পইসন রিগ্রেশনে শক্ত স্ট্যান্ডার্ড ত্রুটিগুলি কখন ব্যবহার করবেন?

Question

আমি গণনা ডেটার জন্য একটি পায়সন রিগ্রেশন মডেল ব্যবহার করছি এবং ভাবছি যে পরামিতি অনুমানের জন্য শক্তিশালী মান ত্রুটিটি ব্যবহার না করার কারণ আছে কি না ? আমি বিশেষত উদ্বিগ্ন যেহেতু দৃ without় ছাড়া আমার কিছু অনুমানগুলি তাত্পর্যপূর্ণ নয় (উদাহরণস্বরূপ, পি = 0.13) তবে দৃ3়তার সাথে উল্লেখযোগ্য (পি <0.01)।

এসএএস-এ এটি বারবার বিবৃতি proc genmod(যেমন, repeated subject=patid;) ব্যবহার করে উপলব্ধ । আমি উদাহরণ হিসাবে http://www.ats.ucla.edu/stat/sas/dae/poissonreg.htm ব্যবহার করেছি যা শক্তিশালী স্ট্যান্ডার্ড ত্রুটিগুলি সমর্থন করার জন্য ক্যামেরন এবং ত্রিবেদী (২০০৯) দ্বারা একটি কাগজ উদ্ধৃত করেছে।

Answer 1

সাধারণভাবে যদি আপনার সন্দেহ হয় যে আপনার ত্রুটিগুলি হিটারোস্কেস্টাস্টিক, তবে আপনার শক্তিশালী স্ট্যান্ডার্ড ত্রুটিগুলি ব্যবহার করা উচিত। আপনি দৃ SE় এস এস ব্যবহার করবেন না যখন আপনার অনুমানগুলি অ-তাত্পর্যপূর্ণ হয়ে ওঠে যে সত্যটি শক্তিশালী এসইগুলির প্রয়োজনীয়তার পরামর্শ দেয় (তবে প্রমাণ করে না)! এই এসইগুলি হ'ল স্পর্শকাতরতার পক্ষপাতিত্বের পক্ষে "শক্তিশালী" যা সাধারণীকরণীয় রৈখিক মডেল তৈরি করতে পারে।

এই পরিস্থিতিটি একটু আলাদা, যদিও আপনি তাদের পয়েসন রিগ্রেশন শীর্ষে রাখছেন।

পোইসনের একটি সুপরিচিত সম্পত্তি রয়েছে যা এটি ছড়িয়ে ছড়িয়ে পড়াকে গড়ের সমান হতে বাধ্য করে, ডেটা সেটিকে সমর্থন করে কিনা। শক্তিশালী স্ট্যান্ডার্ড ত্রুটিগুলি বিবেচনা করার আগে, আমি নেতিবাচক দ্বিপদী রিগ্রেশন চেষ্টা করব, যা এই সমস্যায় ভুগছে না। মানক ত্রুটির ফলস্বরূপ পরিবর্তন উল্লেখযোগ্য কিনা তা নির্ধারণে সহায়তা করার জন্য একটি পরীক্ষা (মন্তব্য দেখুন) রয়েছে।

আপনি যে পরিবর্তনটি দেখছেন (সিএসআইকে শক্তিশালী করে তোলা হচ্ছে) তা নীচে ছড়িয়ে পড়েছে কিনা তা আমি নিশ্চিতভাবে জানি না, তবে সম্ভবত এটি সম্ভবত বলে মনে হচ্ছে। উপযুক্ত মডেলটি দেখুন (আমার মনে হয় নেতিবাচক দ্বিপাক্ষিক, তবে একটি দ্রুত গুগলিং আন্ডার-ছত্রাক জন্য অর্ধ-পোইসনকেও প্রস্তাব দেয়?) এবং দেখুন যে সেটিংটিতে আপনি কী পান।

Comments

চমৎকার উত্তর! সাধারণত ওএলএস হিটারোস্কেস্টাস্টিটি পরামিতিগুলিকে পক্ষপাতহীন করে তোলে না (নিছক অক্ষম)) সাধারণ লিনিয়ার মডেলগুলির জন্য এটি সত্য নয়, রেফারেন্সের জন্য ডেভ গিলসের এই পোস্টটি দেখুন । আমি মনে করি না যে আমি ভুং পরীক্ষাটি এর জন্য প্রস্তাবটি দেখেছি (ন্যাস্টেড শূন্য স্ফীত মডেলের তুলনা করার জন্য আমি এটি প্রস্তাবিত দেখেছি)। নেগের মধ্যে পোয়েসন বাসা বেঁধেছে। দ্বিপদী মডেল, সুতরাং কেউ ছড়িয়ে পড়া প্যারামিটার জন্য একটি সম্ভাবনা অনুপাত পরীক্ষা ব্যবহার করতে পারেন।

— অ্যান্ডি ডাব্লু

আপনার উত্তরের জন্য ধন্যবাদ। আমি নেগেটিভ দ্বিপদী রিগ্রেশন চেষ্টা করেছিলাম কিন্তু সতর্কতার মধ্যে দিয়েছিলাম: "0.0046138565 এর আপেক্ষিক হেসিয়ান কনভার্জেন্সের মানদণ্ডটি 0.0001 এর সীমা চেয়ে বেশি The মনে রাখবেন যে আমার প্রতিক্রিয়া ভেরিয়েবলটি 0 থেকে 4 এর মান সহ একটি গণনা যা নির্ভরযোগ্য বা স্বতন্ত্র ভেরিয়েবলের রূপান্তর ঘটায় যা রূপান্তরকে সহায়তা করবে? বা এই ক্ষেত্রে কেউ কী করে?

— কারা

এছাড়াও, অ-শক্তিশালী এসইগুলি ছোট হওয়ার সাথে সম্পর্কিত - আমার বিশ্লেষণে আমি দেখতে পাচ্ছি যে এটি শক্তিশালী এসইগুলি ছোট এবং এটিই এর তাত্পর্যটি রয়েছে (অ-শক্তিশালী ফলাফলগুলিতে নয়)। এই কারণেই আমি দৃ results় ফলাফলগুলি প্রতিবেদন করা বা না করা সম্পর্কে যত্নবান হতে চাই - আমি কেবলমাত্র উল্লেখযোগ্য মানদণ্ডের কারণে এই পদ্ধতিটি বেছে নিতে চাই না! আবার ধন্যবাদ!

— কারা

@ অ্যান্ডডাব্লু আমি আমার নোটগুলি পরীক্ষা করেছি এবং ভুং প্রকৃতপক্ষে জেডআই বনাম পোইসনের পক্ষে। আপডেট পোস্ট। কারা আমি বিপরীতমুখী মিস। আপনার আন্ডার-বিচ্ছুরিত ডেটা থাকতে পারে, সেক্ষেত্রে এনবিডিও সম্ভাব্য সমাধান :-)

— এরি বি ফ্রেডম্যান

মন্তব্যগুলিতে আপনার অ-রূপান্তর সমস্যাটি নির্ণয় করা শক্তিশালী @ কড়া। আপনারা যতটা তথ্য সরবরাহ করতে পারেন ঠিক তেমনই আমি একটি নতুন প্রশ্ন চেষ্টা করব।

— এরি বি ফ্রেডম্যান

Answer 2

আধুনিককে "জিইই" হিসাবে উল্লেখ করে মডেল ভিত্তিক শক্তিশালী স্ট্যান্ডার্ড ত্রুটিগুলির তুলনায় মডেলগুলি ব্যবহার করে বিশ্লেষণগুলি আলাদা করব যা আসলে একটি বিনিময়যোগ্য সংজ্ঞা। স্কোরচির চমত্কার ব্যাখ্যা ছাড়াও:

জিআইইগুলি ছোট নমুনাগুলিতে, যেমন 10-50 বিষয়গুলিতে "পক্ষপাতদুষ্ট" হতে পারে: (লিপজিটস, লেয়ার্ড, এবং হ্যারিংটন, 1990; এমরিচ এবং পাইডমন্টে, 1992; শার্পলস এবং ব্রেস্লো, 1992; লিপজিট এট আল। 1994; কোউ, পাইডমোনটে এবং উইলিয়ামস, 1994; গানসোলি, গ্যাচেল এবং চিনচিলি, 1995; শেরম্যান এবং লে সেসি, 1997.) যখন আমি বলি যে জিইইরা আমার পক্ষপাতদুষ্ট তা হ'ল স্ট্যান্ডার্ড ত্রুটির প্রাক্কলনটি ছোট বা শূন্য কোষের কারণে রক্ষণশীল বা অ্যান্টিকনজারভেটিভ হতে পারে কোনও ফিটেড মানগুলি এই আচরণটি প্রদর্শন করে এবং রিগ্রেশন মডেলের সামগ্রিক প্রবণতার সাথে তারা কতটা সুসংগত তার উপর নির্ভর করে।

সাধারণভাবে, যখন প্যারামিট্রিক মডেলটি সঠিকভাবে নির্দিষ্ট করা হয়, আপনি এখনও মডেল ভিত্তিক সিআই থেকে সঠিক স্ট্যান্ডার্ড ত্রুটির প্রাক্কলন পান, তবে জিইই ব্যবহারের পুরো পয়েন্টটি খুব বড় "যদি" সামঞ্জস্য করে। জিইইগুলি পরিসংখ্যানবিদদের কেবলমাত্র ডেটাগুলির জন্য একটি কার্যক্ষম সম্ভাবনার মডেল নির্দিষ্ট করার অনুমতি দেয় এবং প্যারামিটারগুলি (কঠোরভাবে প্যারাম্যাট্রিক কাঠামোয় ব্যাখ্যা করার পরিবর্তে) একধরনের "চালনী" হিসাবে বিবেচিত হয় যা অন্তর্নিহিত, অজানা তথ্য উত্পন্ন করে নির্বিশেষে পুনরুত্পাদনযোগ্য মান উত্পন্ন করতে পারে পদ্ধতি. এটি আধা-প্যারাম্যাট্রিক বিশ্লেষণের হৃদয় এবং প্রাণ, যা একটি জিইই উদাহরণস্বরূপ।

জিইইগুলি একটি স্বতন্ত্র সম্পর্কের ম্যাট্রিক্সের স্পেসিফিকেশন সহ, ডেটাতে কোওরিয়েশনের অপরিশোধিত উত্সগুলিও পরিচালনা করে। এটি মডেল ভিত্তিক কোভেরিয়েন্স ম্যাট্রিক্সের চেয়ে অভিজ্ঞতামূলক ব্যবহারের কারণে। পয়সন মডেলিংয়ে, উদাহরণস্বরূপ, আপনি বিভিন্ন স্ট্রিম থেকে নমুনাযুক্ত সালমনের উর্বরতার হারে আগ্রহী হতে পারেন। মহিলা মাছ থেকে কাটা ডিমের অন্তর্নিহিত পোইসন বিতরণ থাকতে পারে তবে জেনেটিক প্রকরণ যা অংশীদারিত্বের নৈবেদ্যতা এবং নির্দিষ্ট প্রবাহগুলিতে উপলভ্য সংস্থানগুলির সমন্বয়ে গঠিত হতে পারে অন্য স্রোতের তুলনায় সেই স্রোতের মধ্যে মাছকে একই রকম করে তুলতে পারে। জিইই ততক্ষণ জনসংখ্যার মান ত্রুটির প্রাক্কলন দেবে যতক্ষণ না নমুনা হার তাদের জনসংখ্যার অনুপাতের সাথে সামঞ্জস্যপূর্ণ (বা অন্যভাবে স্তরবদ্ধ হয়)।

Answer 3

আপনি ন্যায়সঙ্গততার নাল পরীক্ষা করে দেখুন। এটি একটি সাধারণ সহায়ক ওএলএস রিগ্রেশন। ক্যামেরন এবং ত্রিবেদী এর 670 পৃষ্ঠায় বর্ণনা রয়েছে । বড় পরিমাণে ডিসিডিস্পারেশন সহ, স্ট্যান্ডার্ড ত্রুটিগুলি খুব বিস্ফোরিত হয়, সুতরাং যখন অতিরিক্ত পরিমাণে অভাব হয় তখন কোনও দৃ -়বিহীন ভিসিই-র উপর জড়িয়ে থাকা যে কোনও ফলাফলের বিষয়ে আমি খুব সতর্ক থাকব। নিম্নচাপের সাথে, বিপরীতটি সত্য হবে, যা আপনি যে দৃশ্যের মধ্যে রয়েছেন তার মতো শোনাচ্ছে।