শ্রেণিবদ্ধ / বহুস্তর মডেলগুলির সাহিত্যে আমি প্রায়শই "নেস্টেড মডেল" এবং "অ-নেস্টেড মডেল" সম্পর্কে পড়েছি, তবে এর অর্থ কী? কেউ কি আমাকে কিছু উদাহরণ দিতে বা এই ফ্রেসিংয়ের গাণিতিক প্রভাব সম্পর্কে বলতে পারেন?
উত্তর:
নেস্টেড বনাম অ-নেস্টেড মানে পুরোপুরি প্রচুর জিনিস। আপনি নেস্টেড ডিজাইন বনাম ক্রস ডিজাইন করেছেন (উদাহরণস্বরূপ এই ব্যাখ্যাটি দেখুন )। আপনি মডেল তুলনা মডেল নেস্ট করেছেন। নেস্টেড মানে এখানে একটি ছোট মডেলের সমস্ত পদ বৃহত্তর মডেলে ঘটে। সম্ভাব্য অনুপাতের পরীক্ষার মতো বেশিরভাগ মডেল তুলনা পরীক্ষা ব্যবহারের জন্য এটি একটি প্রয়োজনীয় শর্ত।
মাল্টিলেভেল মডেলের প্রসঙ্গে আমি মনে করি নেস্টেড এবং অ-নেস্টেড ফ্যাক্টরগুলির বিষয়ে কথা বলা ভাল। পার্থক্যটি কীভাবে বিভিন্ন কারণগুলির একে অপরের সাথে সম্পর্কিত in নেস্টেড ডিজাইনে, একটি ফ্যাক্টরের মাত্রাগুলি কেবল অন্য ফ্যাক্টরের মাত্রার মধ্যে বোঝায়।
বলুন আপনি পাতার অক্সিজেন উত্পাদন পরিমাপ করতে চান। আপনি বেশ কয়েকটি গাছের প্রজাতির নমুনা করেন এবং প্রতিটি গাছে আপনি নীচে, মাঝের এবং গাছের শীর্ষে কয়েকটি পাতা নমুনা করেন। এটি নেস্টেড ডিজাইন। ভিন্ন অবস্থানে পাতার জন্য পার্থক্য কেবল একটি গাছের প্রজাতির মধ্যে বোঝা যায়। সুতরাং নীচের পাতাগুলি, মাঝের পাতা এবং সমস্ত গাছের উপরের পাতার তুলনা করা বোকামি। বা অন্যভাবে বলেছে: পাতার অবস্থানটিকে প্রধান প্রভাব হিসাবে মডেল করা উচিত নয়।
অ-নেস্টেড ফ্যাক্টরগুলি এমন দুটি কারণের সংমিশ্রণ যা সম্পর্কিত নয়। বলুন আপনি রোগীদের অধ্যয়ন করেন এবং বয়স এবং লিঙ্গের পার্থক্যে আগ্রহী। সুতরাং আপনার সাথে একটি ফ্যাক্টর এজক্লাস এবং একটি ফ্যাক্টর লিঙ্গ রয়েছে যা সম্পর্কিত নয়। আপনার প্রধান প্রভাব হিসাবে বয়স এবং লিঙ্গ উভয়কেই মডেল করা উচিত এবং প্রয়োজনে ইন্টারঅ্যাকশনটি একবার দেখে নিতে পারেন।
পার্থক্য সবসময় যে পরিষ্কার হয় না। যদি আমার প্রথম উদাহরণে গাছের প্রজাতিগুলি ফর্ম এবং ফিজিওলজির সাথে ঘনিষ্ঠভাবে জড়িত থাকে তবে আপনি পাতার অবস্থানকে বৈধ প্রধান প্রভাব হিসাবেও বিবেচনা করতে পারেন। অনেক ক্ষেত্রে, নেস্টেড ডিজাইনের তুলনায় অন-নেস্টেড ডিজাইনের পছন্দটি সত্য সত্যের চেয়ে গবেষকের সিদ্ধান্ত।
নেস্টেড বনাম অন-নেস্টেড মডেলগুলি সম্মিলন বিশ্লেষণ এবং IIA এ আসে । "লাল বাস নীল বাস সমস্যা" বিবেচনা করুন। আপনার জনসংখ্যা রয়েছে যেখানে ৫০% লোক কাজ করার জন্য গাড়ি নেয় এবং বাকী ৫০% লোকে লাল বাস নেয়। আপনি যদি একটি নীল বাস যুক্ত করেন যা সমীকরণে লাল বাসের মতো একই বৈশিষ্ট্যযুক্ত থাকে? একটি বহুজাতিক লগাইট মডেল তিনটি মোডের জন্য 33% ভাগের পূর্বাভাস দেবে। আমরা স্বজ্ঞাতভাবে জানি যে এটি সঠিক নয় কারণ লাল বাস এবং নীল বাসটি গাড়ীর চেয়ে একে অপরের সাথে সমান এবং এইভাবে গাড়ি থেকে ভাগ নেওয়ার আগে একে অপরের কাছ থেকে আরও বেশি অংশ নেবে। এখান থেকেই একটি নেস্টিং কাঠামো আসে যা সাধারণত অনুরূপ বিকল্পগুলিতে ল্যাম্বডা সহগ হিসাবে নির্দিষ্ট করা হয়।
বেন Akiva একসঙ্গে এই তত্ত্ব outlining স্লাইডের একটা চমৎকার সেট করা হয়েছে এখানে । তিনি 23 স্লাইডের আশেপাশে নেস্টেড লজিট সম্পর্কে কথা বলতে শুরু করেন।
যদি আপনি সর্বদা দ্বিতীয় মডেলের কিছু পরামিতি সীমাবদ্ধ করে প্রথম মডেলটি পেতে পারেন তবে একটি মডেল অন্যটিতে বাসা বাঁধে। উদাহরণস্বরূপ, লিনিয়ার মডেল 2-ডিগ্রি বহুবর্ষীয় , কারণ b = 0 সেট করে 2-ডিগ্রি হয়। বহুবচন লিনিয়ার ফর্মের মতো হয়ে যায়। অন্য কথায়, একটি লাইন বহুবর্ষের একটি বিশেষ ক্ষেত্রে, এবং তাই দুজন নেস্টেড হয়।y = a x + b x 2 + c
দুটি মডেল যদি নেস্ট করা হয় তবে তার মূল বিষয়টি হ'ল পরিসংখ্যানের তুলনায় তুলনামূলক তুলনামূলক সহজ। সহজ কথায় বলতে গেলে, নেস্টেড মডেলগুলির সাহায্যে আপনি আরও সাধারণ "নাল মডেল" এ কিছু যুক্ত করে আরও জটিলটিকে নির্মান হিসাবে বিবেচনা করতে পারেন। এই দুটি মডেলের মধ্যে সেরাটি বাছাই করতে, আপনাকে কেবল এটি অনুসন্ধান করতে হবে যে এতে কিছু যুক্ত হয়েছে যা ডেটাতে উল্লেখযোগ্য পরিমাণে অতিরিক্ত বৈকল্পিকতা ব্যাখ্যা করে। এই দৃশ্যটি প্রথমে সহজ মডেলটিকে ফিটিং করা এবং ডেটা থেকে এর পূর্বাভাসিত ভিন্নতা অপসারণের সমতুল্য এবং তারপরে আরও জটিল মডেলের অতিরিক্ত উপাদানটিকে প্রথম ফিট থেকে কমপক্ষে অবশিষ্টাংশগুলিতে ফিট করে (কমপক্ষে কমপক্ষে স্কোয়ারের অনুমানের সাথে)।
অ-নেস্টেড মডেলগুলি ডেটাতে ভিন্নতার সম্পূর্ণ ভিন্ন অংশ ব্যাখ্যা করতে পারে। একটি জটিল মডেল এমনকি সাধারণের তুলনায় কম বৈকল্পিকতা ব্যাখ্যা করতে পারে, যদি জটিলটির মধ্যে সরলটির মতো "সঠিক জিনিস" অন্তর্ভুক্ত না থাকে। সুতরাং সেই ক্ষেত্রে নাল অনুমানের অধীনে কী ঘটবে তা ভবিষ্যদ্বাণী করা কিছুটা বেশি কঠিন যে উভয় মডেলই সমানভাবে ডেটা ব্যাখ্যা করে।
আরও উল্লেখযোগ্য বিষয় হল, নাল অনুমানের অধীনে (এবং নির্দিষ্ট মাঝারি অনুমান দেওয়া হয়েছে), দুটি নেস্টেড মডেলের মধ্যে সদ্ব্যবহারের পার্থক্য একটি পরিচিত বিতরণকে অনুসরণ করে, যার আকার কেবল দুজনের মধ্যে স্বাধীনতার ডিগ্রিগুলির পার্থক্যের উপর নির্ভর করে মডেল। এটি নেস্টেড মডেলগুলির ক্ষেত্রে সত্য নয়।
দুটি মডেল বিন্যাসিত বা পৃথক হয় যদি একটি মডেল অন্যটির সীমা হিসাবে প্রাপ্ত না করা যায় (বা একটি মডেল অন্যটির নির্দিষ্ট ক্ষেত্রে না হয়)
আপনি নেস্টেড এবং ননসেটেড মডেলগুলির মধ্যে পার্থক্য সম্পর্কে জিজ্ঞাসা করেছেন। দেখা:
যেখানে ননসেটেড বা পৃথক মডেলের বিষয়টিকে প্রথমবার বা আমার আসন্ন বইয়ের জন্য চিকিত্সা করা হয়েছিল: আলাদা আলাদা বা ননসেটেড মডেলগুলির পছন্দ ।
এই পিডিএফ একটি সহজ উত্তর দেখুন । মূলত, একটি নেস্টেড মডেল একটি সম্পূর্ণ মডেলের চেয়ে কম ভেরিয়েবল সহ একটি মডেল। একটি উদ্দেশ্য হ'ল আরও পারস্পরিক উত্তর সন্ধান করা।