আমি তিনজনের র্যাঙ্কিংয়ের ক্ষেত্রে একটি নির্দিষ্ট উত্তর দেব না। প্রতিটির উপর ভিত্তি করে আপনার প্যারামিটারগুলির আশেপাশে 95% সিআই তৈরি করুন এবং সেগুলি যদি একেবারে আলাদা হয় তবে আপনার প্রথম পদক্ষেপটি আরও গভীর খনন করা উচিত। আপনার ডেটা রুপান্তর করুন (যদিও এলআর আক্রমণকারী হবে) আপনার সম্ভাবনা ইত্যাদি নিয়মিত করুন যদিও এক চিমটি হলেও আমি সম্ভবত এলআর টেস্ট এবং সম্পর্কিত সিআই বেছে নেব। একটি মোটামুটি যুক্তি অনুসরণ করে।
এলআর প্যারামেট্রাইজেশন (যেমন টি বনাম লজিট (টি)) এর পছন্দ অনুসারে অবিচ্ছিন্ন। ওয়াল্ড পরিসংখ্যানগুলি (টি - টি0) / এসই (টি) এর স্বাভাবিকতা অনুমান করে। যদি এটি ব্যর্থ হয় তবে আপনার সিআই খারাপ। এলআর সম্পর্কে দুর্দান্ত জিনিসটি হ'ল স্বাভাবিকতা সন্তুষ্ট করার জন্য আপনার ট্রান্সফর্ম এফ (টি) খোঁজার দরকার নেই। টি ভিত্তিক 95% সিআই একই হবে। এছাড়াও, যদি আপনার সম্ভাবনাটি চতুর্ভুজীয় না হয় তবে ওয়াল্ড 95% সিআই, যা প্রতিসম, এটি কোকিল হতে পারে যেহেতু এটি উচ্চ সম্ভাবনার সাথে কম সম্ভাবনার সাথে মান পছন্দ করতে পারে।
এলআর সম্পর্কে ভাবার আরেকটি উপায় হ'ল এটি সম্ভাবনা ফাংশন থেকে আলগাভাবে কথা বলার আরও তথ্য ব্যবহার করে। ওয়াল্ডটি এমএলই এবং নালার সম্ভাবনার বক্রতার উপর ভিত্তি করে। স্কোরটি নালায় opeাল এবং নালার দিকে বক্রতা ভিত্তিক। এলআর শূন্যের নীচে সম্ভাবনা এবং শূন্য ও বিকল্পের মিলনের অধীনে সম্ভাবনার মূল্যায়ন করে এবং দুটিকে একত্রিত করে। আপনি যদি কোনওটি বেছে নিতে বাধ্য হন তবে এটি এলআর বাছাইয়ের জন্য স্বজ্ঞাতভাবে সন্তুষ্ট হতে পারে।
মনে রাখবেন যে ওয়াল্ড বা স্কোর বেছে নেওয়ার জন্য অন্যান্য কারণ রয়েছে যেমন সুবিধা বা গণনার মতো। ওয়াল্ডটি সবচেয়ে সহজ এবং একটি মাল্টিভারিয়েট প্যারামিটার দেওয়া হয়, আপনি যদি অনেকগুলি ব্যক্তিগতকে 0 তে সেট করার জন্য পরীক্ষা করে থাকেন তবে সম্ভাবনা আনুমানিক করার সুবিধাজনক উপায় রয়েছে। অথবা আপনি যদি কিছু সেট থেকে কোনও সময়ে পরিবর্তনশীল যুক্ত করতে চান তবে আপনি প্রতিটি নতুন মডেলের সম্ভাবনা সর্বাধিকতর করতে নাও চান, এবং স্কোর পরীক্ষাগুলি বাস্তবায়ন এখানে কিছু সুবিধা দেয়। ওয়াল্ড এবং স্কোর আকর্ষণীয় হয়ে ওঠার সাথে সাথে আপনার মডেলগুলি এবং সম্ভাবনা অপ্রকৃত হয়ে ওঠে। (তবে আমি মনে করি না যে আপনি যা জিজ্ঞাসা করেছিলেন এটিই, যেহেতু আপনার তিনটিই উপলভ্য ...)