উল্লেখযোগ্য পূর্বাভাসকারী একাধিক লজিস্টিক রিগ্রেশনে অ-তাত্পর্যপূর্ণ হয়ে ওঠে

Question

আমি যখন আমার পরিবর্তনশীলগুলি দুটি পৃথক (অবিবাহিত) লজিস্টিক রিগ্রেশন মডেলগুলিতে বিশ্লেষণ করি তখন আমি নিম্নলিখিতগুলি পাই:

Predictor 1:    B= 1.049,    SE=.352,    Exp(B)=2.85,    95% CI=(1.43, 5.69),    p=.003
   Constant:    B=-0.434,    SE=.217,    Exp(B)=0.65,                            p=.046

Predictor 2:    B= 1.379,    SE=.386,    Exp(B)=3.97,    95% CI=(1.86, 8.47),    p<.001
   Constant:    B=-0.447,    SE=.205,    Exp(B)=0.64,                            p=.029

তবে আমি যখন তাদের একক একাধিক লজিস্টিক রিগ্রেশন মডেলটিতে প্রবেশ করি তখন আমি পাই:

Predictor 1:    B= 0.556,    SE=.406,    Exp(B)=1.74,    95% CI=(0.79, 3.86),    p=.171
Predictor 2:    B= 1.094,    SE=.436,    Exp(B)=2.99,    95% CI=(1.27, 7.02),    p=.012
   Constant:    B=-0.574,    SE=.227,    Exp(B)=0.56,                            p=.012

উভয় ভবিষ্যদ্বাণী দ্বন্দ্বপূর্ণ (শ্রেণিবদ্ধ)। আমি বহুবিশ্বের জন্য পরীক্ষা করেছি।

আমি পর্যাপ্ত তথ্য দিয়েছি কিনা তা আমি নিশ্চিত নই, তবে কেন অনুমানকারী 1 তাত্পর্যপূর্ণ থেকে অ-তাৎপর্যপূর্ণ হয়ে গেছে এবং একাধিক রিগ্রেশন মডেলটিতে কেন বৈষম্য অনুপাত এত আলাদা are কি চলছে তার একটি প্রাথমিক ব্যাখ্যা দিতে পারে?

Comments

মাল্টিভারিয়েট সাধারণত একাধিক নির্ভরশীল ভেরিয়েবলগুলি নির্দেশ করে - আপনি একাধিক ভবিষ্যদ্বাণী বলতে চেয়েছিলেন, তাই না? এটি সাধারণত একাধিক রিগ্রেশন হিসাবে উল্লেখ করা হবে।

— ম্যাক্রো

এছাড়াও, বিভিন্ন লজিস্টিক রিগ্রেশন মডেলগুলি থেকে সাধারণত তুলনীয় হয় না। এটি কারণ স্কেল পরিবর্তিত হয়েছে - এটি একটি সূক্ষ্ম ইস্যু তবে মূল ধারণাটি হ'ল মোট বৈকল্পিক (সুপ্ত আকারে লজিস্টিক রিগ্রেশন স্বাভাবিকভাবেই দেখা দেয় - en.wikedia.org/wiki/… দেখুন ) মডেলগুলিতে স্থির নয়, সুতরাং আপনি সহগুণগুলি মডেলগুলির মধ্যে একইরকম হওয়ার আশা করবেন না, যদিও এটি পরিসংখ্যানগত তাত্পর্যটি অগত্যা পরিবর্তনের ব্যাখ্যা করবে না। আপনি কীভাবে দুটি ভবিষ্যদ্বাণীকের মধ্যে নির্ভরতার জন্য পরীক্ষা করেছিলেন? $\beta$

— ম্যাক্রো

আহ, ঠিক আছে ধন্যবাদ আমি এসএসএস-এ লিনিয়ার রিগ্রেশন মাধ্যমে কলিনারিটি ডায়াগোনস্টিকগুলি পরীক্ষা করেছিলাম এবং সহনশীলতা এবং ভিআইএফ পরীক্ষা করেছি - এটি কি সঠিক?

— অ্যানি

সুন্দর মন্তব্য @ ম্যাক্রো। স্কেল সম্পর্কে এই সমস্যাটি ঠিক করার উপায়গুলি সম্পর্কে আমি অস্পষ্টভাবে পড়ার কথা স্মরণ করি, তবে কোথায় তা আমার মনে নেই।

— পিটার ফ্লুম - মনিকা পুনরায়

@ পিটারফ্লম, আপনি যা করতে পারেন তা হ'ল লিনিয়ার প্রেডিক্টরগুলির বিভিন্নতা (প্লাস , স্ট্যান্ডার্ড লজিস্টিক ডিস্ট্রিবিউশনটির বৈকল্পিক) দ্বারা স্কেল করা - এটি তাদের একই স্কেলে রাখে। অবশ্যই, আপনি একবার এটি করার পরে তারা প্রতিকূল অনুপাত হিসাবে আর ব্যাখ্যাযোগ্য নয়। $\pi^{2}/3$

— ম্যাক্রো

Answer 1

এর বেশ কয়েকটি কারণ রয়েছে (যার মধ্যে কোনওটিই বিশেষত লজিস্টিক রিগ্রেশন সম্পর্কিত নয়, তবে কোনও নিপীড়নের ক্ষেত্রেও ঘটতে পারে)।

1. স্বাধীনতার ডিগ্রি হ্রাস: প্রদত্ত ডেটাसेट থেকে আরও পরামিতি অনুমান করার চেষ্টা করার সময় আপনি কার্যকরভাবে এটির আরও বেশি জিজ্ঞাসা করছেন, যার যথার্থতা ব্যয় হয়, অতএব নিম্ন টি-পরিসংখ্যান নিয়ে যায়, সুতরাং উচ্চতর পি-মান হয় values

2. নিবন্ধকদের সম্পর্ক: আপনার রেজিস্ট্রারগুলি একে অপরের সাথে সম্পর্কিত হতে পারে, কার্যকরভাবে অনুরূপ কিছু পরিমাপ করে। বলুন, আপনার লগইট মডেলটি শ্রমের বাজারের অবস্থা (কাজ করা / কাজ করছে না) অভিজ্ঞতা এবং বয়সের ফাংশন হিসাবে ব্যাখ্যা করা। পৃথকভাবে, উভয় ভেরিয়েবল স্থিতির সাথে ইতিবাচকভাবে সম্পর্কিত, আরও অভিজ্ঞ / বয়স্ক হিসাবে (যুক্তির খাতিরে খুব পুরানো কর্মচারীদের রায় দেওয়া) কর্মীরা সাম্প্রতিক স্নাতকদের চেয়ে চাকরি খুঁজে পাওয়া আরও সহজ বলে মনে করে। এখন, স্পষ্টতই, দুটি পরিবর্তনশীল দৃ strongly়ভাবে সম্পর্কিত, কারণ আপনার আরও অভিজ্ঞতার জন্য বয়স্ক হওয়া দরকার। সুতরাং, দুটি ভেরিয়েবল মূলত স্ট্যাটাসটি ব্যাখ্যা করার জন্য "প্রতিযোগিতা" করে, যা বিশেষত ছোট নমুনাগুলিতে উভয় ভেরিয়েবল "হারাতে" পারা যায়, কারণ অন্যগুলির নিয়ন্ত্রণ পাওয়ার জন্য কোনও প্রভাবই যথেষ্ট শক্তিশালী এবং যথাযথভাবে অনুমান করা যায় না get উল্লেখযোগ্য অনুমান। মূলত, আপনি জিজ্ঞাসা করছেন: বয়স স্থির রাখার সময় অভিজ্ঞতার অন্য বছরের ইতিবাচক প্রভাবটি কী? সেই প্রশ্নের উত্তর দেওয়ার জন্য আপনার ডেটাসেটে কোনও কর্মচারীর খুব কমই থাকতে পারে, সুতরাং প্রভাবটি সঠিকভাবে অনুমান করা হবে, যার ফলে বড় আকারের পি-মান হবে।

3. ভুল বর্ণিত মডেল: টি-পরিসংখ্যান / পি-মানগুলির অন্তর্নিহিত তত্ত্বটির প্রয়োজন আপনি সঠিকভাবে নির্দিষ্ট একটি মডেলটি অনুমান করতে পারেন। এখন, আপনি যদি কেবলমাত্র একজন ভবিষ্যদ্বাণীকের কাছে প্রতিক্রিয়া ব্যক্ত করেন তবে সম্ভাবনা অনেক বেশি যে অবিবাহিত মডেল বাদ দেওয়া পরিবর্তনশীল পক্ষপাতদুষ্টায় ভুগবে। সুতরাং, পি-মানগুলি কীভাবে আচরণ করে তা সম্পর্কে সমস্ত বেট বন্ধ রয়েছে। মূলত, আপনার মডেলটি সঠিক না হলে আপনাকে অবশ্যই তাদের বিশ্বাস করতে হবে।

Comments

আপনার পুরো এবং দ্রুত প্রতিক্রিয়া জন্য ধন্যবাদ। আমি প্রথমে যে কোনও বহুবিধ লাইনটি দূর করার চেষ্টা করব। আমি ভেরিয়েবলগুলির মধ্যে পারস্পরিক সম্পর্ক রেখেছি এবং কিছু খুঁজে পেয়েছি এবং আমি শুনেছি যে ভেরিয়েশন মুদ্রাস্ফীতি কারণগুলি চালানোর চেষ্টা করব যা এটির জন্যও যাচাই করার একটি ভাল উপায়। যদি এটি কেবল স্বাধীনতার ইস্যুতে একটি ডিগ্রি হয়ে যায়, আমি সে সম্পর্কে কিছু করতে পারি? আমি এটি ব্যাখ্যা করতে পারি যে এটি ঘটছে, তবে তা যদি মনে হয় তাত্পর্যটি তীব্রভাবে কমে যায় তবে এটি প্রতিরোধের অখণ্ডতার সাথে আপস করবে।

— স্যাম ওব্রায়ান

@ সামো ব্রায়েন: নোট করুন যে আপনার লক্ষ্যটি যদি সত্যিই আপনি বলেছিলেন তবে এটি ছিল - "নির্ধারণের চেষ্টা করুন" যা স্বাধীন ভেরিয়েবলগুলি সম্ভাব্য প্রতিক্রিয়া সৃষ্টি করে "- কিছুকে এড়িয়ে যাওয়ায় তারা" যে কোনও বহুজাতিকরেখা নির্মূল করার জন্য "অন্যদের সাথে সম্পর্কযুক্ত রয়েছে তাই সাহায্যের যাচ্ছে না তা অর্জন।

— পুনর্বহাল মনিকা - Scortchi

এটি কি অন্য উপায়ে যেমন একই পূর্বাভাসকারী সরল রিগ্রেশন-তে অ-তাত্পর্যপূর্ণ তবে একাধিক প্রতিরোধের ক্ষেত্রে তাৎপর্যপূর্ণ তা সম্ভব?

— gkcn

Answer 2

কোন বিশেষ কারণে এই উচিত না ঘটে। একাধিক রিগ্রেশন সাধারণ রিগ্রেশন থেকে আলাদা প্রশ্ন জিজ্ঞাসা করে। বিশেষত, একাধিক রিগ্রেশন (এক্ষেত্রে, একাধিক লজিস্টিক রিগ্রেশন) নির্ভরশীল ভেরিয়েবল এবং স্বতন্ত্র ভেরিয়েবলগুলির মধ্যে সম্পর্ক সম্পর্কে জিজ্ঞাসা করে, অন্যান্য স্বতন্ত্র ভেরিয়েবলের জন্য নিয়ন্ত্রণ করে। সাধারণ রিগ্রেশন নির্ভরশীল ভেরিয়েবল এবং একটি (একক) স্বতন্ত্র ভেরিয়েবলের মধ্যে সম্পর্ক সম্পর্কে জিজ্ঞাসা করে।

আপনি যদি নিজের অধ্যয়নের প্রসঙ্গটি যুক্ত করেন (যেমন, এই পরিবর্তনগুলি কী?) আরও নির্দিষ্ট প্রতিক্রিয়া জানানো সম্ভব। এছাড়াও, আপনার ক্ষেত্রে তিনটি পরিবর্তনশীল হ'ল দ্বৈতত্ত্ব, আপনি খুব সহজেই আমাদের উপাত্তের সাথে উপস্থাপন করতে পারেন ... এর সংক্ষিপ্তসার জন্য এখানে কেবল 8 টি লাইন প্রয়োজন:

$$\begin{array}{llll} DV &IV1 &IV2 &{\rm Count} \\ A &A &A &10 \\ A &A &B &20 \end{array}$$

প্রভৃতি