জেনারালাইজড লিনিয়ার মডেল বনাম ননলাইনার ন্যূনতম স্কোয়ার ব্যবহার করে একটি ক্ষতিকারক ফাংশন ফিটিং

Question

আমার একটি ডেটা সেট রয়েছে যা ক্ষতিকারক ক্ষয়কে উপস্থাপন করে। আমি এই ডেটাতে একটি সূচকীয় ফাংশন ফিট করতে চাই । আমি লগটি প্রতিক্রিয়ার ভেরিয়েবলকে রূপান্তর করার চেষ্টা করেছি এবং তারপরে একটি লাইনের সাথে ফিট করার জন্য কমপক্ষে স্কোয়ার ব্যবহার করেছি; একটি লগ লিঙ্ক ফাংশন এবং প্রতিক্রিয়া ভেরিয়েবলের চারপাশে গামা বিতরণ সহ একটি সাধারণ রৈখিক মডেল ব্যবহার করে; এবং অরৈখিক সর্বনিম্ন স্কোয়ার ব্যবহার করা। আমি প্রতিটি পদ্ধতির সাথে আমার দুটি সহগের জন্য পৃথক উত্তর পাই, যদিও সেগুলি সব একই রকম। আমার যেখানে বিভ্রান্তি রয়েছে তা আমি নিশ্চিত না যে কোন পদ্ধতিটি ব্যবহার করা সবচেয়ে ভাল এবং কেন। কেউ দয়া করে এই পদ্ধতিগুলির তুলনা এবং বিপরীত করতে পারেন? ধন্যবাদ.$y = Be^{ax}$

Comments

আপনার স্বাধীনতার সমান ডিগ্রি রয়েছে এবং এগুলি সমস্ত জিএলএম এর শ্রেণীর মধ্যে রয়েছে, আমি সর্বোচ্চ সম্ভাবনা সহ মডেলটি ব্যবহার করব।

— সম্ভাব্যতা ব্লগ

Answer 1

পার্থক্যটি মূলত এলোমেলো উপাদানগুলির অনুমান করা বিতরণ এবং এবং এলোমেলো উপাদানটি অন্তর্নিহিত গড় সম্পর্কের সাথে কীভাবে ইন্টারেক্ট করে।

অরৈখিক সর্বনিম্ন স্কোয়ারগুলি কার্যকরভাবে ধরে নেওয়া ধীরে ধীরে বৈকল্পিক (এবং সর্বনিম্ন স্কোয়ারগুলি স্বাভাবিক ত্রুটির পক্ষে সর্বাধিক সম্ভাবনা) সহ শব্দটি সংযোজনীয় বলে মনে করে।

অন্য দুজন ধরে নিয়েছে যে গোলমালটি গুণক এবং বৈচিত্রটি গড়ের বর্গক্ষেত্রের সাথে সমানুপাতিক। লগগুলি নেওয়া এবং কমপক্ষে স্কোয়ার লাইনে ফিটিং করা লগনরমালের পক্ষে সর্বাধিক সম্ভাবনা, আপনি যে জিএলএম লাগিয়েছিলেন তা গামা (আশ্চর্যজনকভাবে) জন্য সর্বাধিক সম্ভাবনা। এই দুটি বেশ সমান হবে তবে গামা খুব কম মানকে কম ওজন দেবে, অন্যদিকে লগমনাল এক সর্বোচ্চ মানগুলির তুলনামূলকভাবে কম ওজন রাখবে।

(দ্রষ্টব্য যে এই দুটির জন্য পরামিতি অনুমানের সঠিকভাবে তুলনা করার জন্য, আপনাকে লগ স্কেলে প্রত্যাশা এবং মূল স্কেল সম্পর্কে প্রত্যাশার মধ্যে পার্থক্যটি মোকাবেলা করতে হবে a রূপান্তরিত ভেরিয়েবলের গড়টি সাধারণভাবে পরিবর্তিত গড় নয় not)