অর্থনীতিতে গবেষকরা বাইনারি প্রতিক্রিয়া ভেরিয়েবলের জন্য লিনিয়ার রিগ্রেশন ব্যবহার করেন কেন?


13

ইদানীং, আমাকে অর্থনীতিতে বেশ কয়েকটি কাগজপত্র পড়তে হয়েছে (এমন ক্ষেত্র যার সাথে আমি খুব বেশি পরিচিত নই)। একটি জিনিস আমি লক্ষ্য করেছি যে প্রতিক্রিয়া পরিবর্তনশীল বাইনারি হওয়ার পরেও ওএলএস ব্যবহার করে রৈখিক প্রতিরোধের মডেলগুলি সর্বব্যাপী। আমার প্রশ্ন তাই:

অর্থনীতির ক্ষেত্রে লজিস্টিক রিগ্রেশন কেন লিনিয়ার রিগ্রেশনকে সমর্থন করা হয়? এটি কি কেবল সাধারণ অনুশীলন বা এটি এমন কোনও প্রক্রিয়া যা সক্রিয়ভাবে সমর্থন করে (কাগজগুলিতে, শিক্ষকগণের দ্বারা)?

দয়া করে নোট করুন যে বাইনারি প্রতিক্রিয়া সহ লিনিয়ার রিগ্রেশন ব্যবহার করা কেন খারাপ ধারণা হতে পারে বা বিকল্প পদ্ধতিগুলি কী তা আমি জিজ্ঞাসা করছি না। বিপরীতে, আমি জিজ্ঞাসা করছি কেন লোকেরা এই সেটিংয়ে লিনিয়ার রিগ্রেশন ব্যবহার করে কারণ আমি এই দুটি প্রশ্নের উত্তর জানি।


5
আপনি কোন উদাহরণ দিতে পারেন?
স্টিফান কোলাসা

7
এটি সঠিক নয়। অর্থনীতি এবং ইকোনোমেট্রিক্সে লগিট এবং প্রবিট এবং সম্পর্কিত মডেলগুলির জন্য একটি বিস্তৃত সাহিত্য রয়েছে। আমিও একজন বহিরাগত এবং আমি সহজেই আপেক্ষিক ব্যবহারের পরিমাণ নির্ধারণ করতে পারি না, তবে সাহিত্য "সর্বব্যাপী" (মানে সর্বত্র!) খণ্ডন করার পক্ষে এটি যথেষ্ট বড়। তথাকথিত লিনিয়ার সম্ভাব্যতা মডেলটি কেন কেন ব্যবহার করা হয় সে সম্পর্কে এখানে একটি প্রশ্ন রয়েছে এবং আমি মনে করি না যে ব্যাখ্যাটি গভীর বা কঠিন হওয়া দরকার: এটি বোঝা সহজ এবং কখনও কখনও এটি পর্যাপ্তভাবে কাজ করে।
নিক কক্স

3
অর্থনীতিতে গণিতের সাথে খুব নৈমিত্তিক সম্পর্ক রয়েছে। আমি এটি নিয়ে খুব বেশি চিন্তা করব না।
সাইকোরাক্স

1
@ সাইকোরাক্স আমারও একই রকম অনুভূতি রয়েছে। এবং যদি কেউ গণিতে আস্তে আস্তে থাকে তবে সে এখনও "কিছু কাজ করে" এমন কিছু তৈরি করতে সক্ষম হবে।
হাইটাও ডু

1
@ সাইকোরাক্স এটি সত্য বা ন্যায্যও নয়। অবশ্যই, "আপনি এটি সম্পর্কে খুব বেশি চিন্তা করবেন না" বলে উল্লেখ করা প্রশ্নটি দায়িত্বজ্ঞানহীন। উপ-ক্ষেত্রের উপর নির্ভর করে, অর্থনীতিতে গণিত এবং পরিসংখ্যানের সাথে খুব দৃ relationship় সম্পর্ক থাকতে পারে। এটা ঠিক যে অর্থনীতিবিদরা প্রায়শই কার্যকারণমূলক অনুক্রমের সাথে উদ্বিগ্ন হন এবং পর্যবেক্ষণের উপাত্তগুলিও মোকাবেলা করতে হয়েছিল (অনেকগুলি সামাজিক বিজ্ঞানের মতো)। এটি কিছুটা অর্থনৈতিক প্রবণতা না নিয়েই শক্তিশালী গাণিতিক দৃor়তা প্রতিষ্ঠা করা অত্যন্ত কঠিন করে তোলে।
স্ট্যাটাস

উত্তর:


18

ডেভ গাইলসের একনোমেট্রিক্স ব্লগের এই ব্লগ পোস্টটি বেশিরভাগ ক্ষেত্রে লিনিয়ার সম্ভাব্যতা মডেলের (এলপিএম) অসুবিধাগুলির রূপরেখা দেয় ।

তবে গবেষকরা কেন এটি ব্যবহার করতে পছন্দ করেছেন তার একটি সংক্ষিপ্ত তালিকা তিনি অন্তর্ভুক্ত করেছেন:

  • এটি গণনার দিক থেকে সহজ।
  • "প্রান্তিক প্রভাব" ব্যাখ্যা করা আরও সহজ।
  • এটি "লিঙ্ক ফাংশন" এর ভুল-নির্দিষ্টকরণের ঝুঁকি এড়ায়।
  • আপনার যদি অন্তঃসত্ত্বা ডমি রেজিস্ট্রারগুলি থাকে তবে লজিট বা প্রবিট নিয়ে জটিলতা রয়েছে।
  • এলপিএম, লজিট এবং প্রবিট মডেলগুলি থেকে অনুমানিত প্রান্তিক প্রভাবগুলি সাধারণত খুব অনুরূপ হয়, বিশেষত আপনার যদি বড় আকারের নমুনা থাকে।

আমি জানি না যে লগিট বা প্রবিটের তুলনায় সাধারণত ব্যবহৃত হয় এলপিএম তবে এটির উপরের কয়েকটি কারণ আমার কাছে বোধগম্য।


2
+1, লিনিয়ার সম্ভাব্যতা মডেল শব্দটির জন্য ধন্যবাদ, আমি এটি আগে জানতাম না।
হাইতাও ডু

1
অ্যাঞ্জিস্ট এবং পিস্কেকের "মোস্টলি হার্মলেস একনোমেট্রিক্স" এর একটি দুর্দান্ত বিভাগ রয়েছে, যদি আপনি আরও আগ্রহী হন।
shf8888

2

অন্যান্য দায়েরকৃত কাগজপত্র পড়ার সময় আমারও একই প্রশ্ন ছিল। এবং এর সাথে সম্পর্কিত প্রচুর প্রশ্ন জিজ্ঞাসা করেছে যেমন এডুকেশন ডেটা মাইনিং সম্প্রদায়ের মধ্যে এটি: কেন লজিস্টিক ক্ষতির পরিবর্তে সম্ভাব্যতার উপর স্কোয়ার লস ব্যবহার করবেন?

এখানে আমি অনেক ব্যক্তিগত মতামত উপস্থাপন করব।


আমার মনে হয় অনেক ব্যবহারিক ব্যবহারের ক্ষেত্রে ক্ষতির ফাংশন খুব বেশি গুরুত্ব দেয় না। কিছু গবেষক বর্গক্ষেত্রের ক্ষতি সম্পর্কে আরও জানতে এবং এটির সিস্টেম তৈরি করতে পারে, এটি এখনও কাজ করে এবং বাস্তব বিশ্বের সমস্যাগুলি সমাধান করে। গবেষকরা কখনই লজিস্টিক ক্ষতি বা কব্জির ক্ষতি জানেন না এবং এটি চেষ্টা করতে চান। তদতিরিক্ত, তারা অনুকূল গণিতের মডেলটি খুঁজে পেতে আগ্রহী নাও হতে পারে তবে প্রকৃত সমস্যাগুলি সমাধান করতে চায় যা আগে কেউ সমাধান করার চেষ্টা করেনি।

এটি অন্য একটি উদাহরণ: আপনি যদি আমার প্রশ্নের এই উত্তরটি পরীক্ষা করেন তবে তাদের সবগুলিই একই রকম। শ্রেণিবিন্যাসে প্রায় 0-1 টি ক্ষতিতে বিভিন্ন লোকসান ফাংশনগুলি বেছে নেওয়ার প্রভাবগুলি কী


আরও চিন্তাভাবনা: কোন মেশিন লার্নিং রিসার্চটি কোন মডেলটি বেছে নেবে এবং কীভাবে মডেলটিকে অনুকূলিত করতে পারে সে সম্পর্কে অনেক সময় ব্যয় করতে পারে। এটি কারণ যে কোনও মেশিন লার্নিং গবেষক আরও ডেটা সংগ্রহ / আরও ব্যবস্থা গ্রহণের ক্ষমতা নাও পেতে পারেন। এবং একটি মেশিন লার্নিং গবেষকের কাজ আরও ভাল গণিত পাচ্ছে, কোনও নির্দিষ্ট বাস্তব সমস্যার সমাধান আরও ভাল সমাধান করে না।

অন্যদিকে, বাস্তব বিশ্বে, ডেটা আরও ভাল হলে, এটি প্রতিটি জিনিসকে মারধর করে। সুতরাং, নিউরাল নেটওয়ার্ক বা এলোমেলো বন নির্বাচন করা খুব বেশি গুরুত্বপূর্ণ নয়। এই সমস্ত মডেলগুলির সাথে একইরকম একজন ব্যক্তি আসল বিশ্বের সমস্যাগুলি সমাধান করার জন্য একটি সরঞ্জাম হিসাবে মেশিন লার্নিং ব্যবহার করতে চান। গণিত বা সরঞ্জামগুলির বিকাশে আগ্রহী না হওয়া কোনও ব্যক্তি সিস্টেমকে আরও উন্নত করতে নির্দিষ্ট ডোমেন জ্ঞান ব্যবহার করতে বেশি সময় ব্যয় করতে পারেন।

যেমনটি আমি মন্তব্যে উল্লেখ করেছি। এবং যদি কেউ গণিতে আস্তে আস্তে থাকে তবে সে এখনও কিছু কার্যকর করতে পারে।


1
(+1) এটি অনেকগুলি "quotes" hxd, তারা কী বোঝাতে চাইছে? "কাজগুলি" এর অর্থ কি "তারা মনে করে যে এটি কাজ করে, তবে তা করে না" বা এর অর্থ "সোর্টা কাজ করে"?
ম্যাথু

@ ম্যাথিউড্রুরি মন্তব্য করার জন্য ধন্যবাদ। আমার মনে হয় আমার অনেক ব্যক্তিগত অনুভূতি ছিল এবং সেগুলি কীভাবে লিখতে হয় তা জানি না। আমি তাদের অনেকগুলি আনুষ্ঠানিক বা খুব সাবজেক্টিভ নয় বলে মনে করি। সে কারণেই আমার প্রচুর উদ্ধৃতি ছিল।
হাইটাও ডু

আমি মনে করি এটি কেবল ব্যক্তিগত মতামত হিসাবে ট্যাগ করা আরও পরিষ্কার। আমি শিক্ষার্থীদের সাথে ক্লাসে এটিই করি: "এটি ব্যক্তিগত মতামতের সাথে সীমাবদ্ধ তবে এসভিএমগুলি স্তন্যপান করে" (আসল উদাহরণ নয়, বা এটি ...)
ম্যাথু ড্রুরি

@ ম্যাথেজড্রুরি আমাকে লেখার পরামর্শ দেওয়ার জন্য ধন্যবাদ, উত্তরের কোনও উদ্ধৃতি নেই!
হাইটাও ডু
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.