প্রপেনসিটি স্কোরের মিল কেন কার্যকারিতা অনুসারে কাজ করে?


13

প্রপেনসিটি স্কোর ম্যাচিং পর্যবেক্ষণমূলক স্টাডিজগুলিতে কার্যকারণ নির্ধারণের জন্য ব্যবহৃত হয় ( রোজেনবাউম / রুবিন পেপার দেখুন )। এটি কেন কাজ করে তার পিছনে সহজ স্বজ্ঞাততা কী?

অন্য কথায়, যদি আমরা নিশ্চিত করে নিই যে চিকিত্সায় অংশ নেওয়ার সম্ভাবনা দুটি গ্রুপের জন্য সমান, বিভ্রান্তিকর প্রভাবগুলি অদৃশ্য হয়ে যায়, এবং আমরা ফলাফলটি চিকিত্সা সম্পর্কে কার্যকরী সিদ্ধান্তে ব্যবহার করতে পারি?


8
আমার সম্ভবত একটি অপ্রিয় মতামত, তবে আমি মনে করি যে পিএসএম আপনাকে কার্যকারণ সূচনা করতে দেয় এটি কিছুটা প্রসারিত করে। হ্যাঁ, এটি একটি মুষ্টিমেয় ভেরিয়েবলের সাথে "ক্রুড" ম্যাচিংয়ের চেয়েও সূক্ষ্ম মেলানো পদ্ধতি, তবে দিনের শেষে, আপনি এখনও কেবলমাত্র সেই পরিবর্তনশীলগুলির সাথেই মেলান যা আপনার কাছে পর্যবেক্ষণযোগ্য। আপনার এখনও অন্তঃসত্ত্বা চিকিত্সা থাকতে পারে, তবে আপনি এই ধারণাটি তৈরি করেছেন যে মিলের পরে, চিকিত্সা বহিরাগত। তবে আবার, আমি রুবিনের পছন্দের তুলনায় কেউ নেই :)
মারকুইস ডি কারাবাস

5
যারা আছেন রোজেনবাউম এবং রুবিনের সাথে একমত নন। গ্যারি কিং বেশ কার্যকরভাবে যুক্তি দিয়েছিল যে পিএসএম ব্যবহার করে ম্যাচ করা থেকে প্রাপ্ত ফলাফলগুলি মহালানোবিসের দূরত্বের ভিত্তিতে মিলের ফলাফল থেকে নিকৃষ্ট হয় to তার কাগজ এখানে দেখুন ... gking.harvard.edu/files/gking/files/psnot.pdf?m=1456683191 উপরন্তু, এই webinar এমনকি আরো আকর্ষক প্রমাণ প্রদান করে ... methods-colloquium.com/...
মাইক হান্টার

4
তত্ত্ব অনুসারে, আপনি যদি সমস্ত অনুমানগুলি মেটানো হয় তবে আপনি রুবিনের কার্যকারিতা মডেল প্রয়োগ করে কার্যকারণ অনুমান করতে পারেন। তবে অবশ্যই শয়তান সর্বদা অনুমানের বিশদে থাকে এবং আমার জন্য, অননक्षित সংরক্ষিত কনফন্ডারদের অনুমান প্রায়শই শক্ত হয়। আসলে এটি প্রমাণ করা অসম্ভব। তবে আপনি যদি অবিরত কনফন্ডার্সগুলি না রেখে আপনার সিদ্ধান্তে পরিবর্তন আনতে কী লাগে তা নির্ধারণ করার জন্য আপনি কমপক্ষে সংবেদনশীলতা বিশ্লেষণ করতে পারেন perform
স্ট্যাটাস স্টুডেন্ট

5
ভাল পয়েন্ট @ ডি জনসন। জুডিয়া পার্ল, ইয়ান শ্রির এবং অরভিদ সজল্যান্ডারের পছন্দগুলিও রয়েছে যা তারা "সংঘর্ষক" বলে যার মাধ্যমে "এম-বায়াস" প্রবর্তনের সম্ভাবনার কারণে কার্যকারিতা নির্ধারণের জন্য রুবিনের সম্ভাব্য ফলাফল কাঠামোর সমালোচনা করে। এগুলি আকর্ষণীয় পাঠযোগ্য এবং এগুলি রুবিনের যে কোনও পাঠকের পরিপূরক হওয়া উচিত।
স্ট্যাটাস স্টুডেন্ট

উত্তর:


12

আমি গণিতে ন্যূনতম জোর দিয়ে আপনাকে একটি স্বজ্ঞাত বোঝার চেষ্টা করব।

পর্যবেক্ষণমূলক ডেটা এবং বিশ্লেষণের সাথে এটি থেকে উদ্ভূত মূল সমস্যাটি বিভ্রান্তিকর। বিস্ময়কর ঘটনা ঘটে যখন কোনও পরিবর্তনশীল কেবল নির্ধারিত চিকিত্সাকেই নয়, ফলাফলগুলিও প্রভাবিত করে। যখন এলোমেলোভাবে পরীক্ষা করা হয়, তখন বিষয়গুলি চিকিত্সার সাথে এলোমেলো করে দেওয়া হয় যাতে গড়ে প্রতিটি চিকিত্সার জন্য বরাদ্দকৃত বিষয়গুলি সমবায়ীয়দের (বয়স, বর্ণ, লিঙ্গ ইত্যাদি) ক্ষেত্রে একই রকম হয় similar এই এলোমেলোকরণের ফলে, এটি অসম্ভব (বিশেষত বৃহত নমুনায়) যে ফলাফলের মধ্যে পার্থক্যগুলি কোনও কোভেরিয়েটের কারণে হয়, তবে চিকিত্সা প্রয়োগের কারণে, সাধারণত, চিকিত্সা গ্রুপগুলিতে কোভেরিয়েট একই রকম হয়।

অন্যদিকে, পর্যবেক্ষণের তথ্য সহ এমন কোনও র্যান্ডম মেকানিজম নেই যা চিকিত্সার বিষয়গুলিকে বরাদ্দ করে। উদাহরণস্বরূপ স্ট্যান্ডার্ড সার্জারি পদ্ধতির তুলনায় একটি নতুন হার্ট সার্জারির পরে রোগীদের বেঁচে থাকার হারগুলি পরীক্ষা করার জন্য একটি অধ্যয়ন নিন Take সাধারণত কেউ নৈতিক কারণে প্রতিটি পদ্ধতিতে রোগীদের এলোমেলো করে দিতে পারে না। ফলস্বরূপ রোগী এবং চিকিত্সকরা চিকিত্সাগুলির মধ্যে একটিতে স্ব-নির্বাচন করেন, প্রায়শই তাদের সমবায় সম্পর্কিত বিভিন্ন কারণে to উদাহরণস্বরূপ আপনার বয়স বেশি হলে নতুন পদ্ধতিটি কিছুটা ঝুঁকিপূর্ণ হতে পারে এবং ফলস্বরূপ চিকিত্সকরা আরও কম বয়সী রোগীদের ক্ষেত্রে নতুন চিকিত্সার পরামর্শ দিতে পারেন। যদি এটি ঘটে এবং আপনি বেঁচে থাকার হারের দিকে তাকান, তবে নতুন চিকিত্সা আরও কার্যকর বলে মনে হতে পারে, তবে এটি বিভ্রান্তিকর হবে কারণ ছোট রোগীদের এই চিকিত্সার জন্য বরাদ্দ করা হয়েছিল এবং কম বয়সী রোগীরা বেশি দিন বাঁচার প্রবণতা দেখায়, অন্য সব সমান হচ্ছে। এখানেই প্রপেনসিটির স্কোর কার্যকর হয়।

প্রপেনসিটি স্কোরগুলি কার্যকারণ অনুমানের মৌলিক সমস্যার সাথে সহায়তা করে - যেগুলি চিকিত্সার বিষয়গুলির সাথে এলোমেলোকরণের কারণে আপনার বিভ্রান্ত হতে পারে এবং এটি কেবলমাত্র হস্তক্ষেপ বা চিকিত্সার চেয়ে আপনি যে "প্রভাবগুলি" দেখছেন তার কারণ হতে পারে। যদি আপনি কোনওরকমভাবে নিজের বিশ্লেষণকে সংশোধন করতে সক্ষম হন তবে চিকিত্সা গোষ্ঠীগুলির মধ্যে (যেমন বয়স, লিঙ্গ, লিঙ্গ, স্বাস্থ্যের অবস্থা) "ভারসাম্যপূর্ণ" হয়েছিল, আপনার কাছে দৃ strong় প্রমাণ থাকতে হবে যে হস্তক্ষেপ / চিকিত্সার ফলে ফলাফলের পার্থক্য রয়েছে বরং এই covariates চেয়ে। প্রচারের স্কোরগুলি, পর্যবেক্ষিত কোভারাইটের সেট দিয়ে তারা প্রাপ্ত চিকিত্সার জন্য নির্ধারিত হওয়ার বিষয়ে প্রতিটি বিষয়ের সম্ভাবনা নির্ধারণ করে। আপনি যদি তখন এই সম্ভাবনার সাথে মিলে যায় (প্রপেনসিটি স্কোর),

আপনি জিজ্ঞাসা করতে পারেন কেন সমাহারগুলিতে ঠিক মিল নেই (উদাহরণস্বরূপ নিশ্চিত করুন যে আপনি 40 বছরের বয়স্ক পুরুষদের চিকিত্সায় 1 টির মধ্যে ভাল স্বাস্থ্যের সাথে 40 বছর বয়সী পুরুষদের সাথে চিকিত্সার ক্ষেত্রে সুস্বাস্থ্যের 2)? এটি বড় আকারের নমুনা এবং কয়েকটি কোভারিয়েটের জন্য সূক্ষ্ম কাজ করে, তবে যখন নমুনার আকার ছোট হয় এবং কোভেরিয়েটের সংখ্যা এমনকি মাঝারি আকারের হয় তখন এটি করা প্রায় অসম্ভব হয়ে যায় (কেন এটি ঘটেছে তার জন্য ক্রস-ভ্যালিটেটেড মাত্রিকতার অভিশাপ দেখুন) ।

এখন, এই সমস্ত কথাই বলা হচ্ছে, প্রপেনসিটির স্কোরের অ্যাকিলিস হিল হ'ল কোনও অননक्षित সংরক্ষণকৃতের ধারণা। এই অনুমানটি জানিয়েছে যে আপনি আপনার সামঞ্জস্যের কোনও সংখ্যক সম্ভাব্য বিভ্রান্তকারীকে অন্তর্ভুক্ত করতে ব্যর্থ হন নি। স্বজ্ঞাতভাবে, এর পেছনের কারণটি হ'ল যদি আপনি আপনার প্রসারিত স্কোর তৈরি করার সময় কোনও বিবাদককে অন্তর্ভুক্ত না করেন তবে আপনি কীভাবে এটির জন্য সামঞ্জস্য করতে পারেন? স্থিতিশীল ইউনিট চিকিত্সার মান অনুমানের মতো অতিরিক্ত অনুমানও রয়েছে, যা বলে যে একটি বিষয়ের জন্য নির্ধারিত চিকিত্সা অন্যান্য বিষয়ের সম্ভাব্য ফলাফলকে প্রভাবিত করে না।


7

কঠোর অর্থে প্রপেনসিটি স্কোর সমন্বয়ের ক্ষেত্রে রিগ্রেশন মডেলিংয়ের চেয়ে কার্যকারিতা অনুক্রমের সাথে আর কোনও সম্পর্ক নেই। প্রপেনসিটি স্কোরগুলির সাথে একমাত্র আসল পার্থক্য হ'ল যে নমুনা আকারটি রিগ্রেশন মডেলগুলিকে অন্তর্ভুক্ত করতে পারে তার চেয়ে বেশি পরিলক্ষিত সম্ভাব্য কনফন্ডারদের সামঞ্জস্য করা সহজ করে তোলে। প্রপেনসিটি স্কোর সামঞ্জস্যতা (লজিট পিএসে একটি স্প্লাইন ব্যবহার করে বেশিরভাগ ক্ষেত্রে কোভারিয়েট অ্যাডজাস্টমেন্টের মাধ্যমে সেরা করা হয়) এমন একটি ডেটা হ্রাস কৌশল হিসাবে ভাবা যেতে পারে যেখানে হ্রাসটি একটি গুরুত্বপূর্ণ অক্ষের সাথে রয়েছে - বিভ্রান্তিকর। তবে এটি ফলাফলের ভিন্নতা (সংবেদনশীলতা পক্ষপাত) পরিচালনা করে না তাই প্রপোসিটিগুলি ব্যবহার করার সময়ও আপনাকে গুরুত্বপূর্ণ গুরুত্বপূর্ণ সমবায়ীদের জন্য সামঞ্জস্য করতে হবে (প্রতিকূলতা এবং বিপদ অনুপাতের অ-সংযোগযোগ্যতা সম্পর্কিত বিষয়গুলিও দেখুন)।

প্রপেনসিটির স্কোরের মিলটি অনেকগুলি পর্যবেক্ষণ বাদ দিতে পারে এবং এইভাবে মারাত্মকভাবে অক্ষম হতে পারে। আমি প্রাসঙ্গিক পর্যবেক্ষণগুলি সমস্যাযুক্ত হিসাবে বাদ দেয় এমন কোনও পদ্ধতি দেখি। ম্যাচিংয়ের সাথে আসল সমস্যাটি হ'ল এটি 1: 1 টি ম্যাচিংয়ের জন্য কিছু বোধ করা প্রয়োজনের কারণে সহজেই মিলিত পর্যবেক্ষণগুলি বাদ দেয় এবং বেশিরভাগ মিলে যাওয়া অ্যালগরিদমগুলি পর্যবেক্ষণের আদেশ-নির্ভর।

নোট করুন যে অ-ওভারল্যাপ অঞ্চলগুলি পরীক্ষা করতে এবং বাদ দেওয়ার জন্য বিস্মৃত হওয়ার জন্য স্ট্যান্ডার্ড রিগ্রেশন অ্যাডজাস্টমেন্ট করার সময় এটি খুব সহজ। প্রপেনসিটি স্কোর ব্যবহারকারীদের এটি করতে শেখানো হয় এবং কেবলমাত্র রিগ্রেশন মডেলারদের না করার কারণ এটি তাদের শেখানো হয় না।

প্রপেনসিটি স্কোর বিশ্লেষণ এক্সপোজারের সাথে কোনও ক্রিয়াকলাপ লুকিয়ে রাখে এবং পিএস এবং চিকিত্সা প্রভাবের মধ্যে একটি সম্ভাব্য সম্পর্কের পাশাপাশি প্রপেনসিটি স্কোরের ম্যাচিং লুকায়।

সংবেদনশীলতা (নিরক্ষিত কনফন্ডারদের কাছে) বিশ্লেষণের জন্য PS এর কাজ করা হয়েছে তবে স্ট্যান্ডার্ড রিগ্রেশন মডেলিংয়ের সাথে করা আরও সহজ।

আপনি যদি পিএস অনুমান করার জন্য নমনীয় রিগ্রেশন পদ্ধতিগুলি ব্যবহার করেন (যেমন, কোনও ধারাবাহিক পরিবর্তনশীল রৈখিকভাবে কাজ করবেন না) আপনার ব্যালেন্সের জন্য পরীক্ষা করার প্রয়োজন নেই - অবশ্যই ব্যালেন্স থাকতে হবে বা পিএস রিগ্রেশন মডেলটি শুরুতে সঠিকভাবে নির্দিষ্ট করা হয়নি । আপনাকে কেবল অ-ওভারল্যাপের জন্য পরীক্ষা করতে হবে। এটি ধরে নিয়েছে যে প্রপেনসিটি মডেল থেকে বাদ দেওয়া হয়নি এমন কোনও গুরুত্বপূর্ণ ইন্টারঅ্যাকশন নেই। মিলটি একই অনুমান করে।


3

আমি বেশিরভাগ ক্ষতিকারক একনোমেট্রিক্স পরীক্ষা করে দেখার পরামর্শ দিচ্ছি - তাদের স্বজ্ঞাত স্তরে এটির একটি ভাল ব্যাখ্যা রয়েছে।

আপনি যে সমস্যাটি সমাধান করার চেষ্টা করছেন সেটি হ'ল নির্বাচন পক্ষপাতিত্ব। যদি কোনও পরিবর্তনশীল সম্ভাব্য ফলাফল এবং চিকিত্সা পাওয়ার সম্ভাবনার সাথে সম্পর্কিত হয়, তবে যদি আপনি দেখতে পান যে চিকিত্সার প্রত্যাশিত ফলাফলটি চিকিত্সা না করা প্রত্যাশিত ফলাফলের চেয়ে ভাল, এটি হতে পারে যেহেতু চিকিত্সা উচ্চতর ঝোঁক আছে একটি কৃত্রিম গবেষনার হতে এবং সেইজন্য উচ্চতর আছে । সমস্যা দেখা দেয় কারণ চিকিত্সার সাথে সম্পর্কযুক্ত করে তোলে ।xiy0i,y1ixy0i,y1ixy0i,y1i

এই সমস্যাটি জন্য নিয়ন্ত্রণ করে সমাধান করা যেতে পারে । যদি আমরা মনে করি যে সম্ভাব্য ফলাফল এবং ভেরিয়েবল মধ্যে সম্পর্ক লিনিয়ার হয়, তবে আমরা কেবলমাত্র চিকিত্সার জন্য ডামি ভেরিয়েবলের সাথে রিগ্রেশনে অন্তর্ভুক্ত করে এবং ডামি ভেরিয়েবল সাথে ইন্টারেক্ট করে । অবশ্যই, লিনিয়ার রিগ্রেশন নমনীয় কারণ আমরা ফাংশনগুলিও অন্তর্ভুক্ত করতে পারি । কিন্তু যদি আমরা একটি কার্যকরী ফর্ম চাপাতে না চাই? তারপরে আমাদের একটি প্যারামিমেট্রিক নন: মেলানো দরকার।xxxxx

মিলের সাথে, আমরা চিকিত্সা এবং চিকিত্সাবিহীন পর্যবেক্ষণগুলিকে একই সাথে তুলনা করি । আমরা সমস্ত মান (বা মানের ছোট ছোট রেঞ্জ বা "বালতি") এর জন্য চিকিত্সার প্রভাবের একটি অনুমান নিয়ে এ থেকে দূরে এসেছি যার জন্য আমরা চিকিত্সা এবং চিকিত্সা উভয় পর্যবেক্ষণ করেছি। আমরা অনেক ধরনের না থাকে তাহলে যদি মান বা বাকেট, বিশেষ একটি উচ্চ মাত্রিক ভেক্টর তাই এটি অন্যান্য এক ঘনিষ্ঠ পর্যবেক্ষণ খুঁজে পাওয়া কঠিন হয়, তাহলে এটা এক মাত্রা সম্মুখের এই স্থান প্রকল্পের সহায়ক।xxxx

প্রপেনসিটির স্কোর মিলটি এটিই করে। তাহলে চিকিৎসা দেওয়া সঙ্গে আনকোরিলেটেড , তাহলে এটি দেখা যাচ্ছে যে তারা চিকিৎসা দেওয়া সঙ্গে আনকোরিলেটেড যেখানে হল চিকিৎসা দেওয়া সম্ভাব্যতা , অর্থাত্ প্রবৃত্তি স্কোর এর ।y0i,y1ixip(xi)p(x)xx

আপনার স্বজ্ঞাততাটি এখানে: আমরা যদি খুব অনুরূপ প্রবণতা স্কোর সহ পর্যবেক্ষণের উপ নমুনা খুঁজে পাই , তবে সেই উপ-নমুনার জন্য, চিকিত্সা করা এবং চিকিত্সা না করা গোষ্ঠীগুলি সাথে । প্রতিটি পর্যবেক্ষণ চিকিত্সা বা চিকিত্সা করা সমান সম্ভাবনা; এটি সূচিত করে যে কোনও চিকিত্সা করা পর্যবেক্ষণ উপ-নমুনায় থাকা কোনও মান থেকে সমান সম্ভাবনা রয়েছে । যেহেতু আমাদের মডেলটিতে সম্ভাব্য ফলাফলগুলি নির্ধারণ করে তাই এটি বোঝায় যে সেই সাব-নমুনার জন্য সম্ভাব্য ফলাফলp(x)xxxy0i,y1iচিকিত্সার সাথে সম্পর্কযুক্ত না। এই শর্তটি নিশ্চিত করে যে চিকিত্সা এবং চিকিত্সা না করা চিকিত্সার মধ্যে ফলাফলের সাব-নমুনা গড় পার্থক্য এই উপ-নমুনায় গড় চিকিত্সা প্রভাবের একটি ধারাবাহিক অনুমান, অর্থাৎ

E[yi|Treated,p(x)]E[yi|Untreated,p(x)]

স্থানীয় গড় চিকিত্সা প্রভাবের একটি ধারাবাহিক অনুমান।

আরও পড়া:

অনুশীলনে আমাদের প্রকৃতপক্ষে স্পেনসিটি স্কোর ম্যাচিং ব্যবহার করা উচিত?

সম্পর্কিত প্রশ্ন তুলনা ম্যাচিং এবং রিগ্রেশন


1

এটি একই কারণে "কাজ করে" যা প্রতিরোধ "কাজ করে" - আপনি সমস্ত বিভ্রান্তিমূলক কারণের জন্য নিয়ন্ত্রণ করছেন।

আপনি সম্ভবত অনেকগুলি বিভ্রান্তিকর ভেরিয়েবল, বা একটি মাত্র পরিবর্তনশীল সহ একটি রিগ্রেশন মডেল দ্বারা সম্পূর্ণ নির্দিষ্ট রেগ্রেশন মডেল দ্বারা যেমন বিশ্লেষণাত্মক নিয়ন্ত্রণ অর্জন করতে পারেন - প্রপেনসিটি স্কোর (same একই বিভ্রান্তির সমন্বয়ে একটি সমান জটিল মডেল হতে পারে বা নাও হতে পারে)। আপনি এই রেজিস্ট্রেশন বনাম প্রপেনসিটি স্কোরের সাথে লেগে থাকতে পারেন, বা আপনি অনুরূপ গ্রুপগুলির মধ্যে প্রতিক্রিয়াটির তুলনা করতে পারেন, যেখানে মিলটি প্রপেনসিটি স্কোর দ্বারা সংজ্ঞায়িত। আত্মায় আপনি একই কাজ করছেন, তবে কিছু লোক মনে করেন যে পরবর্তী পদ্ধতিটি কার্যকারণটির কার্যকারিতাটি হাইলাইট করে।

নিম্নলিখিত প্রতিক্রিয়া আপডেট করুন

কেন প্রোপেনসিটি স্কোর মিলের কাজগুলির প্রপঞ্চতা স্কোর উপপাদকটি অর্থাত, এমন কিছু যা আমি ভেবেছিলাম যে আমি রিগ্রেশন ব্যবহার করে করতে পারি। কিন্তু @ স্ট্যাটস স্টুডেন্টের যুক্তি অনুসারে, রিগ্রেশন চিকিত্সা এবং নিয়ন্ত্রণের মধ্যে তুলনা এক্সট্রোপোলেট করা সহজ করে তোলে যা কখনই ডেটাতে ঘটে না। যদি এটি কেন প্রোপেনসিটির স্কোরের মিল "কাজ করে" এর অংশ হয় তবে আমার উত্তরটি অসম্পূর্ণ ছিল। আমি কাউন্টারফ্যাক্টুয়ালস এবং কার্যকারণ সূচনার পরামর্শ নিয়েছিলাম

Y(0),Y(1)T|XY(0),Y(1)T|p(X),
এবং নিকটতম-প্রতিবেশী ম্যাচের একটি সংস্করণ পড়ুন, যাকে "ক্যালিপার ম্যাচিং" (p। 108) বলা হয় যেখানে চিকিত্সা এবং নিকটতম নিয়ন্ত্রণের প্রবণতা স্কোরের সর্বাধিক দূরত্বে থাকতে হবে, ফলস্বরূপ ম্যাচগুলি ছাড়াই কিছু চিকিত্সার ক্ষেত্রে দেখা যায়। এই ক্ষেত্রে, পদ্ধতিটি এখনও রিগ্রেশন-এ ননপ্যারমেট্রিক অ্যানালগ ব্যবহার করে প্রপেনসিটি স্কোরের জন্য সামঞ্জস্য করে কাজ করবে, তবে এটি একা তথ্য থেকে কী জানা যায় না তাও পরিষ্কার করে দেয় (মডেল ছাড়াই এক্সট্রোপোলেটেড) এবং এর পুনঃনির্ধারণের অনুমতি দেয় কার্যকারিতা পরিমাণে উপলব্ধ ডেটা দেওয়া।

1
এই উত্তরটি অপছন্দ করা যায় না কারণ এটি প্রবৃত্তি স্কোর পদ্ধতিগুলিকে রিগ্রেশন, তুলনামূলক কারণগুলির সাথে তুলনামূলকভাবে কার্যকরী চেনাশোনাগুলিতে সস্তা করে। তবে শীর্ষস্থানীয় উত্তরটি স্বীকার করে যে "অ্যাপিলিটি স্কোরের অ্যাকিলিস হিল হ'ল কোনও অননक्षित সংরক্ষণকৃতের ধারণা"। এটি বরং একটি বড় আকিলিস হিল বলুন অনুমানটি পূরণ হয়েছে এবং আমি মহাবিশ্বের সমস্ত বিভ্রান্তির সাথে একটি ডেটা সেট পেয়েছি। কেন রিগ্রেশন কার্যকারিতা সত্য উন্মোচন করতে কাজ করবে না তবে প্রপেনসিটি স্কোর মিলের ইচ্ছাকে বুঝতে আমাকে সহায়তা করুন।
বেন ওগোরেক

1
রিগ্রেশনটি প্রায়শই সমস্যাযুক্ত হওয়ার কারণ হ'ল রিগ্রেশন থেকে প্রাপ্ত ফলাফলগুলি বহির্মুখী। প্রপেনসিটি স্কোর সহ, কেউ নিশ্চিত করে যে, কোভারিয়েট ব্যালেন্সের সময় চিকিত্সা গ্রুপগুলির মধ্যে পর্যাপ্ত কনফন্ডার ওভারল্যাপ থাকে cks এটি নিয়মিতভাবে প্রবণতার ক্ষেত্রে হয় না এবং সঠিক মান নির্ধারণের কারণ হতে পারে কারণ এমন কোনও মান নির্ণায়ক চেক নেই যা আপনাকে বলবে যে আপনার রিগ্রেশন মডেলকে এক্সট্রাপোলটিং করছে। এ কারণেই আমি সাধারণত প্রেনসিটি স্কোর ব্যালেন্সিং চেকগুলি চালিত করি এমনকি যদি আমি কেবল একটি রিগ্রেশন মডেল চালাচ্ছি এবং প্রপেনসিটি স্কোরগুলি নিজেরাই ব্যবহার করার পরিকল্পনা না করি।
স্ট্যাটাস স্টুডেন্ট
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.