গোষ্ঠী তুলনার জন্য ইন্টারঅ্যাকশন পদগুলির সাথে বনাম পৃথক রেগ্রেশন সহ যৌথ মডেল

Question

পূর্ববর্তী প্রশ্ন এবং আলোচনা থেকে মূল্যবান মতামত সংগ্রহ করার পরে, আমি নিম্নলিখিত প্রশ্নটি নিয়ে এসেছি: মনে করুন যে লক্ষ্যটি দুটি গ্রুপে প্রভাবের পার্থক্য সনাক্ত করা, উদাহরণস্বরূপ পুরুষ বনাম মহিলা। এটি করার দুটি উপায় রয়েছে:

1. দুটি গোষ্ঠীর জন্য দুটি পৃথক , এবং নাল অনুমানটি প্রত্যাখ্যান করতে (বা না) ওয়াল্ড পরীক্ষা নিযুক্ত করুন : , যেখানে পুরুষ রিগ্রেশনে এক IV এর সহগ হয় , এবং একই সংখ্যার সহগ হয় মহিলা প্রতিরোধে চতুর্থ।বি 1 - খ 2 = 0 খ 1 বি $H_0$$b_1-b_2=0$$b_1$$b_2$

2. দুটি গ্রুপকে একসাথে পুল করুন এবং লিঙ্গ ডামি এবং একটি ইন্টারঅ্যাকশন টার্ম (আইভি * জেন্ডারডমি) অন্তর্ভুক্ত করে একটি যৌথ মডেল চালান। তারপরে, গোষ্ঠী প্রভাব সনাক্তকরণটি মিথস্ক্রিয়াটির চিহ্ন এবং তাত্পর্যটির জন্য টি-টেস্টের ভিত্তিতে তৈরি হবে।

হো (1) ক্ষেত্রে যদি প্রত্যাখ্যান করা হয়, তবে গ্রুপ পার্থক্যটি উল্লেখযোগ্য, তবে (2) ক্ষেত্রে ইন্টারঅ্যাকশন শব্দটির সহগ পরিসংখ্যানগতভাবে তুচ্ছ, অর্থাত্ গ্রুপ পার্থক্য তুচ্ছ। বা তদ্বিপরীত, হো ক্ষেত্রে (1) প্রত্যাখ্যান করা হয় না, এবং মিথস্ক্রিয়া শব্দটি ক্ষেত্রে ক্ষেত্রে (2) উল্লেখযোগ্য। আমি এই ফলাফলটি বেশ কয়েকবার শেষ করেছি এবং আমি ভাবছিলাম যে ফলাফলটি আরও নির্ভরযোগ্য হবে এবং এই দ্বন্দ্বের পিছনে কী কারণ রয়েছে।

অনেক ধন্যবাদ!

Comments

পদ্ধতির মধ্যে পার্থক্য হ'ল উভয় দলের জন্য একইরকম বৈষম্য ধরে নেওয়া। পৃথক বিশ্লেষণ বিভিন্ন রূপ ধারণ করে।

— সম্ভাব্যতাবিহীন

অনেক অনেক ধন্যবাদ! আপনি বিভিন্ন মডেলের সাথে তুলনা করার সময় বৈকল্পের বিষয়টি নিয়ে আলোচনা করার কোনও রেফারেন্স সম্পর্কে অবগত আছেন?

— বিল 0718

Answer 1

প্রথম মডেল পুরোপুরি মডেলটিতে থাকা সমস্ত অন্যান্য কোভারিয়েটগুলির সাথে লিঙ্গের সাথে যোগাযোগ করবে। মূলত, প্রতিটি covariate এর প্রভাব (বি 2, বি 3 ... বিএন)। দ্বিতীয় মডেলে, লিঙ্গের প্রভাবটি কেবলমাত্র আপনার IV এর সাথে ইন্টারঅ্যাক্ট হয়। সুতরাং, ধরে নিলাম আপনার কাছে কেবল চতুর্থ এবং লিঙ্গের চেয়ে আরও বেশি সমবায় রয়েছে, এটি কিছুটা আলাদা ফলাফল এনে দিতে পারে।

যদি আপনার কাছে কেবল দুটি কোভেরিয়েট থাকে তবে এমন নথিভুক্ত ইভেন্ট রয়েছে যেখানে ওয়াল্ড পরীক্ষা এবং সম্ভাবনা অনুপাত পরীক্ষার মধ্যে সর্বাধিকতার পার্থক্য বিভিন্ন উত্তরের দিকে নিয়ে যায় ( উইকিপিডিয়ায় আরও দেখুন )।

আমার নিজের অভিজ্ঞতায়, আমি তত্ত্ব দ্বারা পরিচালিত হওয়ার চেষ্টা করি। যদি এখানে কোনও প্রভাবশালী তত্ত্ব থাকে যা প্রস্তাব করে যে লিঙ্গটি কেবল চতুর্থ সাথেই যোগাযোগ করবে, তবে অন্যান্য সহকারী নয়, আমি আংশিক মিথস্ক্রিয়া নিয়ে যাব।

Comments

ধন্যবাদ! হ্যাঁ, প্রকৃতপক্ষে বিভিন্ন সমবায় রয়েছে, কেবল একটি চতুর্থ নয়, আমি সাদাসিধে প্রশ্নে একটি আইভির উল্লেখ করেছি। বিষয়টি এমন একটি শক্তিশালী তত্ত্ব নেই যা লিঙ্গ এবং নির্দিষ্ট কিছু কোভেরিয়েটের মধ্যে পারস্পরিক মিথস্ক্রিয়াকে সমর্থন করতে পারে, এটি অনুসন্ধানী বিশ্লেষণ, সুতরাং আমার অনেকগুলি ইন্টারঅ্যাকশন এবং মডেল ফিটগুলির সাথে পরীক্ষা করা দরকার; প্রাথমিক মডেলটিতে 30 ভবিষ্যদ্বাণী রয়েছে ...

— বিল 718

@ Bill718 এছাড়াও পৃথক মডেলগুলির একটি পৃথক বাধা থাকবে, তবে একক মডেলটি হবেনা, যদি না আপনি অতিরিক্ত আইভি হিসাবে লিঙ্গ নির্দিষ্ট করেন (কেবল কোনও ইন্টারঅ্যাকশন হিসাবে নয়)।

— রবার্ট কুব্রিক

Answer 2

যে কোনও সময় দুটি পৃথক পদ্ধতি একটি নির্দিষ্ট অনুমানের পরীক্ষা করতে ব্যবহৃত হয় সেখানে বিভিন্ন পি-মান থাকবে। একটি উল্লেখযোগ্য এবং অন্যটি কেবল 0.05 স্তরে একটি কালো এবং সাদা সিদ্ধান্ত নিতে পারে না তা বলার জন্য। যদি একটি পরীক্ষা 0.03 এর একটি পি-মান দেয় এবং অন্যটি 0.07 বলে তবে আমি ফলাফলগুলিকে বিরোধী বলব না। আপনি যদি তাৎপর্য নিয়ে ভাবতে কঠোর হতে চলেছেন তবে বোর্ডলাইনের তাত্পর্য যখন হয় তখন পরিস্থিতি (i) বা (ii) সহজ হওয়া সহজ।

আমি পূর্ববর্তী প্রশ্নের উত্তরে যেমনটি উল্লেখ করেছি যে কোনও মিথস্ক্রিয়াটি অনুসন্ধান করার জন্য আমার পছন্দটি হল একটি সম্মিলিত রিগ্রেশন do

Comments

হ্যাঁ, এটি সত্য যে সম্মিলিত প্রতিরোধটি কমপক্ষে আমার ক্ষেত্রে আরও ভাল পারফর্ম করতে পারে বলে মনে হয় এবং এটি একটি খুব নমনীয় পদ্ধতি, যেহেতু কেউ বিভিন্ন মিথস্ক্রিয়া এবং মডেল ফিট করে চেষ্টা করতে পারে I আমি কেবল চেয়েছিলাম, "পরিসংখ্যান" কৌতূহল অনুসারে বলি , কোনওভাবে বিভিন্ন ফলাফলের পেছনের কারণ কী তা খুঁজে বের করতে। পি-মানগুলির বিষয়ে, আমি শুনেছি কিছু লোক কেবল মাত্র = 0.5% বা তার চেয়ে কম স্তরে তাত্পর্য গ্রহণ করে। আমি আরও নমনীয়, একটি = 1% স্তর ব্যবহার করে, তবে বড় মূল্যবোধ আসে যখন পি-মানগুলি সম্পূর্ণ আলাদা হয়।

— বিল 718

আমি উদাহরণস্বরূপ অধ্যয়নগুলি দেখেছি, যেখানে কোনও অর্ডারেড লজিট মোডেট নিয়োগ করা হয় তখন একটি আইভি অত্যন্ত তাৎপর্যপূর্ণ হয়, যখন কোনও ওএলএস প্রয়োগ করা হয় তখন একই আইভি তুচ্ছ হয়ে যায় ign সুতরাং, সেই ক্ষেত্রে, ফলাফলগুলির ব্যাখ্যাটি কিছুটা জটিল হতে পারে। আপনার মন্তব্য এবং প্রতিক্রিয়া জন্য অনেক ধন্যবাদ!

— বিল 718

+1, the পয়েন্টটি একটি দুর্দান্ত। $0.07\approx 0.03$

— গুং - মনিকা পুনরায়

Answer 3

দ্বিতীয় ক্ষেত্রে, স্ট্যান্ডার্ড সফ্টওয়্যারটি আপনাকে টি-স্টুডেন্টের মূল্যায়ন সহ একটি টি-স্টেটের পরামর্শ দেয় তবে প্রথম ক্ষেত্রে ওয়াল্ড পরীক্ষায় দুটি বিকল্প থাকতে পারে। ত্রুটির অধীনে স্বাভাবিকতা অনুমান ওয়াল্ড পরিসংখ্যান একটি সঠিক ফিশারের পরিসংখ্যান অনুসরণ করে (এটি টি-স্ট্যাটের সমতুল্য হিসাবে এটি ত্রুটির স্বাভাবিকতা অনুমান করে)। অ্যাসিপটোটিক স্বাভাবিকতার অধীনে, ওয়াল্ড পরিসংখ্যান একটি চি 2 বিতরণ অনুসরণ করে (যা সাধারণ বিতরণ অনুসারে টি-স্টেটের সাথে অ্যানালাগ হয়) অবিস্মরণীয় আপনি কোন বিতরণটি ধরে নিচ্ছেন? এটি নির্ভর করে আপনার পি-মানগুলি আপনাকে বিভিন্ন ফলাফল দেওয়ার ঝুঁকিপূর্ণ।

পাঠ্যপুস্তকে আপনি দেখতে পাবেন যে দ্বিপক্ষীয় একক পরীক্ষার জন্য (একটি প্যারামিটার) উভয়ই, টি-শিক্ষার্থী এবং ফিশারের পরিসংখ্যান সমান।

যদি আপনার নমুনা বড় না হয় তবে চি 2 এবং টি-স্ট্যাট প্যাভালুগুলির সাথে তুলনা করলে নির্দিষ্ট কিছু ফলাফল পাওয়া যাবে yield সেক্ষেত্রে অ্যাসেম্পোটিক ডিসট্রিবিউশন ধরে নেওয়া যুক্তিসঙ্গত হবে না। যদি আপনার নমুনাটি ছোট হয় তবে ধরে নেওয়া স্বাভাবিকতা আরও যুক্তিসঙ্গত বলে মনে হয়, এটি যথাক্রমে 2 এবং 1 কেসের জন্য টি-স্ট্যাট এবং ফিশার পাভেলগুলি বোঝায়।

Comments

প্রকৃতপক্ষে, আমার কাছে অসম আকারের দুটি নমুনা রয়েছে, প্রথমটিতে 3000 টি পর্যবেক্ষণ রয়েছে, তবে দ্বিতীয়টি তুলনামূলকভাবে ছোট, 500 টি পর্যবেক্ষণ রয়েছে। ওয়াল্ড পরিসংখ্যান গণনা করার সময় সফটওয়্যারটি চি-স্কোয়ারের প্রতিবেদন করে। সুতরাং, মনে হয় এটিই তাত্পর্যপূর্ণ হওয়ার কারণ। উভয় নমুনা সাধারণত বিতরণ করা হয় বিশেষত বৃহত নমুনার ক্ষেত্রে। অনেক ধন্যবাদ!

— বিল 718

আমি আপনাকে প্রতারিত করার জন্য দুঃখিত তবে অসম সাবমেল আকারগুলি কোনও সমস্যা নয়। তবুও আপনার কাছে আমার কাছে বড় নমুনার মতো লাগে। সুতরাং উভয় পদ্ধতির একই ফল পাওয়া উচিত। আমি লক্ষ্য করেছি যে @ প্রোব্যাবিলিটিস্লোগিক একটি ভাল পয়েন্ট করেছে। একটি পোল্ড নমুনা ব্যবহার করে সমান অবশিষ্ট অবধি বৈকল্পিক বোঝায়, যাতে এটি ভিন্ন ভিন্নতার উত্স হতে পারে। আপনি কীভাবে পৃথক রিগ্রেশন প্রক্রিয়াটি বাস্তবায়ন করছেন তা জানেন না, তবে আপনি যদি স্ট্যাটটি নিজেই গণনা করছেন তবে ভুল করা সহজ। এটি পুলযুক্ত প্রতিরোধকে একটি নিরাপদ সোজা পদ্ধতিতে পরিণত করে।

— জেডিভ

অসম্পূর্ণ বৈকল্পিক সমস্যাগুলি গোষ্ঠীগুলিতে সমাধান করার জন্য (হিটারোসেকডেস্টাস্টিটি) একটি সাদা (যদি আপনি স্টাটা ব্যবহার করেন তবে স্যান্ডউইচ বা রোবস্ট) ভেরিয়েন্স অনুমানকারী চেষ্টা করুন। এই পদ্ধতির অজানা ধরণের ভিন্ন ভিন্নতার জন্য সংশোধন করে।

— জেডিভ

ওহ, ঠিক আছে, আমি দেখতে পাচ্ছি, প্রকৃতপক্ষে নমুনার পর্যবেক্ষণগুলি একটি দেশের বিভিন্ন অঞ্চল থেকে আসে, সুতরাং আমি অনুমান করতে পারি যে বিজাতীয় সমস্যাগুলির উপস্থিতি রয়েছে!

— বিল 718