টবিট মডেল ব্যাখ্যা

13

আমাদের দুটি গ্রুপে 100 জন অংশগ্রহণকারী রয়েছে, $n=50$ প্রতিটি গ্রুপে আমরা ৪ টি সময়-পয়েন্টে মৌলিক কার্যকারিতার দক্ষতার একটি মূল্যায়ন ব্যবহার করেছি। মূল্যায়নে questions টি প্রশ্ন রয়েছে, যার প্রতিটি 0 - 5 হয়েছে। আমাদের প্রতিটি প্রশ্নের জন্য স্বতন্ত্র স্কোর নেই, কেবলমাত্র মোট স্কোর যা 0 - 30 থেকে বেশি। উচ্চতর স্কোরগুলি আরও ভাল কার্যকারিতা নির্দেশ করে। সমস্যাটি হ'ল মূল্যায়ন খুব বেসিক এবং এর একটি সিলিং প্রভাব রয়েছে। ফলাফলগুলি খুব নেতিবাচকভাবে স্কাইড হয়। অংশগ্রহণকারীদের বেশিরভাগ 30 টির কাছাকাছি এসেছিল, বিশেষত 3 টি ফলো-আপ সময়-পয়েন্টে। সম্ভবত এমন হতে পারে যে উপরের সীমাতে যে সমস্ত অংশগ্রহণকারীরা স্কোর করেছিলেন তারা সকলেই সত্যিকারের যোগ্যতায় সমান নন: অংশগ্রহনকারীদের মধ্যে কয়েকজন কেবল 30 স্কোর করার বিষয়ে ছিলেন এবং অন্যরা 30 টি সহজেই স্কোর করেছিলেন এবং এটি সম্ভব হলে আরও বেশি স্কোর করতে পারে এবং তাই ডেটা হয় উপর থেকে সেন্সর করা।

আমি দুটি গ্রুপ এবং সময়ের সাথে তুলনা করতে চাই তবে ফলাফলের প্রকৃতি প্রদত্ত স্পষ্টতই এটি খুব কঠিন। যে কোনও ধরণের রূপান্তর কোনও পার্থক্য করে না। আমাকে পরামর্শ দেওয়া হয়েছে যে টোবিট মডেলটি এই মূল্যায়নের জন্য সেরা সজ্জিত এবং আমি আর্ন হেনিনগেনের কাগজ থেকে সেন্সারজেগ প্যাকেজ ব্যবহার করে আর-তে সেন্সরড রেগ্রেশন মডেলগুলির অনুমান করে উদাহরণগুলি ব্যবহার করে আর-এ বিশ্লেষণ চালাতে পারি ।

যাইহোক, আমার কাছে পরিসংখ্যানগুলির কেবলমাত্র একটি প্রাথমিক জ্ঞান আছে এবং টোবিট মডেলের উপর তথ্যটি বেশ জটিল বলে খুঁজে পেয়েছি। আমার এই মডেলটিকে সরল ভাষায় ব্যাখ্যা করতে সক্ষম হওয়া দরকার এবং টোবিট মডেলটি আসলে কী করে এবং কীভাবে আমি কোনও সরল ভাষা, বাদাম এবং বল্টসের ব্যাখ্যা খুঁজে পাই না। কেউ কি টোবিট মডেলটি ব্যাখ্যা করতে পারেন বা জটিল পরিসংখ্যান এবং গাণিতিক ব্যাখ্যা ছাড়াই পাঠযোগ্য রেফারেন্সের দিকে আমাকে নির্দেশ করতে পারেন?

যে কোনও সহায়তার জন্য অত্যন্ত কৃতজ্ঞ

tobit-regression

— আদম
সূত্র

8

উইকি টোবিট মডেলটিকে নিম্নরূপ বর্ণনা করেছে :

y_{i} = {\begin{cases} y_{i}^{*} & if y_{i}^{*} > 0 \\ 0 & if y_{i}^{*} \leq 0 \end{cases}

$y_i = \begin{cases} y_i^* &\text{if} \quad y_i^* > 0 \\ \ 0 &\text{if} \quad y_i^* \le 0 \end{cases}$

y_{i}^{*} = β x_{i} + u_{i}

$y_i^* = \beta x_i + u_i$

{তোমার দর্শন লগ করা}_{আমি} ~ এন (0, σ^{2})

$u_i \sim N(0,\sigma^2)$

আমি আপনার প্রসঙ্গে উপরোক্ত মডেলটি খাপ খাইয়ে নেব এবং সমীকরণগুলির একটি সরল ইংরেজী ব্যাখ্যা দেব যা সহায়ক হতে পারে।

Y_{আমি} = {\begin{cases} Y_{আমি}^{*} & যদি Y_{আমি}^{*} \leq 30 \\ 30 & যদি Y_{আমি}^{*} > 30 \end{cases}

$y_i = \begin{cases}\ y_i^* &\text{if} \quad y_i^* \le 30 \\ 30 &\text{if} \quad y_i^* > 30 \end{cases}$

Y_{আমি}^{*} = β {এক্স}_{আমি} + + {তোমার দর্শন লগ করা}_{আমি}

$y_i^* = \beta x_i + u_i$

{তোমার দর্শন লগ করা}_{আমি} ~ এন (0, σ^{2})

$u_i \sim N(0,\sigma^2)$

$y_i^*$

$y_i = 30 \quad \text{if} \quad y_i^* > 30$
$y_i = y_i^* \quad \text{if} \quad y_i^* \le 30$
$y_i^*$ $x_i$

আমি আশা করি যে সহায়ক। কিছু দিক স্পষ্ট না হলে মন্তব্যে জিজ্ঞাসা করুন নির্দ্বিধায়।

— varty
সূত্র

ভার্টি, আমি আপনার প্রতিক্রিয়ার খুব প্রশংসা করেছি। এটি খুব সহায়ক, এবং খুব দ্রুত ছিল! নিশ্চিত না যে আমি এখনও এটি ব্যাখ্যা করতে স্বাচ্ছন্দ্য বোধ করব তবে আমি পড়তে থাকব। আপনি যদি টোবিটে কোনও পাঠযোগ্য পাঠ্য জানেন তবে দয়া করে সেগুলি ফরোয়ার্ড করুন। অনেক ধন্যবাদ আবার

— অ্যাডাম 20

4

আমেরিকান সমাজবিজ্ঞান পর্যালোচনা (তৃতীয় সংখ্যা) এর 1983 সংস্করণে বার্কের একটি নিবন্ধ রয়েছে - এটি সেন্সরিং সম্পর্কে শিখেছি। ব্যাখ্যাটি বিশেষত নির্বাচনের পক্ষপাতদুষ্ট সম্পর্কে তবে এটি আপনার সমস্যার সাথে পুরোপুরি প্রাসঙ্গিক। বার্ক আলোচনা হিসাবে বাছাই পক্ষপাতিত্ব নমুনা নির্বাচন প্রক্রিয়া মাধ্যমে সেন্সর করা হয়, আপনার ক্ষেত্রে সেন্সরিং একটি সংবেদনশীল যন্ত্রের ফলাফল। কিছু সুন্দর চার্ট রয়েছে যা আপনাকে ঠিকভাবে দেখায় যে যখন আপনি ওয়াইর বিভিন্ন উপায়ে সেন্সর করেন তখন আপনি কীভাবে আপনার রিগ্রেশন লাইনটিকে পক্ষপাতদুষ্ট হওয়ার আশা করতে পারেন। সাধারণভাবে নিবন্ধটি গাণিতিকের চেয়ে যুক্তিযুক্ত এবং স্বজ্ঞাত (হ্যাঁ আমি এগুলিকে পৃথক হিসাবে বিবেচনা করি, পূর্ববর্তীটিকে প্রাধান্য দিয়ে)। সমস্যার এক সমাধান হিসাবে টোবিট আলোচনা করা হয়।

আরও সাধারণভাবে, মনে হচ্ছে হাতের কাজের জন্য টোব্যাট হ'ল সঠিক সরঞ্জাম। মূলত, এটি যেভাবে কাজ করে তা হ'ল সেন্সর হওয়ার সম্ভাবনাটি অনুমান করা এবং তারপরে স্কোরের পূর্বাভাস সমীকরণের মধ্যে এটি অন্তর্ভুক্ত করা। প্রেক্ট এবং ইনভার্স মিলের অনুপাত ব্যবহার করে হেকম্যান প্রস্তাবিত আরেকটি পদ্ধতি রয়েছে যা মূলত একই জিনিস তবে সেন্সর করার সম্ভাবনা এবং পরীক্ষায় স্কোরের পূর্বাভাস দেওয়ার জন্য আপনাকে বিভিন্ন ভেরিয়েবল থাকতে দেয় - সম্ভবত আপনি যে পরিস্থিতির জন্য প্রশংসনীয় তা হবেন না আছে।

অন্য একটি সুপারিশ - আপনি একটি শ্রেণিবদ্ধ টোবিট মডেল বিবেচনা করতে পারেন যেখানে পর্যবেক্ষণগুলি ব্যক্তিদের মধ্যে বাসা বাঁধে। এটি ব্যক্তিদের মধ্যে ত্রুটির সাথে যুক্ত হওয়ার প্রবণতার জন্য সঠিকভাবে অ্যাকাউন্ট হবে। অথবা আপনি যদি শ্রেণিবদ্ধ মডেল ব্যবহার না করেন তবে স্বতন্ত্র ব্যক্তিদের মধ্যে পর্যবেক্ষণের গোষ্ঠীগুলির জন্য আপনার স্ট্যান্ডার্ড ত্রুটিগুলি সামঞ্জস্য করার বিষয়ে নিশ্চিত হন। আমি জানি যে এটি স্টাটাতে করা সম্ভব এবং আত্মবিশ্বাসী আর এর সমস্ত বহুমুখীতার সাথে এটিও করতে পারে .. তবে আগ্রহী স্টাটা ব্যবহারকারী হিসাবে আমি আপনাকে আর-এ কীভাবে যেতে পারি সে সম্পর্কে কোনও গাইডলাইন সরবরাহ করতে পারি না।

— ইচ্ছাশক্তি
সূত্র

আমি মনে করি এটি @ উইল উল্লেখ করা নিবন্ধটির সম্পূর্ণ প্রশংসাপত্র: বার্ক, আরএ (1983)। সমাজতাত্ত্বিক ডেটাতে নমুনা নির্বাচন বায়াসের একটি ভূমিকা আমেরিকান সমাজতাত্ত্বিক পর্যালোচনা, 48, 386-398। doi: 10.2307 / 2095230 এই কাগজের বেশ কয়েকটি মুক্তভাবে উপলভ্য সংস্করণ রয়েছে, যা আপনি গুগল স্কলারে পাবেন।

— ক্রিশ