিত হয় তবে ওএলএসের প্রতিরোধটি ভুল হয় এবং সময় সিরিজের ডেটা (স্বতঃসংশ্লিষ্টকরণ) ব্যবহার করার সময় এটি ঘটে। (এ সম্পর্কে আরও একটি প্রশ্ন, একটি জিএম অনুমান হ'ল স্বাধীন ভেরিয়েবলগুলি সাধারণত বিতরণ করা উচিত? বা কেবল স্বতন্ত্রের ক্ষেত্রে কেবল নির্ভরশীল পরিবর্তনশীল শর্তযুক্ত?)

আমি আরও জানি যে বিতরণ করা ল্যাগ রিগ্রেশন ব্যবহার করার সময়, যা আমি মনে করি যে আমি এখানে প্রস্তাব করছি এবং প্যারামিটারগুলি অনুমান করার জন্য ওএলএস ব্যবহার করি তখন ভেরিয়েবলের মধ্যে বহুবিধ লম্বা হতে পারে (স্পষ্টতই), সুতরাং অনুমানগুলি ভুল হবে।

একটি হিজড়া এবং এলআর সম্পর্কে অনুরূপ পোস্ট এখানে @IrishStat বললঃ

... একটি রিগ্রেশন মডেল হ'ল স্থানান্তর ফাংশন মডেলের একটি বিশেষ কেস যা ডায়নামিক রিগ্রেশন মডেল বা এক্সআরএমএক্স মডেল হিসাবে পরিচিত। মূল বিষয়টি হ'ল সময় সিরিজের মডেল সনাক্তকরণ যেমন যথাযথ পার্থক্য, এক্স এর যথাযথ ল্যাগ, উপযুক্ত এআরআইএমএ কাঠামো, ডাল, স্তর শিফট, স্থানীয় সময়ের প্রবণতা, মৌসুমী ডাল এবং সংযোজন যেমন অনির্ধারিত নিয়ন্ত্রক কাঠামোর যথাযথ পরিচয় পরামিতিগুলির পরিবর্তন বা ত্রুটির বৈকল্পিকতা অবশ্যই বিবেচনা করা উচিত।

(আমি বক্স জেনকিন্স বনাম এলআর সম্পর্কে অটোবক্সেও তার কাগজটি পড়েছি।) তবে এটি এখনও আমার প্রশ্নটির সমাধান করে না (বা কমপক্ষে এটি আমার জন্য আরএল এবং টিএসের বিভিন্ন মেকানিক্সকে পরিষ্কার করে না)।

এটি সুস্পষ্ট যে এমনকি পিছিয়ে থাকা ভেরিয়েবলগুলির সাথেও ওএলএসের সমস্যা দেখা দেয় এবং এটি দক্ষ বা সঠিক নয়, তবে সর্বাধিক সম্ভাবনা ব্যবহার করার পরে, এই সমস্যাগুলি কি এখনও অব্যাহত থাকে? আমি পড়েছি যে আরিমা সর্বাধিক সম্ভাবনার মাধ্যমে অনুমান করা হয়, সুতরাং যদি লাস সহ এলআর-কে ওএলএসের পরিবর্তে এমএল দ্বারা অনুমান করা হয়, তবে এটি কি "সঠিক" সহগফল লাভ করে (ধরে নিতে পারি যে আমরা অর্গের এমএ এর মতো ল্যাগড ত্রুটির শর্তাদিও অন্তর্ভুক্ত করেছি) কুই)।

সংক্ষেপে, সমস্যা কি ওএলএস? এমএল প্রয়োগ করে কি সমস্যার সমাধান হচ্ছে?

— মিগুয়েল এম।
সূত্র

4

জন মেইনার্ড কেনের সাথে সেখানে অদম্যর সাদৃশ্য রয়েছে।

— নিক কক্স

হাই @ নিককক্স, হ্যাঁ, তিনি আমার অনুরাগী অর্থনীতিবিদ, আমি মনে করি তিনি একজন আশ্চর্য মানুষ এবং বিভিন্নভাবে অত্যন্ত প্রতিভাবান ... আমার প্রশ্নের কোনও সহায়তা? আমি যা জানার চেষ্টা করছি তা হ'ল ল্যাগ হওয়া মডেলটি কেন ওএলএস অনুমানের সাথে কাজ করে এবং যদি এটি সর্বাধিক সম্ভাবনার অনুমানের সাথে সঠিকভাবে অনুমান করে। আমি বুঝতে পারি যে সেরা মডেল হস্তান্তর ফাংশন, এবং এই মুহুর্তে এটি অধ্যয়ন করছি। তবে তাত্ত্বিক প্রশ্নটি এখনও ওএলএস সম্পর্কে রয়েছে। যদি কোনও স্ব-সংশ্লেষ উপস্থিত না থাকায় ল্যাগগুলি এটিকে সরিয়ে দেয় (ধরে নিও যে এটি মাল্টিকোল উপস্থিত রয়েছে) তবে) এটি কী কাজ করবে? বা এখনও আছে এবং অন্তর্নিহিত রয়েছে

— মিগুয়েল এম

@ নিককক্স ... গাউসীয় অনুমানের প্রভাব / লঙ্ঘন যে ওএলএস কাজ করতে পারে না এবং এই পদ্ধতিতে এটি ফিট করা যায় না? আপনি দেখতে পাচ্ছেন যে আমি এটির সাথে কিছুটা হারিয়েছি, যদি এর উত্তর দিতে খুব দীর্ঘ হয় তবে দয়া করে আপনি যদি এমন কিছু বক্তৃতা প্রদান করতে পারেন যা আলোকিত করতে পারে আমিও প্রশংসা করব

— মিগুয়েল এম

1

মেকানিক্সের ক্ষেত্রে আমাকে পরামর্শ দেওয়া যাক যে ব্যবহারকারীর জন্য এআরএমএ মডেল প্রস্তাবিত (যথাযথভাবে পার্থক্যযুক্ত) এক্স ভেরিয়েবলটি অ-স্টেশনারিটি প্রতিফলিত করে that যদি ফিল্টারটি যথাযথভাবে পৃথক পৃথক সিরিজের ক্ষেত্রে প্রয়োগ করা হয় তবে ফলস্বরূপ জোড় ক্রস পারস্পরিক সম্পর্কের মাধ্যমে অধ্যয়ন করা যেতে পারে একটি প্রস্তাবিত পিছনে কাঠামো (বোঝা) উত্পাদন। এই ল্যাগ কাঠামোটি অনির্দিষ্ট / পটভূমি সিরিজ (অস্থায়ী ত্রুটি প্রক্রিয়া।) সম্পর্কে কোনও পরামর্শ দেওয়ার জন্য যথাযথ পার্থক্যযুক্ত মূল সিরিজে প্রয়োগ করা যেতে পারে। এই ত্রুটি প্রক্রিয়াটি পরে উপযুক্ত এআরএমএ উত্পাদন করার জন্য অধ্যয়ন করা যেতে পারে।

— আইরিশস্ট্যাট

@ আইরিশস্ট্যাট তাই দয়া করে আপনার সবেমাত্র যা বলেছিলেন তা আমাকে আবার নতুন করে বলি। আসুন আমরা নির্ভরশীল পরিবর্তনশীল Yt এবং স্বতন্ত্র ভেরিয়েবল এক্সটি রাখতে পারি, আমরা উভয়টিতে স্থিরত্ব না হওয়া পর্যন্ত আমরা Yt এবং Xt উভয়কেই পার্থক্য করি এবং তারপরে ল্যাগ কাঠামোটি অনুসন্ধান করতে আমরা ক্রস পারস্পরিক সম্পর্ক ফাংশনটি প্রয়োগ করতে পারি। এরপরে আমরা Yt থেকে Xt রিগ্রস করি এবং আমরা ত্রুটি শব্দটি অধ্যয়ন করি। যদি আমরা ত্রুটি শর্তে এআরএমএ কাঠামোটি খুঁজে পাই, তবে সাদা শোরগোল না হওয়া পর্যন্ত আমরা মডেলটিতে এটি প্রয়োগ করি, সঠিক? তবে, আমার প্রশ্ন এখনও আছে, ওএলএসের মাধ্যমে কি শেষ মডেলটি লাগানো আছে? যদি না হয় তবে কেন নয় এবং আমরা কোন পদ্ধতিটি ব্যবহার করব?

— মিগুয়েল এম

9

একাধিক লিনিয়ার রিগ্রেশন এবং এটিতে লেগ ভেরিয়েবল যুক্ত করার পরিবর্তে (এসিএফ এবং পিএসিএফ ব্যবহার করে নির্ধারিত ল্যাগের ক্রম সহ) কেন একটি সম্পূর্ণ নতুন পদ্ধতি তৈরি করুন?

$\hat\beta_{OLS}=(X'X)^{-1}X'y$ $X$ , এবং সেজন্য ওএলএসের অনুমানকারীটি অযোগ্য।

একটি জিএম অনুমান যে স্বাধীন ভেরিয়েবলগুলি সাধারণত বিতরণ করা উচিত? বা স্বতন্ত্রের জন্য কেবল শর্তাধীন নির্ভরশীল পরিবর্তনশীল?

স্বাভাবিক ধারণাটি কখনও কখনও মডেল ত্রুটির জন্য আহ্বান জানানো হয়, স্বাধীন ভেরিয়েবলের জন্য নয়। তবে ওএলএস অনুমানের ধারাবাহিকতা এবং দক্ষতার জন্য বা গাউস-মার্কভের উপপাদ্য ধারণের জন্য স্বাভাবিকতা প্রয়োজন is গাউস-মার্কভ তত্ত্বের উইকিপিডিয়া নিবন্ধে স্পষ্টভাবে বলা হয়েছে যে "ত্রুটিগুলি স্বাভাবিক হওয়ার দরকার নেই"।

ভেরিয়েবলের মধ্যে বহুবিধ লাইন (স্পষ্টতই) উদ্ভূত হতে পারে, সুতরাং অনুমানগুলি ভুল হবে।

উচ্চ মাত্রার মাল্টিকোলাইনারিটির অর্থ ওএলএসের অনুমানকারীগুলির স্ফীত বিভাজন। যাইহোক, বহুকালিক্রমিকতা নিখুঁত না হওয়া পর্যন্ত ওএলএসের অনুমানকারী এখনও নীল। সুতরাং আপনার বক্তব্য সঠিক দেখাচ্ছে না।

এটি সুস্পষ্ট যে এমনকি পিছিয়ে থাকা ভেরিয়েবলগুলির সাথেও ওএলএসের সমস্যা দেখা দেয় এবং এটি দক্ষ বা সঠিক নয়, তবে সর্বাধিক সম্ভাবনা ব্যবহার করার পরে, এই সমস্যাগুলি কি এখনও অব্যাহত থাকে?

একটি এআর মডেল ওএলএস এবং এমএল উভয় ব্যবহার করে অনুমান করা যায়; এই দুটি পদ্ধতিই ধারাবাহিক অনুমান করে। এমএ এবং এআরএমএ মডেলগুলি ওএলএস দ্বারা অনুমান করা যায় না, সুতরাং এমএলই প্রধান পছন্দ; আবার, এটি সামঞ্জস্যপূর্ণ। অন্যান্য আকর্ষণীয় সম্পত্তি হ'ল দক্ষতা, এবং এখানে আমি সম্পূর্ণ নিশ্চিত নই (তবে প্রশ্নটি বেশ স্ট্যান্ডার্ড হওয়ায় তথ্য কোথাও পাওয়া উচিত)। আমি "নির্ভুলতা" সম্পর্কে মন্তব্য করার চেষ্টা করব, তবে আপনি এটির অর্থ কী তা আমি নিশ্চিত নই।

— রিচার্ড হার্ডি
সূত্র

হাই মিঃ হার্ডি, উত্তরের জন্য আপনাকে অনেক ধন্যবাদ। পরিলক্ষিত বনাম অ-পর্যবেক্ষণ করা মানগুলি সম্পর্কে, কেবল সংক্ষেপে। আরিমা এবং সময় সিরিজে (আরও সুনির্দিষ্টভাবে XARIMAX), আমরা একটি "গতিশীল" পদ্ধতির নিয়োগ করি, কারণ আমরা পূর্বাভাস ত্রুটি ব্যবহার করি এবং লিনিয়ার রিগ্রেশনে আমরা সেগুলি ব্যবহার করি না - তবে আমরা সেগুলি ব্যবহার করতে পারি। আমি বুঝতে পারছি না তাহলে এখানে সমস্যা। বা যেমন @ আইরিস্ট স্ট্যাট বলেছেন, পার্থক্য কেবলমাত্র চিহ্নিতকরণ এবং মডেল পুনর্বিবেচনার কৌশল?

— মিগুয়েল এম।

এবং অনুমান সম্পর্কে কী বলা যায়, মডেলটিতে পিছিয়ে থাকা ত্রুটিগুলি অন্তর্ভুক্ত করার পরে কি ওএলএস (আবার) সঠিক? বহুবিশেষ সম্পর্কে, আমি বোঝাতে চেয়েছিলাম যে অনুমান সহগগুলি সঠিক নাও হতে পারে, কারণ তাদের অনুমানের একটি বড় বৈকল্পিকতা রয়েছে। সঠিক পদ্ধতি দ্বারা আমি বোঝাতে চাইছি, যদি ওলএস ব্যবহার করা প্রস্তাবিত পিছিয়ে থাকা মডেলগুলি ব্যবহার করার সময় এমএলের তুলনায় নিরপেক্ষ এবং দক্ষ অনুমান দেয়।

— মিগুয়েল এম।

@ মিগুয়েলএম, আমি এখন ভ্রমণ করছি, আমি পরে ফিরে আসার চেষ্টা করব।

— রিচার্ড হার্ডি

1

"লিনিয়ার রিগ্রেশনে আমরা এগুলি ব্যবহার করি না - তবে আমরা তা ব্যবহার করতে পারতাম না" সম্পর্কিত: আমরা এই পরিবর্তনগুলি পর্যবেক্ষণ করি না এবং সেহেতু সেগুলি মেকানিক্সের কারণে লিনিয়ার রিগ্রেশন ফ্রেমওয়ার্কে ব্যবহার করা যায় না (যেমন আমি উত্তরে উল্লেখ করেছি, অনুমানকারী অক্ষম); তবে এগুলি আরিমা কাঠামোর ক্ষেত্রে ব্যবহার করা যেতে পারে। "মডেলটির পিছনে থাকা ত্রুটিগুলি অন্তর্ভুক্ত করার সাথে সাথে" ওএলএস (আবার) সঠিক? "হ্যাঁ, এটি সত্য হওয়া উচিত। "সঠিকতা" সম্পর্কিত, যদি মডেলটি সঠিকভাবে নির্দিষ্ট করা হয় এবং ওএলএস এবং এমএল উভয়ই সম্ভব হয় তবে উভয়েরই ঠিকঠাক কাজ করা উচিত। অপব্যবহারের অধীনে জিনিসগুলি ভুল হতে থাকে।

— রিচার্ড হার্ডি

1

y = β_{0} + β_{1} x + ε

$y=\beta_0+\beta_1 x+\varepsilon$

x

$x$

y = β_{0} + β_{1} x + ε

$y=\beta_0+\beta_1 x+\varepsilon$

x

$x$

5

এটি একটি দুর্দান্ত প্রশ্ন। আরিমা মডেল এবং একাধিক লিনিয়ার রিগ্রেশন মধ্যে আসল পার্থক্য আপনার ত্রুটি কাঠামোর মধ্যে রয়েছে lies আপনি একাধিক লিনিয়ার রিগ্রেশন মডেলটিতে স্বতন্ত্র ভেরিয়েবলগুলি পরিচালনা করতে পারেন যাতে তারা আপনার সময় সিরিজের ডেটা ফিট করে, যা এটিই ইরিশস্ট্যাট বলছে। তবে, এর পরে, সঠিক সহগ এবং পরীক্ষার ফলাফল পেতে আপনাকে একাধিক রিগ্রেশন মডেলটিতে আরিমা ত্রুটিগুলি অন্তর্ভুক্ত করতে হবে। এ সম্পর্কে একটি দুর্দান্ত ফ্রি বই: https://www.otexts.org/fpp/9/1 । আমি অরিমা এবং একাধিক রিগ্রেশন মডেলগুলির সংমিশ্রণ নিয়ে আলোচনা করে সেই বিভাগটি সংযুক্ত করেছি।

— LindsayL
সূত্র

1

ভাল প্রশ্ন, আমি আসলে ডেটা সায়েন্টিস্ট হিসাবে আমার দিনের কাজ দুটিই তৈরি করেছি have টাইম সিরিজের মডেলগুলি তৈরি করা সহজ (আর মধ্যে পূর্বাভাস প্যাকেজ আপনাকে 5 সেকেন্ডের মধ্যে একটি কম তৈরি করতে দেয়), রিগ্রেশন মডেলগুলির তুলনায় একই বা আরও সঠিক ইত্যাদি General সাধারণত, একজনের সর্বদা সময় সিরিজ তৈরি করা উচিত, তারপরে রিগ্রেশন। টাইম সিরিজের দার্শনিক প্রভাবও রয়েছে, যদি আপনি কিছু না জেনে ভবিষ্যদ্বাণী করতে পারেন তবে তার অর্থ কী?

আমার গ্রহণ ডার্লিংটন। 1) "রিগ্রেশন আরও বেশি নমনীয় এবং শক্তিশালী, আরও ভাল মডেল তৈরি করে This এই পয়েন্টটি পুরো কাজ জুড়ে অসংখ্য স্পটে উন্নত।"

না, একেবারে বিপরীত। রিগ্রেশন মডেল সময় সিরিজের মডেলের চেয়ে অনেক বেশি অনুমান করে। অনুমান যত কম হবে, ভূমিকম্প সহ্য করার ক্ষমতা তত বেশি হবে (শাসনব্যবস্থা)। তদাতিরিক্ত, সময় সিরিজের মডেলগুলি হঠাৎ শিফটে দ্রুত সাড়া দেয়।

২) "আরিমা-র তুলনায় রিগ্রেশন আয়ত্ত করা অনেক সহজ, কমপক্ষে অন্যদের ক্ষেত্রে ইতিমধ্যে রিগ্রেশন ব্যবহারের সাথে পরিচিত তাদের জন্য" " এটি বিজ্ঞপ্তিযুক্ত যুক্তি।

3) "রিগ্রেশন একটি" বদ্ধ "গণনামূলক অ্যালগরিদম ব্যবহার করে যা যথাসম্ভব সম্ভব হলে ফলাফল দেওয়ার গ্যারান্টিযুক্ত, যখন আরিমা এবং অন্যান্য অনেকগুলি পদ্ধতি পুনরাবৃত্ত আলগোরিদিমগুলি ব্যবহার করে যা প্রায়শই কোনও সমাধানে পৌঁছাতে ব্যর্থ হয় I আমি প্রায়শই আরিমা পদ্ধতিটি" হ্যাং আপ "দেখেছি "এমন ডেটা সম্পর্কিত যা রিগ্রেশন পদ্ধতিটিকে কোনও সমস্যা দেয়" "

রিগ্রেশন আপনাকে একটি উত্তর দেয় তবে এটি কি সঠিক উত্তর? যদি আমি লিনিয়ার রিগ্রেশন এবং মেশিন লার্নিং মডেলগুলি তৈরি করি এবং সেগুলি একই সিদ্ধান্তে পৌঁছায় তবে এর অর্থ কী?

সুতরাং সংক্ষেপে, হ্যাঁ রিগ্রেশন এবং সময় সিরিজ উভয়ই একই প্রশ্নের উত্তর দিতে পারে এবং প্রযুক্তিগতভাবে, সময় সিরিজটি প্রযুক্তিগতভাবে রিগ্রেশন হয় (স্বতঃ-প্রত্যয়ন হলেও)। টাইম সিরিজের মডেলগুলি কম জটিল এবং অতএব রিগ্রেশন মডেলের চেয়ে বেশি দৃust়। যদি আপনি বিশেষীকরণ সম্পর্কে চিন্তা করেন, তবে টিএস মডেলগুলি পূর্বাভাস দিতে বিশেষত যেখানে রিগ্রেশন বোঝার ক্ষেত্রে বিশেষজ্ঞ। আপনি ব্যাখ্যা করতে বা ভবিষ্যদ্বাণী করতে চান কিনা তা এটি ফোটে।

— লুকানো মার্কভ মডেল
সূত্র

1

"টাইম সিরিজের মডেলগুলি কম জটিল এবং অতএব রিগ্রেশন মডেলগুলির চেয়ে বেশি শক্তিশালী" .... আপনারা যা বোঝাতে চেয়েছিলেন তা হ'ল "আরিমা মডেলগুলি কম জটিল এবং অতএব রিগ্রেশন মডেলের চেয়ে বেশি শক্তিশালী"। এআরআইএমএ এবং রিগ্রেশনকে অন্তর্ভুক্তি হ'ল স্থানান্তর ফাংশন মডেল ... যা বুদ্ধিমান পছন্দ যা বোঝার (রিগ্রেশন) এবং অজানা / অনির্দিষ্ট পটভূমির উভয় উপাদান (এআরআইএমএ) উভয়কে একত্রিত করে।

— আইরিশস্ট্যাট

2

@ ইরিশস্ট্যাট হাই মিঃ রেইলি, আমি স্ট্যাকেক্সচেঞ্জে বেশ কয়েকটি পোস্টে আপনার উত্তরগুলি পড়ছি, এবং আমি অটোবক্সে অনেকগুলি কাগজপত্র পাশাপাশি পিএসইউ সময় সিরিজের কোর্সের লিঙ্কগুলিও পড়েছি, তবে আমি এখনও করি না ল্যাগড ভেরিয়েবল এবং লেগড ত্রুটি শর্তাদি ব্যবহার করে কেন প্রয়োজনীয় (বা যদি) একটি লিনিয়ার রিগ্রেশন (ওএলএস ব্যবহার করে) কাজ করে না তা বুঝতে পারেন

— মিগুয়েল এম

@ আইরিশস্ট্যাট এটি কি ওএলএস পদ্ধতিতে কাজ করে না?

— মিগুয়েল এম

1

আপনার বক্তব্যটি বাড়ানোর জন্য আইরিশস্ট্যাট, লক্ষ্যটি হবে গ্রেঞ্জার কার্যকারিতা। উদাহরণস্বরূপ, কোনও গুণাগুণ পরিসংখ্যানগত দিক থেকেও তাত্পর্যপূর্ণ হলেও, পূর্বাভাসের নির্ভুলতার উন্নতি করার ক্ষেত্রে এটি প্রয়োজনীয়ভাবে তাত্পর্যপূর্ণ নয়। আমার গবেষণায়, আমি খুঁজে পেয়েছি যে রিগ্রেশন মডেলগুলি (লিনিয়ার, লাসো, ইত্যাদি) বলতে আসলে যে জিনিসগুলি তার চেয়ে গুরুত্বপূর্ণ তা বলতে ঝোঁক, যখন এলোমেলো বনগুলি তাদের ডাউনগ্রেড এবং সত্য লিভারগুলি সনাক্ত করতে ঝোঁক। এছাড়াও, র্যান্ডম বনভূমির রৈখিক মডেলগুলির মতো নমুনার নির্ভুলতার বাইরে রয়েছে। একমাত্র ত্রুটিটি হ'ল আপনি সহগগুলি আসলে কী তা বলতে পারবেন না।

— লুকানো মার্কভ মডেল 4

2

@MiguelM। এটি অবশ্যই কাজ করতে পারে কারণ একটি ট্রান্সফার ফাংশন একটি বহুবর্ষীয় বিতরণ ল্যাগ মডেল সম্ভবত ডালগুলির জন্য সামঞ্জস্য করার সময় বোধগম্য স্তরের শিফট / সময়ের ট্রেন্ডস / মৌসুমী ডাল সহ (এক সময়ের ব্যতিক্রম) আমি মনে করি প্রাথমিক পার্থক্য চিহ্নিতকরণ এবং মডেল পুনর্বিবেচনার কৌশল

— আইরিশস্ট্যাট

0

ট্রান্সফার ফাংশন এবং মাল্টিপেইপ লিনিয়ার রিগ্রেশন (এর সাধারণ ব্যবহারের মধ্যে) এর গভীরতম পার্থক্য তাদের উদ্দেশ্যগুলির মধ্যে রয়েছে বলে মনে করেন, একাধিক রিগ্রেশন নির্ভরশীল ভেরিয়েবলের প্রধান কার্যনির্বাহী পর্যবেক্ষক নির্ধারকগুলি সন্ধান করার জন্য ভিত্তিক হয় যখন স্থানান্তর ফাংশনগুলি কেবল নির্ভরশীলের উপর প্রভাবের পূর্বাভাস দিতে চায় একটি নির্দিষ্ট বহির্মুখী ভেরিয়েবলের তারতম্যের পরিবর্তনশীল ... সংক্ষেপে, একাধিক রিগ্রেশন অতিমাত্রায় নির্দিষ্ট প্রভাবের পূর্বাভাস দেওয়ার জন্য সম্পূর্ণ ব্যাখ্যা এবং স্থানান্তর ফাংশনকে কেন্দ্র করে ...

— Rodolfo
সূত্র

আমি এটি পুরোপুরি সঠিক বলে মনে করি না, কারণ উভয় পদ্ধতিরই সহগগুলি পাওয়া যায় যা বাস্তবে ব্যাখ্যা করা যায়। এছাড়াও, স্থানান্তর ফাংশনগুলি কার্যকারণ বিশ্লেষণের উপর নির্ভর করে এবং একাধিক লিনিয়ার রিগ্রেশন এর চেয়ে আলাদা করার ক্ষেত্রে এটি আরও ভাল। এছাড়াও, এই পোস্টটি এই জাতীয় দুটি পদ্ধতির মধ্যে যান্ত্রিক / পদ্ধতিগত পার্থক্যের জন্য জিজ্ঞাসা করে

— মিগুয়েল এম