নিয়মিত স্বাধীন চলক সহ অবিচ্ছিন্ন নির্ভরশীল পরিবর্তনশীল dependent

Question

অবিচ্ছিন্ন পরিবর্তনশীল এক্স ₁ সহ অবিচ্ছিন্ন নির্ভরশীল ভেরিয়েবল y এবং স্বতন্ত্র ভেরিয়েবল দেওয়া , আমি কীভাবে একটি রৈখিক মডেল ফিট করব ? এই জাতীয় মডেল সম্পর্কে কাগজপত্র আছে?R

Answer 1

@ Scortchi এর পেয়েছিলাম আপনার সাথে আবৃত এই উত্তরটি উপর একটি আদেশ covariate জন্য কোডিং । আমি সুপারিশ পুনরাবৃত্তি করে থাকেন আমার উত্তর থেকে জরিপ উত্তর দুটি জনতাত্ত্বিক IVs প্রভাব (Likert স্কেল) । বিশেষত, সুপারিশটি হল গেরথিস ' ⁽²⁰¹³⁾ অর্ডপেন্স প্যাকেজটি ব্যবহার করা এবং তাত্ত্বিক পটভূমি এবং একটি সিমুলেশন অধ্যয়নের জন্য গেরথিস এবং টুটজ ^{(২০০৯ এ)} পড়ুন ।

আপনি সম্ভবত যে নির্দিষ্ট ফাংশনটি চান তা হ'ল ordSmooth^* । এটি মূলত অডিনাল ভেরিয়েবলের স্তরগুলি জুড়ে ডামি সহগকে মসৃণ করে দেয় যা সংলগ্ন র‌্যাঙ্কগুলির তুলনায় কম আলাদা হয়, যা অত্যধিক ফিটনেস হ্রাস করে এবং পূর্বাভাসকে উন্নত করে। এটি সাধারণত পাশাপাশি বা (কখনও কখনও অনেক বেশি) সর্বাধিক সম্ভাবনার চেয়েও ভাল (যেমন এই ক্ষেত্রে সাধারণ ন্যূনতম স্কোয়ারগুলি) অবিচ্ছিন্ন (বা তাদের শর্তে, মেট্রিক) ডেটার জন্য যখন তথ্য আসলে অর্ডিনাল থাকে তার জন্য অনুমানের মডেল নির্ধারণ করে। এটি সমস্ত ধরণের জেনারালাইজড লিনিয়ার মডেলের সাথে সামঞ্জস্যপূর্ণ বলে মনে হয় এবং আপনাকে নামমাত্র এবং অবিচ্ছিন্ন ভবিষ্যদ্বাণী পৃথক ম্যাট্রিক হিসাবে প্রবেশ করতে দেয়।

গেরথিস, টুটজ এবং সহকর্মীদের কাছ থেকে বেশ কয়েকটি অতিরিক্ত রেফারেন্স উপলব্ধ এবং নীচে তালিকাভুক্ত। এর মধ্যে কয়েকটিতে বিকল্প থাকতে পারে - এমনকি গেরথিস এবং টুটজ ^{(২০০৯ এ)} অন্য একটি বিকল্প হিসাবে রিজ পুনর্বাসন সম্পর্কে আলোচনা করে। আমি এখনও এগুলি নিজেই খনন করি নি, তবে এটি যথেষ্ট বলার অপেক্ষা রাখে না যে এরিকাল ভবিষ্যদ্বাণীকারীদের সম্পর্কে @ এরিকের খুব কম সাহিত্যের সমস্যাটি সমাধান করে!

তথ্যসূত্র

<sup>- গেরথিস, জে। (2013, 14 জুন) অর্ডপেনস: বাছাই এবং / অথবা অর্ডিনাল পূর্বাভাসকারীদের মসৃণকরণ , সংস্করণ 0.2-1। Http://cran.r-project.org/web/packages/ordPens/ordPens.pdf থেকে প্রাপ্ত ।
- গেরথিস, জে।, হোগার, এস।, ওবারহাউজার, সি।, এবং টুটজ, জি। (2011)। ক্রিয়াকলাপী মূল সেটগুলির আন্তর্জাতিক শ্রেণিবিন্যাসের জন্য অ্যাপ্লিকেশনগুলির সাথে সাধারণভাবে মাপানো স্বাধীন ভেরিয়েবলগুলির নির্বাচন। রয়্যাল স্ট্যাটিস্টিকাল সোসাইটির জার্নাল: সিরিজ সি (ফলিত পরিসংখ্যান), 60 (3), 377–395।
- গেরথিস, জে।, এবং টুটজ, জি। (২০০৯ এ)। অর্ডিনাল পূর্বাভাসকারীদের সাথে দন্ডিত রিগ্রেশন। আন্তর্জাতিক পরিসংখ্যান পর্যালোচনা, 77 (3), 345–365। Http://epub.ub.uni-muenchen.de/2100/1/tr015.pdf থেকে প্রাপ্ত ।
- গেরথিস, জে।, এবং টুটজ, জি। (২০০৯ বি)। ব্লকওয়াইজ বুস্টিংয়ের মাধ্যমে ভর স্পেকট্রোম্যাট্রি-ভিত্তিক প্রোটোমিক প্রোফাইলিংয়ে তদারকি করা বৈশিষ্ট্য নির্বাচন। বায়োইনফরম্যাটিকস, 25 (8), 1076–1077।
- গেরথিস, জে।, এবং টুটজ, জি। (২০০৯ সি) পরিবর্তনীয় স্কেলিং এবং নিকটতম প্রতিবেশী পদ্ধতি। কেমোমেট্রিক্স জার্নাল, 23 (3), 149-1515। - গেরথিস, জে ও টুটজ, জি। (২০১০) শ্রেণিবদ্ধ ব্যাখ্যামূলক ভেরিয়েবলগুলির স্পার্স মডেলিং। ফলিত পরিসংখ্যানগুলির অ্যানালস, 4 , 2150–2180।
- হোফনার, বি।, হথর্ন, টি।, ননিব, টি।, এবং শ্মিড, এম (২০১১)। উত্সাহ ভিত্তিক নিরপেক্ষ মডেল নির্বাচনের জন্য একটি কাঠামো। গণনা এবং গ্রাফিকাল পরিসংখ্যান জার্নাল, 20 (4), 956-971। Http://epub.ub.uni-muenchen.de/11243/1/TR072.pdf থেকে প্রাপ্ত ।
- ওলকার, এম.আর., গেরথিস, জে, এবং টুটজ, জি। (২০১২)। সাধারণীকরণীয় রৈখিক মডেলগুলিতে শ্রেণিবদ্ধ পূর্বাভাসকারী এবং প্রভাব সংশোধকগুলির সাথে নিয়মিতকরণ এবং মডেল নির্বাচন। পরিসংখ্যান বিভাগ: প্রযুক্তিগত প্রতিবেদন, নং 122 । Http://epub.ub.uni-muenchen.de/13082/1/tr.gvcm.cat.pdf থেকে প্রাপ্ত ।
- ওলকার, এম.আর., এবং টুটজ, জি। (2013)। সাধারণ কাঠামোগত মডেলগুলিতে বিভিন্ন ধরণের জরিমানার সংমিশ্রণের জন্য জরিমানার একটি সাধারণ পরিবার। পরিসংখ্যান বিভাগ: প্রযুক্তিগত প্রতিবেদন, নং 139 । Http://epub.ub.uni-muenchen.de/17664/1/tr.pirls.pdf থেকে প্রাপ্ত ।
- পেট্রি, এস।, ফ্লেক্সিডার, সি।, এবং টুটজ, জি। (2011)। পেয়ারওয়াইজ লসো মিশ্রিত। পরিসংখ্যান বিভাগ: প্রযুক্তিগত প্রতিবেদন, 102 নং। Http://epub.ub.uni-muenchen.de/12164/1/petry_etal_TR102_2011.pdf থেকে প্রাপ্ত ।
- রুফিবাচ, কে। (2010) আদেশযুক্ত পূর্বাভাসকারীদের সাথে সাধারণীভূত রৈখিক মডেলগুলির পরামিতিগুলি অনুমান করার জন্য একটি সক্রিয় সেট অ্যালগরিদম। গণনা সংক্রান্ত পরিসংখ্যান ও ডেটা বিশ্লেষণ, 54 (6), 1442–1456। Http://arxiv.org/pdf/0902.0240.pdf?origin=publication_detail থেকে প্রাপ্ত ।
- টুটজ, জি। (2011, অক্টোবর) শ্রেণিবদ্ধ ডেটা নিয়মিতকরণ পদ্ধতি methods মিউনিখ: লুডভিগ-ম্যাক্সিমিলিয়ানস-ইউনিভার্সিটি ä Http://m.wu.ac.at/it/dartartments/statmath/resseminar/talktutz.pdf থেকে প্রাপ্ত ।
- টুটজ, জি।, এবং গেরথিস, জে (2013)) ভবিষ্যদ্বাণীকারী হিসাবে রেটিং স্কেল scale স্কেল স্তরের পুরানো প্রশ্ন এবং কিছু উত্তর।সাইকোমেট্রিকা , 1-20।</sup>

Answer 2

যখন একাধিক পূর্বাভাসকারী থাকে এবং আগ্রহের পূর্বাভাসক সাধারণত হয়, পরিবর্তনশীল কীভাবে কোড করবেন তা সিদ্ধান্ত নেওয়া প্রায়শই কঠিন। এটিকে শ্রেণিবদ্ধ হিসাবে কোডিংয়ের ফলে অর্ডার সম্পর্কিত তথ্য হারানো হয়, এবং এটি সংখ্যাসূচক হিসাবে কোডিংয়ের সময় অর্ডারযুক্ত বিভাগগুলির প্রভাবগুলিতে লিনিয়ারিটি চাপায় যা তাদের প্রকৃত প্রভাব থেকে দূরে থাকতে পারে। পূর্বের জন্য, আইসোটোনিক রিগ্রেশন অ-একঘেয়েমিটির সমাধানের উপায় হিসাবে প্রস্তাব করা হয়েছে, তবে এটি একটি ডেটা-চালিত মডেল নির্বাচন পদ্ধতি, যা অন্যান্য অনেক ডেটা-চালিত পদ্ধতির মতো চূড়ান্ত ফিটযুক্ত মডেলটির তাত্পর্যপূর্ণ মূল্যায়ন এবং তাত্পর্যটি প্রয়োজন এর পরামিতিগুলির। পরবর্তীকালের জন্য, স্প্লাইজগুলি কঠোর রৈখিক অনুমানকে আংশিকভাবে হ্রাস করতে পারে তবে সংখ্যাগুলি এখনও আদেশযুক্ত বিভাগগুলিতে নির্ধারিত হতে হবে এবং ফলাফলগুলি এই পছন্দগুলির সাথে সংবেদনশীল। আমাদের কাগজে (লি এবং শেফার্ড, 2010, ভূমিকা, অনুচ্ছেদ 3-5),

$Y$$X$$\bf Z$$Y$$\bf Z$$X$$\bf Z$$Y$$X$

$X$$\bf Z$

আমরা একটি আর প্যাকেজ তৈরি করেছি, প্রিসিডুয়ালস , যা সিআরএন থেকে পাওয়া যায়। প্যাকেজটিতে লিনিয়ার এবং অর্ডিনাল ফলাফলের ধরণের জন্য আমাদের পদ্ধতির জন্য কার্যকারিতা রয়েছে। আমরা অন্যান্য ফলাফলের ধরণের (উদাঃ গণনা) এবং বৈশিষ্ট্যগুলি (যেমন, মিথস্ক্রিয়াকে মঞ্জুরি দেওয়ার) যুক্ত করতে কাজ করছি। বিভিন্ন রিগ্রেশন মডেলের জন্য আমাদের অবশিষ্টাংশ গণনা করার জন্য প্যাকেজেও রয়েছে যা একটি সম্ভাবনা-স্কেল অবশিষ্টাংশ।

তথ্যসূত্র

লি, সি এবং শেফার্ড, বিই (২০১০)। Covariates জন্য সামঞ্জস্য করার সময় দুটি অর্ডিনাল ভেরিয়েবলের মধ্যে অ্যাসোসিয়েশন পরীক্ষা। জাসা, 105, 612–620।

লি, সি ও শেফার্ড, বিই (২০১২)। অর্ডিনাল ফলাফলের জন্য একটি নতুন অবশিষ্ট। বায়োমেটিকার 99, 473–480।

Answer 3

সাধারণত নির্ভরশীল হিসাবে নিয়মিত পরিবর্তনশীলগুলিতে প্রচুর সাহিত্য থাকে এবং সেগুলি ভবিষ্যদ্বাণীকারী হিসাবে ব্যবহার করার ক্ষেত্রে সামান্য থাকে। পরিসংখ্যান চর্চায় এগুলি সাধারণত হয় ক্রমাগত বা শ্রেণিবদ্ধ বলে ধরে নেওয়া হয়। অনুগ্রহকারী পরিবর্তনশীল হিসাবে ভবিষ্যদ্বাণীকারীর সাথে কোনও লিনিয়ার মডেলটি অবশিষ্টাংশগুলি পরীক্ষা করে ভাল ফিটের মতো দেখাচ্ছে কিনা তা পরীক্ষা করতে পারেন।

এগুলি কখনও কখনও সংহতভাবে কোডেডও হয়। এক্স 1> 1 এর জন্য ডামি বাইনারি ভেরিয়েবল ডি 1 এবং এক্স 1> 2 এর জন্য একটি ডামি বাইনারি ভেরিয়েবল ডি 2 থাকতে একটি সাধারণ ভেরিয়েবল এক্স 1 এর উদাহরণ হবে 1, তারপরে ডি 1 এর সহগটি আপনি 2 থেকে 3 এর অর্ডিনাল বাড়ানোর সময় যে প্রভাবটি পান তা হ'ল এবং 2 2 থেকে 3 পর্যন্ত অর্ডিনাল করার সময় ডি 2 এর সহগটি আপনি পাবেন।

এটি প্রায়শই আরও সহজে ব্যাখ্যা ব্যাখ্যা করে, তবে এটি ব্যবহারিক উদ্দেশ্যে বিশিষ্ট পরিবর্তনশীল হিসাবে ব্যবহারের সমতুল্য।

গেলম্যান এমনকি পরামর্শ দেন যে কেউ মডেলগুলির নমনীয়তা বাড়ানোর জন্য একটি সাধারণ ভবিষ্যদ্বাণীকে উভয় শ্রেণিবদ্ধ ফ্যাক্টর (মূল প্রভাবগুলির জন্য) এবং অবিচ্ছিন্ন পরিবর্তনশীল (ইন্টারঅ্যাকশনগুলির জন্য) হিসাবে ব্যবহার করতে পারে।

আমার ব্যক্তিগত কৌশলটি সাধারণত তাদের সুনির্দিষ্ট হিসাবে চিকিত্সা করা একটি যুক্তিসঙ্গত মডেল তৈরি করে এবং তার ফলাফলগুলি কেবল শ্রেণিবদ্ধ হিসাবে যদি প্রয়োজন হয় তবে ব্যবহার করা যায় কিনা তা দেখার বিষয় to