সঠিকভাবে তথ্য ধার করার অর্থ কী?

Question

আমি প্রায়শই লোকেরা বায়েশিয়ান শ্রেণিবদ্ধ মডেলগুলিতে তথ্য bণ গ্রহণ বা তথ্য ভাগ করে নেওয়ার বিষয়ে কথা বলি। এর প্রকৃত অর্থ কী এবং যদি এটি বায়সিয়ান শ্রেণিবদ্ধ মডেলগুলির জন্য অনন্য তবে আমি এর কোনও সরল উত্তর পাব বলে মনে হয় না। আমি সাজানোর ধারণাটি সাজিয়েছি: আপনার স্তরক্রমের কিছু স্তর একটি সাধারণ পরামিতি ভাগ করে share যদিও এটি "তথ্য orrowণ গ্রহণ" এর সাথে কীভাবে অনুবাদ করে তা আমার কোনও ধারণা নেই।

1. "তথ্য orrowণ নেওয়া" / "তথ্য ভাগ করে নেওয়া" এমন একটি শব্দ শব্দটি লোককে ফেলে দিতে পছন্দ করে?

2. বদ্ধ ফর্ম পোস্টারগুলির সাথে এমন কোনও উদাহরণ রয়েছে যা এই ভাগ করে নেওয়া ঘটনাটি চিত্রিত করে?

3. এটি কি কোনও বায়েশিয়ার বিশ্লেষণের পক্ষে অনন্য? সাধারণত, যখন আমি "তথ্য ধার করা" এর উদাহরণগুলি দেখি তারা কেবল মিশ্র মডেল। আমি এই মডেলগুলি পুরানো কায়দায় শিখেছি, তবে আমি কোনও ভাগ করে নিতে দেখছি না।

আমি পদ্ধতিগুলি সম্পর্কে দার্শনিক বিতর্ক শুরু করতে আগ্রহী নই। এই শব্দটি ব্যবহার সম্পর্কে আমি কেবল কৌতূহলী।

Comments

আপনার প্রশ্নের 2. জন্য, আপনি এই লিঙ্কে আলোকজ্জ্বল এটি করতে পারেন: tjmahr.com/plotting-partial-pooling-in-mixed-effects-models ।

— ইসাবেলা ঘেমেন্ট

আমি এখানে উত্তরগুলিতে তথ্য তত্ত্বের কিছু উল্লেখ দেখতে পছন্দ করব।

— শ্যাডএলকার

Answer 1

এটি এমন একটি শব্দ যা বিশেষতঃ অভিজ্ঞতাবাদী বয়েস (ইবি) থেকে এসেছে, বাস্তবে যে ধারণাটি বোঝায় তা সত্য বায়েশীয় অনুমানের মধ্যে নেই। মূল শব্দটি ছিল "orrowণ গ্রহণের শক্তি", যা জন টুকি ১৯ back০ এর দশকে ফিরে এসেছিলেন এবং ব্রাডলি এফ্রন এবং কার্ল মরিস ১৯ further০ এবং ১৯ 1980০-এর দশকে স্টেইনের প্যারাডক্স এবং প্যারামেট্রিক ইবি সম্পর্কিত একটি পরিসংখ্যানিক নিবন্ধে আরও জনপ্রিয় করেছিলেন। এখন অনেক লোক একই ধারণার প্রতিশব্দ হিসাবে "তথ্য orrowণ গ্রহণ" বা "তথ্য ভাগ করে নেওয়ার" ব্যবহার করে। মিশ্র মডেলগুলির প্রসঙ্গে আপনি এটি শুনতে পাবার কারণটি হ'ল মিশ্র মডেলগুলির সর্বাধিক সাধারণ বিশ্লেষণগুলির একটি EB ব্যাখ্যা রয়েছে।

ইবির অনেকগুলি অ্যাপ্লিকেশন রয়েছে এবং এটি অনেকগুলি পরিসংখ্যানের মডেলগুলিতে প্রযোজ্য, তবে প্রসঙ্গে সবসময় প্রসঙ্গটি হ'ল আপনার প্রচুর সংখ্যক (সম্ভবত স্বতন্ত্র) কেস রয়েছে এবং আপনি প্রতিটি ক্ষেত্রে একটি নির্দিষ্ট পরামিতি (যেমন গড় বা ভেরিয়েন্স) অনুমান করার চেষ্টা করছেন। বায়েশিয়ান অনুমানের ক্ষেত্রে, আপনি প্রতিটি ক্ষেত্রে পর্যবেক্ষণ করা ডেটা এবং সেই পরামিতরের পূর্ববর্তী বিতরণ উভয়ের উপর ভিত্তি করে প্যারামিটার সম্পর্কে উত্তরোত্তর সূচনা করেন। EB অনুমানের মধ্যে প্যারামিটারের পূর্বের বিতরণটি ডেটা কেসের পুরো সংগ্রহ থেকে অনুমান করা হয়, যার পরে বায়েসীয় অনুমান হিসাবে অনুমান এগিয়ে যায়। সুতরাং, যখন আপনি নির্দিষ্ট কেসের জন্য প্যারামিটারটি অনুমান করেন, আপনি সেই মামলার ডেটা এবং আনুমানিক পূর্বে বিতরণ উভয়ই ব্যবহার করেন এবং পরবর্তীটি "তথ্য" বা "শক্তি" উপস্থাপন করে

এখন আপনি দেখতে পাচ্ছেন যে ইবি "bণ" নিয়েছে তবে সত্য বায়েস তা দেয় না। সত্য বায়েসে, পূর্ব বিতরণ ইতিমধ্যে বিদ্যমান এবং তাই ভিক্ষা বা ধার করা প্রয়োজন হয় না। ইবিতে, পূর্ববর্তী বিতরণটি পর্যবেক্ষণ করা ডেটা থেকেই তৈরি করা হয়েছে। যখন আমরা কোনও বিশেষ কেস সম্পর্কে অনুমান করি তখন আমরা সেই কেস থেকে সমস্ত পর্যবেক্ষণ করা তথ্য এবং অন্যান্য ক্ষেত্রে প্রতিটি থেকে কিছুটা তথ্য ব্যবহার করি। আমরা বলি এটি কেবল "ধার করা", কারণ আমরা পরবর্তী কেসটি সম্পর্কে সুনির্দিষ্টভাবে অগ্রসর হওয়ার সময় তথ্যটি ফেরত দেওয়া হয়।

ইবি এবং "তথ্য orrowণ গ্রহণ" ধারণাটি পরিসংখ্যানগত জিনোমিক্সে প্রচুর পরিমাণে ব্যবহৃত হয়, যখন প্রতিটি "কেস" সাধারণত একটি জিন বা জিনোমিক বৈশিষ্ট্য হয় (স্মিথ, 2004; পিপসন এট আল, 2016)।

তথ্যসূত্র

ইফ্রন, ব্র্যাডলি এবং কার্ল মরিস। পরিসংখ্যানে স্টেইনের প্যারাডক্স x বৈজ্ঞানিক আমেরিকান 236, না। 5 (1977): 119-127। http://statweb.stanford.edu/~ckirby/brad/other/Article1977.pdf

স্মিথ, জিকে (2004)। মাইক্রোয়ারে পরীক্ষায় ডিফারেনশিয়াল এক্সপ্রেশন মূল্যায়নের জন্য লিনিয়ার মডেল এবং অভিজ্ঞতামূলক বেইস পদ্ধতি। জেনেটিক্স এবং মলিকুলার বায়োলজি খণ্ড 3, সংখ্যা 1, অনুচ্ছেদ 3 - এ পরিসংখ্যানীয় অ্যাপ্লিকেশনগুলি http://www.statsci.org/smyth/pubs/ebayes.pdf

পিপসন, বি, লি, এস, মাজেউস্কি, আইজে, আলেকজান্ডার, ডাব্লুএস, এবং স্মিথ, জিকে (২০১))। শক্তিশালী হাইপারপ্যারামিটার অনুমান হাইপার্ভেরিবেল জিনের বিরুদ্ধে রক্ষা করে এবং ডিফারেনশিয়াল এক্সপ্রেশন সনাক্ত করার শক্তি উন্নত করে। ফলিত পরিসংখ্যান 10 এর তালিকাভুক্ত, 946-963। http://dx.doi.org/10.1214/16-AOAS920

Comments

আমি এই ব্যাখ্যাটি সঠিক বলে মনে করি না। উদাহরণস্বরূপ, মিশ্র প্রভাবগুলির মডেলগুলি তথ্য ধার করে, তবে একটি aতিহ্যবাহী বায়েশীয় প্রসঙ্গে বিশ্লেষণ করা যায়

— ক্লিফ এবি

@ ক্লিফ্যাব যদি আপনি মিশ্র মডেল বিশ্লেষণগুলি খনন করেন তবে আপনি দেখতে পাবেন যে বিশ্লেষণটি সত্যিকারের বায়েসের পরিবর্তে কার্যত সর্বদা বোধগম্য es বেশিরভাগ লেখক অবশ্যই বলবেন যে তারা বেয়েস করছে যখন এটি আসলে ইবি হয় কারণ বেশিরভাগ লেখক এই পার্থক্য রাখেন না। আপনি যদি ভাবেন যে আপনি সত্য বায়েস মিশ্রিত মডেল বিশ্লেষণের উদাহরণ দিতে পারেন তবে আমি আপনাকে এটি করার জন্য আমন্ত্রণ জানাচ্ছি।

— গর্ডন স্মিথ

@ ক্লিফ্যাব সংখ্যালঘু ক্ষেত্রে যখন সত্যিকারের বায়েস বিশ্লেষণ মিশ্র মডেলগুলির জন্য ব্যবহার করা হয় (যেমন, এমসিসিসি বা উইনবাগস দ্বারা) তখন "orrowণ গ্রহণের তথ্য" শব্দটি ব্যবহারের জায়গা নয় of এটি "ingণ" দ্বারা টুকি এবং ইফ্রন বলতে কী বোঝায় তা অবশ্যই দ্বিমত পোষণ করবে।

— গর্ডন স্মিথ

@ ক্লিফ্যাব আমি সম্মত হই যে brms বায়েশিয়ান প্যাকেজ, এজন্য brms নথিতে "তথ্য ধার করা" শব্দটি প্রকাশিত হয় না।

— গর্ডন স্মিথ

সরল বায়েশিয়ান মডেলগুলি "তথ্য ধার" নেয় না, তবে বহুস্তরের মডেলগুলি করেন, যদিও আমি মনে করি যে এই ক্ষেত্রে আরও জনপ্রিয় শব্দটি "আংশিক পুলিং"। এখানে এ Gelman থেকে এই একটি শাস্ত্রীয় আলোচনা হয়। সাধারণভাবে, আপনি যদি মিশ্রিত প্রভাবগুলির মডেলগুলি "তথ্য ধার করেন" ধারণাটি গ্রহণ করেন তবে আমি নিশ্চিত না যে কেউ কীভাবে বলতে পারেন যে বেয়েসিয়ান মিশ্র প্রভাবগুলি না; পূর্বেরটি ধার করা তথ্যের নীচের স্তরে উপস্থিত হয় । যদি আপনি বলছেন যে মিশ্র প্রভাবগুলির মডেলগুলি তথ্য ধার না নেয় , এটি আপনার দাবির বিষয়ে আমার বিভ্রান্তিকে ব্যাখ্যা করে।

— ক্লিফ এবি

Answer 2

একাধিক গ্রুপের উপায় অনুমান করার মতো একটি সাধারণ সমস্যা বিবেচনা করুন। যদি আপনার মডেল এগুলিকে সম্পূর্ণ সম্পর্কহীন বলে বিবেচনা করে তবে প্রতিটি মাধ্যম সম্পর্কে আপনার কাছে কেবল তথ্য সেই দলের মধ্যে থাকা তথ্য। যদি আপনার মডেল তাদের উপায়গুলি কিছুটা সম্পর্কিত হিসাবে বিবেচনা করে (যেমন কিছু মিশ্র-প্রভাবের ধরণের মডেল হিসাবে) তবে অনুমানগুলি আরও সুনির্দিষ্ট হবে কারণ অন্য গোষ্ঠী থেকে প্রাপ্ত তথ্য একটি নির্দিষ্ট গোষ্ঠীর জন্য অনুমানকে অবহিত করে (নিয়মিত করে, একটি সাধারণ গড়ের দিকে সঙ্কুচিত করে)। এটি 'orrowণ গ্রহণের তথ্য' উদাহরণ।

বিশ্বাসযোগ্যতার সাথে সম্পর্কিত অ্যাকুয়রিয়াল কাজের ক্ষেত্রে ধারণাটি উত্থিত হয় (সেই ধারায়'ণ গ্রহণের নির্দিষ্ট শব্দটির সাথে আবশ্যক নয় যদিও সেই ধারায় orrowণ নেওয়া সূত্রে সুস্পষ্ট); এটি কমপক্ষে এক শতাব্দী আগে অনেক দীর্ঘ পথ ফিরে গেছে, স্পষ্ট পূর্বসূরীদের মধ্য দিয়ে উনিশ শতকের মাঝামাঝি ফিরে এসেছিল। উদাহরণস্বরূপ, লংলি-কুক, এলএইচ (1962) দেখুন বিশ্বাসযোগ্যতা তত্ত্বের পিসিএএস, 49, 194-221।

হুইটনি, 1918 (অভিজ্ঞতা রেটিং এর তত্ত্ব, পিসিএএস, 4, 274-292):

উদাহরণস্বরূপ, এখানে একটি ঝুঁকি রয়েছে যা স্পষ্টভাবে মেশিন শপ হিসাবে শ্রেণিবদ্ধ করা। অন্যান্য তথ্যের অভাবে এটি মেশিন শপের হারকে জাল করা উচিত, যথা, এই শ্রেণীর সমস্ত ঝুঁকির জন্য গড় হার। অন্যদিকে ঝুঁকির নিজস্ব অভিজ্ঞতা রয়েছে। যদি ঝুঁকিটি বড় হয় তবে এটি শ্রেণিক-অভিজ্ঞতার চেয়ে ঝুঁকির পক্ষে আরও ভাল গাইড হতে পারে। যে কোনও ইভেন্টে, ঝুঁকি বড় বা ছোট, এই দুটি উপাদানেরই প্রমাণ হিসাবে তাদের মূল্য রয়েছে এবং উভয়কেই বিবেচনায় নেওয়া উচিত। অসুবিধাটি উত্থাপিত হয় যে সাধারণভাবে প্রমাণগুলি পরস্পরবিরোধী; সুতরাং সমস্যাটি হ'ল একটি মানদণ্ড সন্ধান করা এবং প্রয়োগ করা যা প্রত্যেককে তার যথাযথ ওজন দেবে।

Bণ গ্রহণ শব্দটি এখানে অনুপস্থিত থাকাকালীন এই মেশিন শপ সম্পর্কে আমাদের জানাতে গ্রুপ-স্তরের তথ্য ব্যবহার করার ধারণাটি স্পষ্টভাবে রয়েছে। ["Toণ গ্রহণের ক্ষমতা" এবং "orrowণ গ্রহণের তথ্য" এই পরিস্থিতিতে প্রয়োগ করা শুরু হলে ধারণাগুলি অপরিবর্তিত থাকে]

Comments

আমি উদাহরণটির প্রশংসা করি, যেমন এটি clearlyণ গ্রহণ কী করে তা স্পষ্টভাবে ব্যাখ্যা করে তবে আমি আরও সুনির্দিষ্ট সংজ্ঞা খুঁজছি।

— এলিক

একটি অনর্থক, স্বজ্ঞাত শব্দটির একটি সংক্ষিপ্ত সংজ্ঞা? আমি মনে করি যে কোনও একটি সম্ভব হতে পারে - এটি সম্ভবত গোষ্ঠীগুলির মধ্যে পরামিতিগুলির সাথে সম্পর্কিততা হ্রাস করার ক্ষেত্রে এটি সংজ্ঞায়িত করা যেতে পারে তবে এটির মাধ্যমে খুব সহজেই ধারণাটির প্রশংসনীয় ব্যবহারগুলি বাদ দিতে পারে

— Glen_b -Rininstate Monica

অনর্থক অন্তর্নিহিতের একটি আসল সংজ্ঞা ছিল কিনা তা আমার কাছে পরিষ্কার ছিল না।

— এলিক

Answer 3

$\sigma_R^2$

$\sigma_R^2$$\sigma_R^2$

$\sigma_R^2$$\sigma_R^2$$\sigma_R$$\sigma_R^2$। তথ্যগুলিতে যত কম তথ্য, তত বেশি গুরুত্বপূর্ণ পূর্বের তথ্য হয়ে যায়। আপনি যদি এখনও এটি না করে থাকেন, তবে আমি কেবল কয়েকটি বিষয় সহ মিশ্র প্রভাবগুলির মডেলগুলি অনুকরণ করার চেষ্টা করার পরামর্শ দিচ্ছি। আপনি সম্ভবত অবাক হবেন যে ফ্রিকোয়েন্সিস্ট পদ্ধতিগুলি থেকে অনুমানগুলি কতটা অস্থির, বিশেষত যখন আপনি কেবল এক বা দু'জন আউটলিয়ার যুক্ত করেন ... এবং কতক্ষণ না কেউ একজন বিদেশী ছাড়া সত্যিকারের ডেটাসেটগুলি দেখেন? আমি বিশ্বাস করি এই সমস্যাটি বেলসিয়ান ডেটা অ্যানালাইসিসে জেলম্যান এট আল দ্বারা আচ্ছাদিত রয়েছে, তবে দুঃখের সাথে আমি মনে করি না যে এটি প্রকাশ্যে উপলব্ধ তাই হাইপারলিংক নেই।

শেষ পর্যন্ত, মাল্টিলেভেল মডেলিংগুলি কেবল মিশ্র প্রভাব নয়, যদিও এগুলি সর্বাধিক সাধারণ। যে মডেলগুলিতে প্যারামিটারগুলি কেবল প্রিয়ার এবং ডেটা দ্বারা প্রভাবিত হয় তা নয়, তবে অন্যান্য অজানা পরামিতিগুলিকে মাল্টিলেভেল মডেলও বলা যেতে পারে। অবশ্যই এটি মডেলের একটি খুব নমনীয় সেট, তবে এটি স্ট্রান, নিমবল, জ্যাজিএস ইত্যাদির মতো সরঞ্জামগুলি ব্যবহার করে ন্যূনতম পরিমাণে কাজ করে ফিট হতে পারে এবং এই পরিমাণে আমি নিশ্চিত নই যে আমি বহুস্তর বলব মডেলিং হ'ল "হাইপ"; মূলত, আপনি যে কোনও মডেলকে নির্দেশিত অ্যাসাইক্লিক গ্রাফ হিসাবে উপস্থাপন করতে পারেন তা লিখতে পারেনএবং এটি তাত্ক্ষণিকভাবে এটি ফিট করুন (ধরে নিলাম এটির একটি যুক্তিসঙ্গত রান সময় রয়েছে, এটি)। এটি প্রচলিত পছন্দগুলি (যেমন, রিগ্রেশন মডেল প্যাকেজগুলি) এর চেয়ে পুরো অনেক বেশি শক্তি এবং সম্ভাব্য সৃজনশীলতা দেয় তবে কেবল নতুন ধরণের মডেল ফিট করার জন্য স্ক্র্যাচ থেকে পুরো আর প্যাকেজটি তৈরি করার প্রয়োজন নেই।

Comments

উত্তরের জন্য ধন্যবাদ. স্পষ্ট করার জন্য আমি মাল্টি-লেভেল মডেলিংয়ের পরামর্শ দিচ্ছিলাম না "হাইপ"। আমি জিজ্ঞাসা করছিলাম "তথ্য bণ নেওয়া" এর একটি সুনির্দিষ্ট অর্থ আছে বা যদি সেই নির্দিষ্ট শব্দটি কেবল হাইপ হয়।

— এলিক

@ এলিক: আমি নিশ্চিত নই যে এর সুনির্দিষ্ট অর্থ আছে; গর্ডন স্মিথ কিছুটিকে একটি সুনির্দিষ্ট অর্থ হিসাবে বিবেচনা করতে পারে যা দেয়, অর্থাত্, এম্পিরিকাল বেইস, তবে এখন যে শব্দটি আমরা সাধারণত ব্যবহার করি তা সেই অর্থের সাথে খাপ খায় না বলে মনে হয়। ব্যক্তিগতভাবে, আমি মনে করি না এটি কেবল একটি হাইপ শব্দ; এটি ঠিক মিশ্র প্রভাবগুলির মডেলগুলির তুলনায় মিশ্র প্রভাবগুলির মডেলগুলি ব্যবহার করার জন্য অনুপ্রেরণা, যদিও এটি কেবল স্ট্যান্ডার্ড রিগ্রেশন মডেল কাঠামোর বাইরেও প্রসারিত। আমি মনে করি যে অনেক লোক আরও সুনির্দিষ্ট "মিশ্র প্রভাবগুলির মডেলিং" এর পরিবর্তে আরও অস্পষ্ট "মাল্টিলেভেল মডেলিং" বলে কারণ এটি এখন আরও ফ্যাশনেবল।

— ক্লিফ এবি

আমি বলব হাইপটি এমএল কাগজপত্র এবং ব্লগগুলিতে রয়েছে, যেখানে যুক্তি দেওয়া হয় যে মাল্টিলেভেল মডেলগুলি বাস্তবায়নের জন্য আপনার বায়েসিয়ান মডেলগুলির প্রয়োজন । আমি একটি কাজের উদাহরণে আগ্রহী হব - যেখানে একজন ক্রসওয়েটিভেটেড নিয়মিত মডেলটির সাথে তুলনা করে (পূর্বাভাসের জন্য)

— seanv507

এটির মূল্য কী, তার জন্য বাইয়েশিয়ানগুলির একমাত্র বিকল্প হ'ল সর্বাধিক সম্ভাবনা, যা পূর্বের ইউনিফর্ম সহ কেবল বায়েশিয়ান। সুতরাং এটি সত্যিই ভুল নয়।

— শ্যাডট্যালকার

@ শ্যাডোওয়ালটকার: আপনি যদি বায়েশিয়ানকে এমএলই পদ্ধতি বিবেচনা করেন তবে বায়েশিয়ান শব্দটি মূলত পরিসংখ্যানগুলিতে অর্থহীন। যাইহোক, আমি এমএল সাহিত্যে দেখি এমন কিছু ভুলের সাথে এটি সামঞ্জস্যপূর্ণ।

— ক্লিফ এবি

Answer 4

আমি ধরে নিচ্ছি, যেহেতু আপনি মেশিন লার্নিংকে ট্যাগ করেছেন যে অনুমানের চেয়ে আপনি ভবিষ্যদ্বাণীতে আগ্রহী I (আমি বিশ্বাস করি আমি @ গ্লেন_ব এর উত্তরের সাথে একত্রিত হয়েছি, তবে কেবল এই প্রসঙ্গে / শব্দভাণ্ডারে অনুবাদ করছি)

আমি এক্ষেত্রে দাবি করব এটি একটি গুঞ্জনবাদ শব্দ। একটি গ্রুপ ভেরিয়েবল সহ একটি নিয়মিত রৈখিক মডেল তথ্য ধার করবে: স্বতন্ত্র স্তরে পূর্বাভাস হবে গ্রুপের গড় এবং স্বতন্ত্র প্রভাবের সংমিশ্রণ। এল 1 / এল 2 নিয়মিতকরণ সম্পর্কে ভাবার একটি উপায় হ'ল এটি মোট ত্রুটির হ্রাস প্রতি একটি সহগ ব্যয় নির্ধারণ করছে, যেহেতু একটি গ্রুপ ভেরিয়েবল পৃথক ভেরিয়েবলের চেয়ে বেশি নমুনাগুলিকে প্রভাবিত করে, তাই একটি গ্রুপের প্রভাব অনুমান করার চাপ থাকবে, একটি ছোট বিচ্যুতি রেখে প্রতিটি পৃথক চলক গ্রুপ প্রভাব।

পর্যাপ্ত ডেটা সহ পৃথক পয়েন্টগুলির জন্য, পৃথক প্রভাবটি 'শক্তিশালী' হবে, যারা অল্প ডেটা রয়েছে তাদের ক্ষেত্রে প্রভাবটি দুর্বল হবে।

আমি মনে করি এটি দেখার সবচেয়ে সহজ উপায় হ'ল এল 1 নিয়মিতকরণ এবং একই প্রভাবের সাথে একই গোষ্ঠীর 3 জন ব্যক্তিকে বিবেচনা করে। অনিয়ন্ত্রিত, সমস্যাটির অনেকগুলি সমাধান রয়েছে, যেখানে নিয়মিতকরণ একটি অনন্য সমাধান দেয়।

গোষ্ঠী সহগকে সমস্ত প্রভাব নির্ধারণের ক্ষেত্রে সর্বনিম্ন l1 আদর্শ রয়েছে, যেহেতু আমাদের 3 জন ব্যক্তিকে কভার করার জন্য কেবল 1 মান প্রয়োজন। বিপরীতভাবে, পৃথক সহগকে সমস্ত প্রভাব নির্ধারণের ক্ষেত্রে গ্রুপ সহগকে প্রভাব নির্ধারণের ক্ষেত্রে এল 1 আদর্শের চেয়ে 3 বার সবচেয়ে খারাপ হয়।

নোট করুন আমাদের যতগুলি হায়ারারিচি রয়েছে আমরা এটি করতে পারি এবং ইন্টারঅ্যাকশনগুলি একইভাবে প্রভাবিত হয়: নিয়মিতকরণ বিরল ইন্টারঅ্যাকশনগুলির পরিবর্তে প্রভাবগুলি মূল ভেরিয়েবলগুলিতে ঠেলে দেবে।

ব্লগটি tjmahr.com/plotting-partial-pooling-in-mixed-effects-models । - @ ইসাবেলা গেমেন্টের সাথে লিঙ্ক করা শক্তির orrowণ গ্রহণের জন্য একটি উদ্ধৃতি দেয়

"এই প্রভাবটিকে কখনও কখনও সংকোচন বলা হয়, কারণ আরও চরম মান সংকোচনকে আরও যুক্তিসঙ্গত, আরও গড় মানের দিকে টানা হয় the lme4 বইয়ে ডগলাস বেটস সঙ্কুচিত হওয়ার [বিকল্প] নাম প্রদান করে"

"সঙ্কুচিত" শব্দটির নেতিবাচক ধারণা থাকতে পারে। জন টুকি একে অপরের কাছ থেকে পৃথক বিষয় "orrowণ গ্রহণের শক্তি" হিসাবে অনুমান হিসাবে প্রক্রিয়াটিকে উল্লেখ করা পছন্দ করেছিলেন। কঠোরভাবে নির্দিষ্ট প্রভাবের মডেলগুলির বিরুদ্ধে মিশ্র-প্রভাবগুলির মডেলগুলির অন্তর্নিহিত মডেলগুলির মধ্যে এটি একটি মৌলিক পার্থক্য। মিশ্র-প্রভাবগুলির মডেলটিতে আমরা ধরে নিয়েছি যে একটি গ্রুপিং ফ্যাক্টরের স্তরগুলি একটি জনসংখ্যা থেকে একটি নির্বাচন এবং ফলস্বরূপ, কিছুটা ডিগ্রীতে বৈশিষ্ট্যগুলি ভাগ করে নেওয়া আশা করা যায়। ফলস্বরূপ, একটি মিশ্র-প্রভাব মডেল থেকে পূর্বাভাস কঠোরভাবে স্থির-প্রভাব মডেলগুলির তুলনায় ক্ষয়প্রাপ্ত হয়।

Comments

নির্দিষ্ট ধরণের অনুমান না হলে ভবিষ্যদ্বাণী কী?

— শ্যাডএলকার

Answer 5

আমি এই বিষয়টিতে আরও একটি উত্স সুপারিশ করতে চাই যা আমি বিশেষভাবে শিক্ষামূলক বলে মনে করি হ'ল ডেভিড রবিনসনের অনুশীলনীয় বায়াসের পরিচিতি ।

তার চলমান উদাহরণটি হল যে কোনও বেসবল খেলোয়াড় তার দিকে নিক্ষেপ করা পরের বলটি হিট করতে পারে কিনা। মূল ধারণাটি হ'ল যদি কোনও খেলোয়াড় বছরের পর বছর ধরে থাকেন তবে তিনি কতটা দক্ষ এবং বিশেষত, তার পর্যবেক্ষণের ব্যাটিং গড়কে পরবর্তী পিচে সাফল্যের সম্ভাবনার বেশ ভাল অনুমান হিসাবে ব্যবহার করতে পারে তার একটি সুন্দর চিত্র রয়েছে picture

বিপরীতে, যে খেলোয়াড় সবে লীগে খেলতে শুরু করেছে তার এখনও তার আসল প্রতিভা প্রকাশ পায়নি। সুতরাং কিছুটা গড়ের দিকে তার সাফল্যের সম্ভাবনার প্রাক্কলনটি সামঞ্জস্য করা বুদ্ধিমান পছন্দ বলে মনে হয় যদি তিনি তার প্রথম কয়েকটি গেমগুলিতে বিশেষভাবে সফল বা ব্যর্থ হন, সম্ভবত ভাল বা খারাপ ভাগ্যের কারণে সম্ভবত কিছুটা হলেও ।

একটি ক্ষুদ্র বিষয় হিসাবে, "ingণ" শব্দটি অবশ্যই এই অর্থে ব্যবহৃত হয়েছিল বলে মনে হয় না যে somethingণ নেওয়া হয়েছে এমন কিছু কিছু ফিরে পাওয়া দরকার ;-)।