প্রশ্নটি প্রান্তিক প্রভাব (Y এর উপর X এর) সম্পর্কে, আমি মনে করি, পৃথক সহগের ব্যাখ্যা করার বিষয়ে তেমন কিছু নয়। যেমনটি লোকেরা কার্যকরভাবে উল্লেখ করেছে, এগুলি কেবল কখনও কখনও প্রভাব আকারের সাথে সনাক্তযোগ্য, যেমন যখন লিনিয়ার এবং যোগমূলক সম্পর্ক থাকে are
যদি এটি ফোকাস হয় তবে সমস্যাটি সম্পর্কে চিন্তা করার সহজ উপায় (ধারণামূলকভাবে, ব্যবহারিকভাবে না হলে) এটি হতে পারে বলে মনে হয়:
প্রান্তিক কোন কথাবার্তাও সঙ্গে একটি রৈখিক স্বাভাবিক রিগ্রেশন মডেল ওয়াই উপর এক্স প্রভাব পেতে, আপনি করতে পারেন ঠিক যে যথেষ্ঠ যেহেতু এটি পরিচিত না অনুমান করা হয় না এক্স কিন্তু উপর সহগ দিকে তাকাও। যাই হোক না কেন, কেউ প্রান্তিক প্রভাবগুলির জন্য যা চায় তা হ'ল এক ধরণের প্লট বা সংক্ষিপ্তসার যা এক্স এর বিভিন্ন মানের জন্য ওয়াই সম্পর্কে পূর্বাভাস এবং অনিশ্চয়তার পরিমাপ করে। সাধারণত কেউ অনুমানের অর্থ ওয়াই এবং আত্মবিশ্বাসের ব্যবধান পেতে পারে তবে এক্স এর জন্য ওয়াইয়ের সম্পূর্ণ শর্তাধীন বিতরণের জন্য ভবিষ্যদ্বাণীও চাইতে পারে That বিতরণটি ফিটযুক্ত মডেলের সিগমা অনুমানের চেয়ে আরও বিস্তৃত কারণ এটি মডেলের সহগগুলির সম্পর্কে অনিশ্চয়তার বিষয়টি বিবেচনা করে takes ।
এর মতো সাধারণ মডেলের জন্য বিভিন্ন বদ্ধ ফর্ম সমাধান রয়েছে। বর্তমান উদ্দেশ্যে আমরা এগুলি উপেক্ষা করতে পারি এবং আরও সাধারণভাবে চিন্তা করতে পারি যে সিমুলেশন দ্বারা কীভাবে প্রান্তিক প্রভাবগুলি গ্রাফটি পাওয়া যায়, এমনভাবে যাতে যথেচ্ছ জটিল মডেলগুলির সাথে সম্পর্কিত হয়।
ধরে নিন যে আপনি Y এর গড়ের পরিবর্তে X এর পরিবর্তিত প্রভাবগুলি চান এবং আপনি কিছু অর্থবোধক মানগুলিতে অন্য সমস্ত ভেরিয়েবলগুলি ঠিক করতে খুশি হন। এক্স এর প্রতিটি নতুন মানের জন্য, মডেল সহগের বিতরণ থেকে একটি আকারের বি নমুনা নিন। আর-তে এটি করার একটি সহজ উপায় এটি ধরে নেওয়া যে এটি গড় coef(model)এবং কোভেরিয়েন্স ম্যাট্রিক্স সহ স্বাভাবিক vcov(model)। সহগের প্রতিটি সেটের জন্য একটি নতুন প্রত্যাশিত ওয়াই গণনা করুন এবং একটি বিরতি দিয়ে লটটি সংক্ষিপ্ত করে। তারপরে এক্স এর পরবর্তী মানটিতে যান
আমার কাছে মনে হয় যে এই পদ্ধতিটি কোনও ভেরিয়েবলের সাথে প্রয়োগ করা কোনও অভিনব ট্রান্সফরমেশন দ্বারা অকার্যকর হওয়া উচিত, তবে আপনি প্রতিটি নমুনা পদক্ষেপে সেগুলি (বা তাদের বিপরীতমুখী) প্রয়োগও করেন। সুতরাং, যদি লাগানো মডেলটিতে ভবিষ্যদ্বাণী হিসাবে লগ (এক্স) থাকে তবে নমুনা সহগ দ্বারা এটির গুণমানের আগে আপনার নতুন এক্সটি লগ করুন। যদি লাগানো মডেলটির উপর নির্ভরশীল ভেরিয়েবল হিসাবে স্কয়ারটি (ওয়াই) থাকে তবে অন্তর্বর্ত হিসাবে সংক্ষিপ্তসারের আগে প্রতিটি পূর্বাভাসিত গড়কে নমুনায় বর্গাকার করুন।
সংক্ষেপে, আরও প্রোগ্রামিং তবে কম সম্ভাবনার গণনা এবং ফলাফল হিসাবে চিকিত্সাগতভাবে বোধগম্য প্রান্তিক প্রভাব। রাজনৈতিক বিজ্ঞানের সাহিত্যে এই 'পদ্ধতি'টিকে মাঝে মাঝে ক্লারিফাই হিসাবে উল্লেখ করা হয়, তবে এটি বেশ সাধারণ।