সর্বদা শক্ত (হোয়াইট) স্ট্যান্ডার্ড ত্রুটিগুলি রিপোর্ট করুন?

Question

অ্যাংজিস্ট এবং পিস্কে এটি পরামর্শ দিয়েছেন যে রবস্ট (অর্থাত্ হেটেরোস্কেস্টাস্টিটি বা অসম বৈকল্পের প্রতি দৃ )়) স্ট্যান্ডার্ড ত্রুটিগুলি এটির জন্য পরীক্ষা করার চেয়ে অবশ্যই বিষয় হিসাবে রিপোর্ট করা হয়েছে। দুটি প্রশ্ন:

1. যখন সমকামীতা থাকে তখন এর প্রমিত ত্রুটিগুলিতে প্রভাব কী?
2. কেউ কি আসলে তাদের কাজগুলিতে এটি করে?

Comments

"রবস্ট স্ট্যান্ডার্ড ত্রুটিগুলি অবশ্যই একটি বিষয় হিসাবে প্রতিবেদন করা হয়েছে" বলতে কী বোঝাতে চেয়েছিলেন তা সম্পর্কে আমি নিশ্চিত নই কিসের স্ট্যান্ডার্ড ত্রুটিগুলি? আপনি বলেছিলেন "এটির" পরীক্ষার জন্য আপনি যে পরীক্ষাটির কথা বলছেন?

— রবিন গিরার্ড

ভাল কথা .... আমি ওএলএস রিগ্রেশন-এ রিগ্রেশন সহগের স্ট্যান্ডার্ড ত্রুটিগুলি এবং ভিন্ন ভিন্ন সমস্যা সম্পর্কে কথা বলছি ity Traditionalতিহ্যগত পদ্ধতি হ'ল হিটারোসেসিস্টাস্টিটির উপস্থিতি পরীক্ষা করার জন্য উদাহরণস্বরূপ, হোয়াইটের পরীক্ষা বা ব্রুশ প্যাগান পরীক্ষা। যদি হেটেরোসেসটেস্টিটিটি পাওয়া যায় তবে একটি রবস্ট স্ট্যান্ডার্ড ত্রুটিগুলি সাধারণত হোয়াইট স্ট্যান্ডার্ড ত্রুটিগুলি রিপোর্ট করে।

— গ্রাহাম কুকসন

আপনি কি অ্যাঞ্জিস্ট এবং পিসকে একটি লিঙ্ক স্থাপন করবেন?

— csgillespie

অ্যাঞ্জিস্ট, জোশুয়া ডি এবং জর্ন-স্টিফেন পিসচে। ২০০৯. বেশিরভাগ ক্ষতিগ্রস্থ একনোমেট্রিক্স: একটি এম্পিরিসিস্টের সহযোগী। প্রিন্সটন বিশ্ববিদ্যালয় প্রেস: প্রিন্সটন, এনজে।

— চার্লি

Answer 1

শক্তিশালী মান ত্রুটিগুলি অর্থনীতিতে সাধারণ অনুশীলনে পরিণত হয়েছে। শক্তসমর্থ স্ট্যান্ডার্ড ত্রুটিগুলি সাধারণত অ-শক্তিশালী (স্ট্যান্ডার্ড?) স্ট্যান্ডার্ড ত্রুটির চেয়ে বড় হয়, সুতরাং অনুশীলনটি রক্ষণশীল হওয়ার প্রচেষ্টা হিসাবে দেখা যেতে পারে।

বড় আকারের নমুনায় ( যেমন, আপনি যদি লক্ষ লক্ষ পর্যবেক্ষণ বা "মাত্র" হাজার হাজার পর্যবেক্ষণের সাথে ডেটা সেট সহ সেন্সাসের ডেটা নিয়ে কাজ করছেন), হিটারোস্কেস্টাস্টিটি পরীক্ষাগুলি অবশ্যই ইতিবাচক হয়ে উঠবে, সুতরাং এই পদ্ধতিটি উপযুক্ত।

হেটেরোস্কেস্টাস্টিটির বিরুদ্ধে লড়াইয়ের আরেকটি উপায় হ'ল ন্যূনতম স্কোয়ারগুলি হ'ল তবে দৃ down় স্ট্যান্ডার্ড ত্রুটির ব্যবহারের বিপরীতে প্যারামিটারগুলির জন্য অনুমানগুলি পরিবর্তিত করার কারণে এই পদ্ধতির বিষয়টি অবনমিত হয়েছে। আপনার ওজন যদি ভুল হয় তবে আপনার অনুমানটি পক্ষপাতদুষ্ট। যদি আপনার ওজন সঠিক হয় তবে আপনি শক্তিশালী স্ট্যান্ডার্ড ত্রুটির সাথে ওএলএসের চেয়ে ছোট ("আরও দক্ষ") স্ট্যান্ডার্ড ত্রুটি পান।

Comments

যখন ওএলএসের অনুমানগুলি লঙ্ঘন করা হচ্ছে না তখন নিয়মিত স্ট্যান্ডার্ড ত্রুটির চেয়ে শক্তিশালী স্ট্যান্ডার্ড ত্রুটিগুলি কত বেশি?

— রাসেলপিয়ার্স

সবসময়েই বিস্তৃত নয় - বাস্তবে তারা কখনও কখনও সংকীর্ণ হতে পারে। অ্যাঞ্জিস্ট

— 2010

+1, উপরের মন্তব্যে @ অনেস্টপের ক্যাভ্যাট সহ যে শক্তিশালী সেগুলি খুব ভাল বা ছোট হতে পারে, যদিও আমরা সাধারণত প্রত্যাশা করি যে তারা বড় হবে এবং এইভাবে "রক্ষণশীল" আর্ট টাইপ আই ত্রুটি। এবং হ্যাঁ, আমি সর্বদা আমার কাজগুলিতে হিটারোস্কেস্টিক শক্তিশালী বা ক্লাস্টার রোবস্ট সেগুলি ব্যবহার করি, আমি জানি প্রত্যেকের মতো।

— সাইরাস এস

হিটারোস্কেস্টাস্টিটির জন্য পরীক্ষাগুলি উল্লেখযোগ্যভাবে পরিণত না হওয়ার কারণ হ'ল হিটারোস্কেস্টাস্টিটি আপনার ওএলএসকে নষ্ট করে দেওয়ার বিষয়ে চিন্তাভাবনা বন্ধ করার কোনও কারণ নয় - এই প্রভাবটি সত্ত্বেও এই পরীক্ষার খুব বেশি শক্তি থাকতে পারে না।

— অতিথি

ডাব্লুএলএস চেষ্টা না করার একটি ভাল কারণ হ'ল, প্রায়শই, আপনার প্রকৃত গড়-বৈসাদৃশ্য সম্পর্ক কী তা আপনার কোনও ধারণা নেই - এবং নির্বাচনের জন্য ডেটাতে উঁকি দেওয়া আপনার ফ্রিক্যালিস্টের অনুমানকে অকার্যকর করতে পারে। সাইরাসের মতো, আমি পুরো জায়গাতেই শক্তিশালী সেগুলি ব্যবহার করি।

— অতিথি

Answer 2

ইন কোয়ান্টাম অর্থনীতি (Woolridge, 2009 সংস্করণ পৃষ্ঠা 268) এই প্রশ্নের সম্বোধন করা হয়েছে। ওলরিজ বলেছেন যে শক্তিশালী স্ট্যান্ডার্ড ত্রুটিগুলি ব্যবহার করার সময় প্রাপ্ত টি-পরিসংখ্যানগুলিতে কেবল এমন বিতরণ থাকে যা নমুনার আকার বড় হলে সঠিক টি-বিতরণের অনুরূপ। যদি নমুনার আকারটি ছোট হয় তবে শক্তিশালী রিগ্রেশন ব্যবহার করে প্রাপ্ত টি-পরিসংখ্যানগুলিতে এমন বিতরণ থাকতে পারে যা টি বিতরণের কাছাকাছি নয় এবং এটি অনুমানকে ছুঁড়ে ফেলতে পারে।

Answer 3

শক্তিশালী স্ট্যান্ডার্ড ত্রুটিগুলি ভিন্নতার ভিত্তিতে নিরপেক্ষ স্ট্যান্ডার্ড ত্রুটির প্রাক্কলন সরবরাহ করে। এখানে বেশ কয়েকটি পরিসংখ্যানীয় পাঠ্য বই রয়েছে যা শক্তিশালী স্ট্যান্ডার্ড ত্রুটিতে একটি বৃহত্তর এবং দীর্ঘ আলোচনা সরবরাহ করে। নিম্নলিখিত সাইটটি দৃ standard় স্ট্যান্ডার্ড ত্রুটির উপর কিছুটা বিস্তৃত সংক্ষিপ্তসার সরবরাহ করে:

https://economictheoryblog.com/2016/08/07/robust-standard-errors/

আপনার প্রশ্নে ফিরে আসছে। শক্তিশালী স্ট্যান্ডার্ড ত্রুটিগুলি ব্যবহার করা সতর্কতা ছাড়াই নয়। ওলরিজ (২০০৯ সংস্করণ, পৃষ্ঠা ২8৮) অনুসারে শক্তিশালী স্ট্যান্ডার্ড ত্রুটিগুলি ব্যবহার করে প্রাপ্ত টি-পরিসংখ্যানগুলিতে কেবল বিতরণ রয়েছে যা নমুনার আকার বড় হলে সঠিক টি-বিতরণের অনুরূপ। যদি নমুনার আকারটি ছোট হয়, তবে শক্তিশালী রিগ্রেশন ব্যবহার করে প্রাপ্ত টি-স্ট্যাটাসে এমন বিতরণ থাকতে পারে যা টি বিতরণের কাছাকাছি নয়। এটি অনুমান ছুঁড়ে ফেলতে পারে। তদুপরি, সমকামিতার ক্ষেত্রে শক্তিশালী মান ত্রুটিগুলি এখনও নিরপেক্ষ are তবে এগুলি দক্ষ নয়। এটি হ'ল প্রচলিত মান ত্রুটিগুলি শক্তিশালী স্ট্যান্ডার্ড ত্রুটির চেয়ে আরও সুনির্দিষ্ট। অবশেষে, শক্তিশালী মান ত্রুটিগুলি ব্যবহার করা অনেকগুলি একাডেমিক ক্ষেত্রে সাধারণ অনুশীলন।

Answer 4

শক্তিশালী স্ট্যান্ডার্ড ত্রুটিগুলি ব্যবহার না করার জন্য অনেকগুলি কারণ রয়েছে। প্রযুক্তিগতভাবে যা ঘটে তা হ'ল রূপগুলি ওজন দ্বারা ওজনিত হয় যা আপনি বাস্তবে প্রমাণ করতে পারবেন না। সুতরাং রুবস্টনেস কেবল একটি প্রসাধনী সরঞ্জাম। সাধারণত আপনি মডেল পরিবর্তন সম্পর্কে পাতলা উচিত। আপনার তথ্য থেকে যে সমস্যা দেখা দেয় তার চেয়ে বেশি আঁকানোর চেয়ে ভিন্ন ভিন্ন ভিন্ন ভিন্নতার সাথে মোকাবিলা করার জন্য অনেকগুলি বিষয় রয়েছে। মডেলটি স্যুইচ করতে এটি একটি চিহ্ন হিসাবে নিন। কীভাবে বিদেশীদের মোকাবেলা করতে হবে সেই প্রশ্নের সাথে প্রশ্নটি সম্পর্কিত। ভাল লোকেরা আরও ভাল ফলাফল পেতে কেবল তাদের মুছুন, কেবলমাত্র অন্য প্রসঙ্গে, দৃust় স্ট্যান্ডার্ড ত্রুটিগুলি ব্যবহার করার সময় এটি প্রায় একই।

Comments

এটি সত্যিই খারাপ পরামর্শ, সর্বদা শক্ত ত্রুটিগুলি ব্যবহার করুন কারণ তারা উভয় ক্ষেত্রেই সামঞ্জস্যপূর্ণ

— Repmat

Answer 5

আমি ভেবেছিলাম যে হোয়াইট স্ট্যান্ডার্ড ত্রুটি এবং স্ট্যান্ডার্ড ত্রুটিটি "স্বাভাবিক" উপায়ে গণনা করা হয়েছে (যেমন, সর্বাধিক সম্ভাবনার ক্ষেত্রে হেসিয়ান এবং / অথবা ওপিজি) হোমোস্কেস্টিকটির ক্ষেত্রে asyptotically সমতুল্য ছিল?

কেবলমাত্র হেটেরোস্কেস্টাস্টিটি থাকলেই "স্বাভাবিক" স্ট্যান্ডার্ড ত্রুটি অনুপযুক্ত হবে, যার অর্থ হ'ল হোয়াইট স্ট্যান্ডার্ড ত্রুটি হেটেরোস্কেস্টাস্টিটির সাথে বা তার ব্যতীত যথাযথ, এটি হ'ল এমনকি যখন আপনার মডেল হোমোস্কেস্টাস্টিক।

আমি সত্যিই 2 সম্পর্কে কথা বলতে পারি না তবে আমি কেন হোয়াইট এসই গণনা করতে এবং ফলাফলগুলিতে অন্তর্ভুক্ত করতে চাই না তা দেখছি না।

Answer 6

আমার কাছে একনোমেট্রিক্সের পরিচিতি, তৃতীয় সংস্করণ নামে একটি পাঠ্যপুস্তিকা রয়েছে। স্টক এবং ওয়াটসন লিখেছেন যে, "যদি ত্রুটিগুলি হিটারোস্কেস্টেস্টিক হয় তবে কেবল হোমসকেস্টাস্টিটি ব্যবহার করে টি-স্ট্যাটিস্টিক গণনা করা হয় ত্রুটিযুক্ত বৃহত্তর নমুনায় এমনকি সাধারণ মানের বিতরণ থাকে না।" আমি বিশ্বাস করি যে আপনার টি-স্ট্যাটিস্টিককে স্ট্যান্ডার্ড স্বাভাবিক হিসাবে বিতরণ করা হয়েছে তা ধরে নিতে সক্ষম না হয়ে আপনি যথাযথ অনুমান / অনুমানের পরীক্ষা করতে পারবেন না। উওলড্রিজের প্রতি আমার প্রচুর শ্রদ্ধা রয়েছে (আসলে আমার স্নাতক-স্তরের শ্রেণিও তাঁর বইটি ব্যবহার করেছিল) তাই আমি বিশ্বাস করি যে টি-স্ট্যাটাস সম্পর্কে তিনি দৃust় এসই ব্যবহার করে বড় আকারের নমুনাগুলির যথাযথ হওয়া দরকার বলে মনে করেন তা অবশ্যই সঠিক, তবে আমি মনে করি আমরা প্রায়শই বৃহত-নমুনা প্রয়োজনীয়তার সাথে মোকাবিলা করতে হয় এবং আমরা এটি গ্রহণ করি। যাইহোক, অ-শক্তিশালী এসইগুলি সঠিক মানক সাধারণ বিতরণের সাথে কোনও টি-স্ট্যাট দেয় না theএমনকি যদি আপনার কাছে একটি বড় নমুনা থাকে তবে এটি কাটিয়ে উঠতে আরও বড় চ্যালেঞ্জ তৈরি করে।