পরিবর্তনশীল নির্বাচনের আরও সুস্পষ্ট আলোচনা

Question

পটভূমি

আমি মেডিসিনে ক্লিনিকাল গবেষণা করছি এবং বেশ কয়েকটি পরিসংখ্যান কোর্স নিয়েছি। আমি কখনও লিনিয়ার / লজিস্টিক রিগ্রেশন ব্যবহার করে একটি কাগজ প্রকাশ করি নি এবং সঠিকভাবে পরিবর্তনশীল নির্বাচন করতে চাই। ব্যাখ্যামূলকতা গুরুত্বপূর্ণ, সুতরাং অভিনব মেশিন শেখার কোনও কৌশল নেই। আমি ভেরিয়েবল সিলেকশন সম্পর্কে আমার বোঝার সংক্ষিপ্তসার করেছি - কেউ কোনও ভ্রান্ত ধারণার উপর আলোকপাত করতে মন চায়? আমি এটির সাথে দুটি (1) অনুরূপ (2) সিভি পোস্ট পেয়েছি , তবে তারা আমার উদ্বেগের পুরোপুরি উত্তর দেয়নি। কোন চিন্তা অনেক প্রশংসা হবে! আমার শেষে 3 টি প্রাথমিক প্রশ্ন আছে।

সমস্যা এবং আলোচনা

আমার সাধারণ রিগ্রেশন / শ্রেণিবিন্যাসের সমস্যাটিতে 200-300 টি পর্যবেক্ষণ রয়েছে, 15% এর বিপরীত ইভেন্টের হার (শ্রেণিবদ্ধকরণ) এবং 40 টির মধ্যে 25 টির উপরে তথ্য যা সাহিত্যে "পরিসংখ্যানগতভাবে গুরুত্বপূর্ণ" প্রভাব ফেলেছে বা প্রশংসনীয় বলে দাবি করা হয়েছে ডোমেন জ্ঞান দ্বারা জ্ঞান।

আমি উদ্ধৃতিগুলিতে "পরিসংখ্যানগতভাবে তাৎপর্যপূর্ণ" রেখেছি কারণ মনে হচ্ছে সবাই এবং তাদের মা ধাপে ধাপে রিগ্রেশন ব্যবহার করে তবে হ্যারেল (৩) এবং ফ্লুম (৪) বেশ কয়েকটি ভাল কারণে এটি পছন্দ করে না। এটি আরও একটি গেলম্যান ব্লগ পোস্ট আলোচনার দ্বারা সমর্থিত (5)। মনে হয় একমাত্র আসল সময় যা পদক্ষেপের পক্ষে গ্রহণযোগ্য তা হ'ল যদি এটি সত্যিকারের অনুসন্ধান বিশ্লেষণ হয়, বা কেউ ভবিষ্যদ্বাণীতে আগ্রহী হয় এবং এতে ক্রস-বৈধকরণ প্রকল্প জড়িত থাকে। বিশেষত যেহেতু অনেক চিকিত্সা কমরেবিডিজি কোলিনারিটিতে ভুগছে এবং অধ্যয়নগুলি ছোট নমুনার আকারে ভুগছে, তাই আমার বোঝার বিষয় যে সাহিত্যে প্রচুর মিথ্যা ইতিবাচকতা থাকবে; এটি আমার সম্ভাব্য ভেরিয়েবলগুলি অন্তর্ভুক্ত করার জন্য সাহিত্যের উপর নির্ভর করার সম্ভাবনা কম করে makes

আর একটি জনপ্রিয় পদ্ধতির মাধ্যমে ভবিষ্যদ্বাণীকারীদের এবং স্বতন্ত্র ভেরিয়েবলের মধ্যে একটি সূচনা পয়েন্ট হিসাবে ধারাবাহিক অবিচ্ছিন্ন রিগ্রেশন / সংযোগগুলি ব্যবহার করা হয়। নির্দিষ্ট প্রান্তিকের নীচে (বলুন, পি <0.2)। এই স্ট্যাকএক্সচেঞ্জ পোস্টে বর্ণিত কারণগুলির জন্য এটি ভুল বা কমপক্ষে বিভ্রান্ত বলে মনে হচ্ছে (6)।

শেষ অবধি, মেশিন লার্নিংয়ে জনপ্রিয় দেখা যায় এমন একটি স্বয়ংক্রিয় পদ্ধতি হ'ল এল 1 (লাসো), এল 2 (রিজ), বা এল 1 + এল 2 কম্বো (ইলাস্টিক নেট) এর মতো দণ্ড ব্যবহার করা। আমার বোধগম্যতা হ'ল এগুলিতে ওএলএস বা লজিস্টিক রিগ্রেশন এর মতো সহজ ব্যাখ্যা নেই।

গেলম্যান + হিল নিম্নলিখিত প্রস্তাব:

আমার পরিসংখ্যান কোর্সে, আমি ভেরিয়েবল দ্বারা মডেল / ভেরিয়েবল সিলেকশন ভেরিয়েবল করতে পূর্ণ এবং নেস্টেড মডেলগুলির সাথে তুলনা করতে এফ টেস্টগুলি বা ডিভায়েন্সের বিশ্লেষণগুলি ব্যবহার করেও স্মরণ করি। এটি যুক্তিসঙ্গত বলে মনে হচ্ছে তবে ভেরিয়েবলগুলি সন্ধানের জন্য পদ্ধতিগতভাবে ফিটিং সিক্যুয়ালি নেস্টেড মডেলগুলি দেখে মনে হয় যে এটি সহজেই স্বয়ংক্রিয়ভাবে চালিত হতে পারে (তাই আমি কিছুটা উদ্বিগ্ন) এবং এটিও মনে হয় যে এটি ক্রম সংক্রান্ত সমস্যায় ভুগছে আপনি পরিবর্তনশীল অন্তর্ভুক্তি পরীক্ষা। আমার বোধগম্যতা হল এটি বহুবিধ লাইনারিটি এবং অবশিষ্টাংশ প্লটগুলি (অবশিষ্ট রেখার পূর্বাভাস) তদন্ত করে পরিপূরক হওয়া উচিত।

প্রশ্নাবলী:

1. গেলম্যান সারাংশটি কি যাওয়ার উপায়? আপনি তার প্রস্তাবিত কৌশলটিতে কী যুক্ত করবেন বা পরিবর্তন করবেন?

2. সম্ভাব্য মিথস্ক্রিয়া এবং রূপান্তর (যা খুব পক্ষপাত / ত্রুটি / বাদ পড়ার প্রবণ বলে মনে হয়) সম্পর্কে বিশুদ্ধভাবে চিন্তা বাদ দিয়েও, সম্ভাব্য বিষয়গুলি আবিষ্কার করার অন্য কোনও উপায় কি? মাল্টিভিয়ারিয়েট অ্যাডিপটিভ রিগ্রেশন স্প্লাইন (এমএআরএস) আমার কাছে সুপারিশ করা হয়েছিল, তবে আমাকে অবহিত করা হয়েছে যে ননলাইনারি / ট্রান্সফর্মেশনগুলি কোনও স্ট্যান্ডার্ড রিগ্রেশন মডেলটিতে একই ভেরিয়েবলগুলিতে অনুবাদ করে না।

3. ধরুন আমার লক্ষ্যটি খুব সাধারণ: বলুন, "আমি এক্স এর সাথে এক্স 1 এর সংস্থান অনুমান করতে চাই, কেবল এক্স 2 এর জন্য অ্যাকাউন্টিং"। প্রকৃত ভবিষ্যদ্বাণীমূলক দক্ষতার (যেমন ক্রস-বৈধকরণ আরএমএসই বা নির্ভুলতার ব্যবস্থা দ্বারা পরিমাপ করা যেতে পারে) উল্লেখ না করে কেবল কেবল ওয়াই ~ এক্স 1 + এক্স 2 পুনরায় জমা দেওয়া, ফলাফলটি রিপোর্ট করা কি পর্যাপ্ত? ইভেন্টের হার বা নমুনার আকারের উপর নির্ভর করে কি এই পরিবর্তনটি হয় বা R ^ 2 অতি কম হলে (আমি জানি যে R ^ 2 ভাল নয় কারণ আপনি সর্বদা অতিরিক্ত পরিমাণে এটি বাড়িয়ে তুলতে পারেন)? ভবিষ্যদ্বাণীক শক্তিটিকে অপ্টিমাইজ করার চেয়ে আমি সাধারণত আগ্রহ / ব্যাখ্যায় আগ্রহী।

উদাহরণ উপসংহার:

1. "এক্স 2 এর জন্য নিয়ন্ত্রণ করা, এক্স 1, এক্স 1 এর রেফারেন্স স্তরের তুলনায় ওয়াইয়ের সাথে পরিসংখ্যানগতভাবে উল্লেখযোগ্যভাবে যুক্ত ছিল না।" (লজিস্টিক রিগ্রেশন সহগ)
2. "এক্স 1 ওয়াইয়ের পরিসংখ্যানগতভাবে তাৎপর্যপূর্ণ ভবিষ্যদ্বাণী ছিল না, কারণ ডিএফ পরিবর্তনের তুলনায় বিচ্যুতির মডেল ড্রপ যথেষ্ট পরিমাণে ছিল না।" (বিচ্যুতি বিশ্লেষণ)

ক্রস-বৈধকরণ সবসময় প্রয়োজনীয়? যে ক্ষেত্রে, কেউ এসএমওটিই, স্যাম্পলিং ইত্যাদির মাধ্যমে ক্লাসগুলির কিছুটা ভারসাম্যও করতে চাইতে পারে

Comments

রেফারেন্স 1. স্ট্যাটাস.স্ট্যাকেক্সেঞ্জিং / সেকশনস / 576725/… 2. স্ট্যাটস.স্ট্যাকেক্সেঞ্জাওয়েজ / সেকশনস / 2121907/… 3. স্ট্যাটাস.স্ট্যাকেক্সেঞ্জাওয়েজ / সেকশনস / 18214/… 4. লেক্সজেনসন / পিএনউসুগ/ 2008/ ডেভিডক্যাসেল-স্টপিংসস্টিওয়াইজ.পিডিএফ 5. andrewgelman.com/2014/06/02/hate-stepwise-regression 6. stats.stackexchange.com/questions/138860/…

— শার্প_আইমেজ

কোনও কিছু স্বয়ংক্রিয় করা যায় বা না (বর্তমানে - শক্তিশালী এআই এর আগমনের আগে) আমাকে লাল রঙের হেরিং হিসাবে আঘাত করে।

— গুং - মনিকা পুনরায়

খুব চিন্তাশীল প্রশ্নের জন্য +1। আপনার পর্যালোচনাটি যে জিনিসটি দেখায় তা হ'ল ভেরিয়েবল নির্বাচনের জন্য কোনও স্ট্যান্ডার্ড রেসিপি বা কুকবুক নেই। প্রত্যেকেরই আলাদা পদ্ধতির এবং "সেরা" অনুশীলনের সেট রয়েছে। তারপরে, তাত্ত্বিক বা জনসংখ্যার তুলনায় খুব গুরুত্বপূর্ণ পার্থক্য রয়েছে বনাম একটি অনুপ্রাণিতভাবে চালিত একটি - এই বিভিন্ন ফ্রেমওয়ার্কগুলি খুব কমই প্রান্তিক হয় এবং সেগুলির সাথে লড়াই করা সহজ। "অনুপস্থিত" কিছুর বিষয়ে আপনার উদ্বেগ ভিত্তিহীন নয় তবে বাস্তবতা হ'ল একটি চূড়ান্ত, দ্ব্যর্থহীন উত্তর কেবল উপস্থিত নেই। আপনি পর্যালোচনা করেছেন এমন পদ্ধতিগুলি ব্যাপকভাবে নথিভুক্ত হয়েছে, একটি বেছে নিন

— মাইক হান্টার

হ্যারেল, ফ্লুম এবং কোলাসা; এটা তারপর নিষ্পত্তি।

— গুং - মনিকা পুনরায়

রে গেলম্যান অ্যান্ড হিলের ৪ (খ): হ্যারেল, আরএমএস ১ ম এড, পি :০: "পরিবর্তনশীল নির্বাচনের সাথে একটি চূড়ান্ত সমস্যাটি অনেকগুলি অর্থনীতিবিদদের রিগ্রেশন মডেলগুলির বোধগম্য উপায়ের সাথে এই পদ্ধতির [sc। পদক্ষেপ] সাথে তুলনা করে চিত্রিত করা হয়েছে। অর্থনীতিবিদরা প্রায়শই কৌশলটি ব্যবহার করেন তাত্পর্যপূর্ণ এবং কেবলমাত্র সেই পরিবর্তনগুলি মুছে ফেলার ক্ষেত্রে যাঁর রিগ্রেশন সহগের অদম্য দিকনির্দেশনা রয়েছে "। এবং আমি মনে করি যে স্টিয়ারবার্গ এটিতে একটি কাগজ লিখতে যাচ্ছিল। [রেফ খুঁজে পেতে চেষ্টা করবে। যখন আমি সুযোগ পাই]]

— স্কর্চচি - মনিকা পুনরায় ইনস্টল করুন

Answer 1

অ্যান্ড্রু গেলম্যান অবশ্যই পরিসংখ্যানগত বিশ্বে একটি সম্মানিত নাম। তাঁর নীতিগুলি কার্যকারণমূলক মডেলিং গবেষণার সাথে ঘনিষ্ঠভাবে সামঞ্জস্য করেছে যা ক্ষেত্রের অন্যান্য "বড় নাম" দ্বারা করা হয়েছে। তবে আমি মনে করি ক্লিনিকাল গবেষণায় আপনার আগ্রহ দেখানো উচিত, আপনার অন্য উত্সগুলির সাথে পরামর্শ করা উচিত।

আমি "কার্যকারণ" শব্দটি আলগাভাবে ব্যবহার করছি (অন্যের মতো) কারণ পর্যবেক্ষণের তথ্য থেকে "কার্যকারণ অনুমান" সম্পাদন এবং ভেরিয়েবলের মধ্যে কার্যকারণ সম্পর্ককে দৃ between় করার মধ্যে একটি সূক্ষ্ম রেখা আঁকতে হবে। আমরা সকলেই সম্মত হই যে আরসিটি হ'ল কার্যকারিতা নির্ধারণের প্রধান উপায়। কিছু ব্যতিক্রম ( সেন, 2004 ) সহ আমরা র্যান্ডমাইজেশন অনুমান অনুযায়ী এই জাতীয় ট্রায়ালের ক্ষেত্রে খুব কমই সামঞ্জস্য করি । পর্যবেক্ষণের গবেষণাগুলির তাদের গুরুত্ব এবং ইউটিলিটি রয়েছে ( ওয়েস, 1989 ) এবং পর্যবেক্ষণের তথ্য থেকে অনুমান করার জন্য পাল্টা ভিত্তিক পদ্ধতির এমনটি করার জন্য দার্শনিকভাবে দৃ approach ় দৃষ্টিভঙ্গি হিসাবে গ্রহণ করা হয় ( হাফলার, 2005 )। এটি প্রায়শই খুব কাছাকাছিভাবে আরসিটিগুলিতে পরিমাপের ব্যবহার-কার্যকারিতাটির কাছাকাছি হয় ( অ্যাংলেমিয়ার, ২০১৪ )।

অতএব, আমি পর্যবেক্ষণমূলক তথ্য থেকে পড়াশোনার উপর ফোকাস করব। গেলম্যানের সুপারিশগুলির সাথে আমার বক্তব্যটি হ'ল: কোনও মডেলের সমস্ত ভবিষ্যদ্বাণী এবং আগ্রহের একক এক্সপোজার এবং সুদের একক ফলাফলের মধ্যে তাদের পোস্ট করা কার্যকারণ সম্পর্ককে অ্যাপ্রোরি নির্দিষ্ট করা উচিত । মূল অনুসন্ধানের সেটগুলির মধ্যে সম্পর্কের ভিত্তিতে কোভেরিয়েটগুলি ফেলে দেওয়া এবং বাদ দেওয়া আসলে 'মুনচাউসেনের স্ট্যাটিস্টিকাল গ্রিড' ( মার্টিন, 1984 ) এর একটি বিশেষ কেসকে প্ররোচিত করে । কিছু জার্নাল (এবং প্রবণতাটি আকর্ষণীয় হচ্ছে) সংক্ষিপ্তভাবে কোনও নিবন্ধ প্রত্যাখ্যান করবে যা চূড়ান্ত মডেল ( বেবিয়াক, 2004 ) সনাক্ত করতে পদক্ষেপের প্রতিরোধ ব্যবহার করে এবং আমি মনে করি যে সমস্যাটি এখানে একইভাবে দেখা যায়।

কোনও মডেলে কোভেরিয়েটদের অন্তর্ভুক্তি এবং বাদ দেওয়ার যৌক্তিকতা এখানে আলোচনা করা হয়েছে: জুডিয়া পার্লের কার্যকারিতা ( পার্ল, 2002 )। এটি সম্ভবত পরিসংখ্যানগত অনুমান, রিগ্রেশন এবং মাল্টিভিয়ারেট সামঞ্জস্যের নীতিগুলি বোঝার জন্য সেরা গ্রন্থগুলির মধ্যে একটি। এছাড়াও স্যান্ডার্স এবং গ্রিনল্যান্ডের ব্যবহারিকভাবে কিছু আলোকিত করছে, বিশেষত বিস্মিত হওয়ার বিষয়ে তাদের আলোচনা যা আফসোস করে সুপারিশগুলির এই তালিকা থেকে বাদ দেওয়া হয়েছে ( গ্রিনল্যান্ড এট আল। 1999)। কার্যকরী মডেলের সাথে গ্রাফিকাল সম্পর্কের ভিত্তিতে নির্দিষ্ট কোভেরিয়াতকে লেবেল বরাদ্দ করা যেতে পারে। প্রগনস্টিক, কনফাউন্ডার বা প্রিসিশন ভেরিয়েবলের মতো পদবি পরিসংখ্যানের মডেলগুলিতে কোভারিয়েট হিসাবে অন্তর্ভুক্তির পরোয়ানা দেয়। কার্যকারী পথের বাইরে মধ্যস্থতাকারী, কলকাইডার বা ভেরিয়েবলগুলি বাদ দেওয়া উচিত। এই পদগুলির সংজ্ঞা কার্যকারণে প্রচুর উদাহরণ সহ কঠোর করা হয়।

এই সামান্য পটভূমি দেওয়া আমি পয়েন্ট এক এক করে সম্বোধন করব।

1. এটি সাধারণত একটি মেজর ক্যাভ্যাট সহ একটি দৃ sound় পদ্ধতির: এই পরিবর্তনগুলি অবশ্যই ফলাফলের মধ্যস্থতাকারী হওয়া উচিত নয়। উদাহরণস্বরূপ, যদি আপনি ধূমপান এবং শারীরিক সুস্থতার মধ্যে সম্পর্কটি খতিয়ে দেখছেন এবং আপনি ফুসফুসের ক্রিয়াকলাপের জন্য সামঞ্জস্য করেন যা ধূমপানের প্রভাবকে কমিয়ে দিচ্ছে কারণ এটির ফিটনেসের সরাসরি প্রভাব হ'ল ফুসফুস ফাংশন হ্রাস করা। এটি করা উচিত নয়বিভ্রান্ত হওয়ার সাথে বিভ্রান্ত হবেন যেখানে তৃতীয় পরিবর্তনশীল হ'ল পূর্বানুমানকারীর আগ্রহের কারণ এবং আগ্রহের ফলাফল। কনফাউন্ডারদের অবশ্যই মডেলগুলিতে অন্তর্ভুক্ত করা উচিত। অতিরিক্তভাবে, ওভারডেজমেন্ট বিশ্লেষণে একাধিক পক্ষপাতিত্বের কারণ হতে পারে। মধ্যস্থতাকারী এবং বিভ্রান্তকারীরা বিশ্লেষণে যা পাওয়া যায় তার কারণে নয়, তবে বিষয়-বিশেষজ্ঞ (এসএমই) হিসাবে আপনি যেটি বিশ্বাস করেন তার কারণে নয়। আপনার যদি চলক বা তার চেয়ে কম সংখ্যক পর্যবেক্ষণ 20 বা পর্যায়ক্রমে ইভেন্ট বা লজিস্টিক বিশ্লেষণে 20 প্রতি পর্যবেক্ষণ থাকে তবে আপনার পরিবর্তে শর্তাধীন পদ্ধতিগুলি বিবেচনা করা উচিত।

2. এটি একটি দুর্দান্ত পাওয়ার সাশ্রয় করার পদ্ধতি যা প্রপেনসিটি স্কোর সমন্বয় বা এসইএম বা ফ্যাক্টর বিশ্লেষণের মতো জটিল নয়। আমি যখনই সম্ভব এটি করার সুপারিশ করব recommend

3. আমি আন্তরিকভাবে একমত। বিশ্লেষণে অন্যান্য ভেরিয়েবলের জন্য সামঞ্জস্য করার বিষয়টি হ'ল স্তর তৈরি করা যার জন্য তুলনা করা সম্ভব। বিভ্রান্তিকর সম্পর্কের ভুল ব্যাখ্যা দেওয়ার কারণে সাধারণত ওভারবাইজড বিশ্লেষণের দিকে যায় না, সুতরাং বাদ দেওয়া মিথস্ক্রিয়া শর্তাবলী থেকে অবশিষ্ট অবকাশ আমার অভিজ্ঞতাতে, কোনও বড় বিষয় নয়। আপনি তবে আগ্রহের পূর্বাভাসকারী এবং অন্যান্য ভেরিয়েবলের মধ্যে পারস্পরিক মিথস্ক্রিয়া শর্তটিকে পোস্ট-হক বিশ্লেষণ হিসাবে বিবেচনা করতে পারেন। এটি একটি হাইপোথিসিস উত্পন্ন প্রক্রিয়া যা কোনও সম্ভাব্য ফলাফল (বা এর অভাব) কে হিসাবে পরিমার্জন করে বোঝানো হয়েছে। সম্ভাব্যভাবে একটি উপগোষ্ঠী বা খ। দুটি পরিবেশগত এবং / বা জেনেটিক কারণগুলির মধ্যে যান্ত্রিক মিথস্ক্রিয়া জড়িত।

4. আমিও এর সাথে আন্তরিকভাবে একমত নই। এটি রিগ্রেশন সম্পর্কিত নিশ্চিতকরণ বিশ্লেষণ ভিত্তিক পদ্ধতির সাথে একত্রে আসে না। আপনি এসএমই বিশ্লেষণগুলি কোয়েস্টেশন দ্বারা জানানো উচিত, ডেটা নয়। কার্যকারণীয় মডেলটির একটি পিকটোরিয়াল চিত্রের উপর ভিত্তি করে (পার্ল ইত্যাদি সম্পর্কিত একটি ডিএজি এবং সম্পর্কিত নীতিগুলি ব্যবহার করে) আপনার আত্মবিশ্বাসের সাথে বর্ণনা করুন, তারপরে আপনার মডেলটির আগ্রহ, ফিট এবং আলোচনার জন্য ভবিষ্যদ্বাণীকারী চয়ন করুন। কেবলমাত্র গৌণ বিশ্লেষণ হিসাবে আপনার এই পদ্ধতির বিবেচনা করা উচিত, এমনকি মোটেও নয়।

এই সবগুলিতে মেশিন লার্নিংয়ের ভূমিকা অত্যন্ত বিতর্কিত। সাধারণভাবে, মেশিন লার্নিং উপর দৃষ্টি নিবদ্ধ করা হয় ভবিষ্যদ্বাণী এবং অনুমান কোন ডেটা বিশ্লেষণ স্বতন্ত্র পন্থা আছে। আপনি ঠিক বলেছেন যে দণ্ডিত রিগ্রেশন থেকে প্রাপ্ত প্রভাবগুলির ব্যাখ্যা কোনও ওএলএসের অনুমানের তুলনায় কোনও অ-পরিসংখ্যানমূলক সম্প্রদায়ের পক্ষে সহজেই ব্যাখ্যা করা যায় না, যেখানে 95% সিআই এবং গুণাগুলি অনুমান সংস্থার একটি পরিমাপ সরবরাহ করে।

কোনও ওএলএস মডেল ওয়াই ~ এক্স থেকে সহগের ব্যাখ্যাটি সোজা: এটি একটি opeাল, এক্স এর 1 টি দ্বারা পৃথক পৃথক গ্রুপগুলির সাথে তুলনা করা Y এর একটি প্রত্যাশিত পার্থক্য a মাল্টিভারিয়েট অ্যাডজাস্টেড মডেল Y ~ X1 + X2 এ আমরা এটি একটি শর্তসাপেক্ষ হিসাবে সংশোধন করি opeাল: এটি এক্স 1 এর 1 টি দ্বারা পৃথক পৃথক গ্রুপগুলির সাথে তুলনা করার ক্ষেত্রে ওয়াইয়ের তুলনা করা একটি প্রত্যাশিত পার্থক্য, যার এক্স 2 এর সমান মান রয়েছে। জ্যামিতিকভাবে, এক্স 2 এর জন্য সামঞ্জস্য করা তিনটি জায়গার স্বতন্ত্র স্তর বা "ক্রস বিভাগগুলি" বাড়ে যেখানে আমরা X1 কে Y এর সাথে তুলনা করি, তারপরে আমরা সেই স্তরের প্রত্যেকটির উপর ভিত্তি করে অনুসন্ধানগুলি গড় করি। আর-তে, এই coplotধরনের সম্পর্কগুলি দেখার জন্য ফাংশনটি খুব কার্যকর।

Comments

সত্যিই আপনার বিস্তারিত ভাষ্যটির প্রশংসা করুন - এর আগে আমি আমার প্রশ্নের উত্তর আগে কখনও পাইনি। আমি এখন আপনার লিঙ্কগুলি দিয়ে যাচ্ছি!

— তীক্ষ্ণ_মিজাজ

(+1) পয়েন্ট # 1: জি অ্যান্ড এইচ বলে যে এগুলি " পূর্বাভাসের জন্য রিগ্রেশন মডেল তৈরির সাধারণ নীতিগুলি " [আমার তির্যক] সুতরাং আপনার সতর্কতামূলক প্রয়োগের প্রয়োজন নেই। (সম্ভবত সেই ভাল বিরূপ ফুসফুসের ফাংশনযুক্ত ধূমপায়ীদের মধ্যে বিশেষত ফিট থাকতে হবে)) তারা যখন কার্যকারণমূলক মডেলগুলি নিয়ে আলোচনা করতে যান তারা একই পয়েন্টটি তৈরি করেন (Ch। 9.7)।

— স্কর্চচি - মনিকা পুনরায় ইনস্টল করুন

(+1) অসামান্য সাড়া, আদম! আপনি ইতিমধ্যে বিপুল পরিমাণ কাজ করেছেন বলে প্রশংসা করে, আমি অবাক হয়েছি যে আপনি যে জার্নাল নীতিটির উল্লেখ করেছেন তার বর্তমান গ্রহণের স্থিতি সম্পর্কে আপনি আরও কিছু জানতেন কিনা। আমি এখনও কমপক্ষে জামে জার্নালগুলিতে 'ধাপে ধাপে' শব্দটি দেখে ক্ষোভে ফেটে পড়ি। আপনি কি এই নীতিমালার সম্পাদকীয় তুলে ধরতে পারেন?

— ডেভিড সি নরিস

@ ডেভিডসি.নরিস "শিক্ষাগত এবং মানসিক পরিমাপ" প্রশ্নে জার্নাল এবং হায়, বেবীাক আর্টিকেলটি কেবল স্বয়ংক্রিয় পদক্ষেপের দিকনির্দেশ সম্পর্কে আলোচনা করেছে । আমি কিছু নিবন্ধ লেখকগুলিতে দেখেছি যারা মডেলগুলিকে "পদক্ষেপ" (যদিও স্বয়ংক্রিয় নয়) হিসাবে অন্তর্ভুক্ত করার জন্য এবং তাদের প্রতিশ্রুতিবদ্ধ করার বিষয়ে তাদের "হাত" সম্পর্কে আলোচনা করেন। আমি যুক্তি দেব যে তারা তাদের ব্যবহার করা পদ্ধতিটি সঠিকভাবে বর্ণনা করেছে, তবে এখনও এই পদ্ধতির সাথে আমার মারাত্মক বিতর্ক রয়েছে।

— আদমো

$L \rightarrow A$$U_{1} \rightarrow L$$U_{1} \rightarrow A$$U_{2} \rightarrow Y$$U_{2} \rightarrow L$$L$$A$$Y$$A$$Y$$A$$Y$$E[Y|A,L]$$A-U_{1}-L-U_{2}-Y$

Answer 2

এই চমত্কার প্রশ্ন এবং @ অ্যাডামোর বিস্তৃত উত্তর সিভি নিয়মিতভাবে মানবতার প্রতি আমার বিশ্বাসকে কীভাবে পুনর্নবীকরণ করে তার একটি প্রধান উদাহরণ। আমি এখানে লক্ষ্য করব মূলত বিস্তৃত প্রসঙ্গে সেই উত্তরটির (এবং ওপি'র প্রশ্ন) প্রশংসা করার কিছু উপায় সরবরাহ করা।

প্রথমত, আমি দৃsert়তার সাথে বলতে চাই যে পরিসংখ্যান চর্চা সম্পর্কিত সমস্ত নির্ভরযোগ্য পরামর্শ প্রকৃতির সতর্কতা - প্রাক স্ক্রিপ্টিকের চেয়ে প্রো স্ক্রিপ্টিক tive গেলম্যান অ্যান্ড হিল পয়েন্ট # 3, উদাহরণস্বরূপ, যখন এটি সক্রিয়ভাবে কিছু করার পরামর্শ হিসাবে পর্যাপ্তরূপে পাঠ করে ("বিবেচনা করুন"), তবে শক্তিশালী প্রভাবগুলির সাথে মিথস্ক্রিয়া বিবেচনা করতে ব্যর্থ হওয়ার বিরুদ্ধে সতর্কতা হিসাবে আরও ভাল বোঝা যায় । (মাল্টিভারিয়েট) টেলর সিরিজের সম্প্রসারণে সর্বাধিক গুরুত্বপূর্ণ পদটি বাছাইয়ের সাথে সংযুক্ত অন্তর্দৃষ্টিটির আবেদন হিসাবে স্বজ্ঞাতভাবে বোঝা আমার কাছে এটি আপত্তিজনক বলে মনে হয় না seems

দ্বিতীয়ত, ওপি বেশিরভাগ পিএইচডি বায়োস্ট্যাটিনিস্টিয়ানদের (অ্যাডামোর উদ্ধৃতি অনুসরণ করে) থেকে আরও ভাল শিক্ষা অর্জনে ব্যস্ত থাকলেও ওপি ডেভিড এ। ফ্রেডম্যানের স্ট্যাটিস্টিকাল মডেল এবং কার্যকারণ সূচনাও বেছে নিতে পারে , যেখানে স্বাস্থ্যকর চ্যালেঞ্জ হবে be অনুমানের কাছে পাওয়া গেছে যে ক্লিনিকাল গবেষণার ক্ষেত্রে রিগ্রেশনটি আমাদের প্রাথমিক সরঞ্জাম হওয়া উচিত। আমি বিশেষ করে অধ্যায় 3, "পরিসংখ্যানগত মডেল এবং জুতার চামড়া," যা [2] পূর্বে প্রকাশিত ফর্ম পাওয়া যায় সুপারিশ এখানে । (জার্নালের নাম আপনাকে বন্ধ না করে দিন; আঁকানো মূল পাঠগুলি হ'ল কলেরার বিষয়ে জন স্নো এর তদন্ত থেকে this এই উত্তরটিও দেখুন , যেখানে এই পাঠগুলি কিছু বিশদে দেওয়া হয়েছে))

অবশেষে - এবং সম্ভবত এটি ফ্রিডম্যানের কাছে সত্যই এক প্রতীক - এটি উল্লেখ করা উচিত যে ওপি কর্তৃক প্রদত্ত উদাহরণ 'সিদ্ধান্ত' আসলে কাগজের ফলাফল বিভাগের অন্তর্ভুক্ত। কাগজের আসল উপসংহার এবং আলোচনার বিভাগগুলি কীভাবে কথিত হবে তা যত তাড়াতাড়ি সম্ভব বিবেচনা করা সবচেয়ে স্বাস্থ্যকর হবে, যাতে চিকিত্সক, মিডিয়া এবং এমনকি রোগীদের সংখ্যা বৃদ্ধি এবং তাদের বীরত্বপ্রসূত অ্যাডভোকেট যারা বীরত্ব সহকারে অ্যাক্সেস করতে পারে শ্রম চিকিত্সা সাহিত্য পড়তে। এই শেষ পয়েন্টে ফোকাস বজায় রাখলে পরিসংখ্যান বিশ্লেষণের প্রযুক্তিগত কাজটি কার্যকরভাবে রূপায়িত হবে এবং এটি বর্ণনা করার লক্ষ্য নিয়ে তৈরি করা বিশ্বের বাস্তবতায় এবং এটি যে প্রয়োজনগুলি পরিবেশন করার লক্ষ্যে রয়েছে তা ভিত্তি করে রাখবে।

---

1. ফ্রিডম্যান, ডেভিড, ডেভিড কলিয়ার, জসজিৎ সিং সেখন এবং ফিলিপ বি স্টার্ক। পরিসংখ্যান সংক্রান্ত মডেল এবং কার্যকারণ অনুমান: সামাজিক বিজ্ঞানের সাথে একটি সংলাপ। কেমব্রিজ; নিউ ইয়র্ক: কেমব্রিজ বিশ্ববিদ্যালয় প্রেস, ২০১০।

2. ফ্রিডম্যান, ডেভিড এ। "পরিসংখ্যানের মডেল এবং জুতার চামড়া।" সমাজবিজ্ঞান পদ্ধতি 21 (1991): 291–313। ডোই: 10.2307 / 270939।