এই উত্তরের কৃতিত্ব @ জোশুয়ার কাছে যায় যিনি এই প্রশ্নটি Google+ এ আর এবং পরিসংখ্যান সম্প্রদায়ের কাছে পোস্ট করার সময় একটি দুর্দান্ত উত্তর দিয়েছেন । আমি কেবল নীচে তার উত্তর পেস্ট করছি।
রিগ্রেশন চালানোর জন্য (সুপ্ত ভেরিয়েবল মডেলিং ছাড়াই) দয়া করে উদ্ধৃত পাঠ্যের পরে টাইপ করা আমার নোটগুলি পড়ুন।
সমস্ত উপলভ্য ডেটাতে (তথাকথিত এফআইএমএল) সর্বাধিক সম্ভাবনার সাথে নিখোঁজ ডেটা হ্যান্ডেল করা একটি খুব দরকারী কৌশল। তবে, বেশ কয়েকটি জটিলতা রয়েছে যা একটি সাধারণ উপায়ে প্রয়োগ করা চ্যালেঞ্জিং করে তোলে। বয়স, লিঙ্গ এবং পেশার ধরণ থেকে কিছু ধারাবাহিক ফলাফলের পূর্বাভাস দিয়ে একটি সাধারণ লিনিয়ার রিগ্রেশন মডেল বিবেচনা করুন। ওএলএস-এ, আপনি বয়স, লিঙ্গ এবং পেশার বন্টন সম্পর্কে চিন্তা করবেন না, কেবল ফলাফল। সাধারণত শ্রেণিবদ্ধ ভবিষ্যদ্বাণীকারীদের জন্য এগুলি ডামি কোডড (0/1)। এমএল ব্যবহার করতে, নিখোঁজ হওয়া সমস্ত ভেরিয়েবলের জন্য বিতরণীয় অনুমানের প্রয়োজন। এখন পর্যন্ত সবচেয়ে সহজ পদ্ধতির নাম মাল্টিভারিয়েট নরমাল (এমভিএন)। উদাহরণস্বরূপ এমপ্লাস ডিফল্টরূপে এটি করবে যদি আপনি ভেরিয়েবলের ধরণের (যেমন, শ্রেণীবদ্ধ) ঘোষণা করার উপায় না বের করেন। আমি যে সহজ উদাহরণ দিয়েছি, আপনি সম্ভবত ধরে নিতে পারেন, বয়সের জন্য স্বাভাবিক, যৌনতার জন্য বার্নোল্লি এবং কাজের ধরণের জন্য মাল্টিনোমল। পরেরটি জটিল কারণ আপনার কাছে যা আছে তা বেশ কয়েকটি বাইনারি ভেরিয়েবল, তবে আপনি এগুলি বার্নোল্লি হিসাবে বিবেচনা করতে চান না। এর অর্থ আপনি ডামি কোডেড ভেরিয়েবলগুলির সাথে কাজ করতে চান না, আপনাকে প্রকৃত শ্রেণিবদ্ধ ভেরিয়েবলের সাথে কাজ করতে হবে যাতে এমএল অনুমানকারীরা সঠিকভাবে একটি বহুজাতিক ব্যবহার করতে পারে তবে এর পরিবর্তে ডামি কোডিং প্রক্রিয়াটি মডেলটিতে তৈরি করা দরকার , তথ্য না। আবার জীবনকে জটিল করে তোলেন। তদুপরি, অবিচ্ছিন্ন এবং শ্রেণিবদ্ধ ভেরিয়েবলগুলির যৌথ বিতরণ গণনা করার জন্য অনর্থক (যখন আমি এমপ্লাসে এই জাতীয় সমস্যায় পড়ি, এটি খুব দ্রুত ভেঙে ফেলা এবং সংগ্রাম শুরু করে)। অবশেষে, আপনি সত্যিই আদর্শভাবে অনুপস্থিত ডেটা মেকানিজম নির্দিষ্ট করে দিন। এসইএম স্টাইলে, এফআইএমএল, সমস্ত ভেরিয়েবলগুলি অন্য সকলের জন্য মূলত শর্তযুক্ত, তবে এটি অগত্যা সঠিক নয়। উদাহরণস্বরূপ, সম্ভবত বয়স লিঙ্গ এবং পেশার ধরণের নয়, তবে তাদের মিথস্ক্রিয় হিসাবে ফাংশন হিসাবে অনুপস্থিত। ফোকাসের ফলাফলের জন্য মিথস্ক্রিয়াটি গুরুত্বপূর্ণ নাও হতে পারে তবে বয়সে অনুপস্থিতির জন্য যদি এটি গুরুত্বপূর্ণ হয় তবে তা অবশ্যই মডেলটির মধ্যে থাকতে হবে, অগত্যা আগ্রহের মূল মডেল নয়, অনুপস্থিত ডাটা মডেল।
লাভান এমভিএন এর জন্য এমএল ব্যবহার করবে তবে বর্তমানে আমি বিশ্বাস করি যে বিভাগীয় ডেটা বিকল্পগুলি সীমিত (আবার এসইএম ক্ষেত্র থেকে আসছে, এটি স্ট্যান্ডার্ড)। একাধিক অনুমান প্রথমে কম মার্জিত বলে মনে হয় কারণ এটি FIML এর পিছনে সুস্পষ্ট অনেকগুলি গোপন অনুমান করে (যেমন প্রতিটি ভেরিয়েবলের জন্য বিতরণ অনুমান এবং প্রতিটি ভেরিয়েবলের জন্য নিখোঁজ হওয়ার জন্য অনুমানযোগ্য মডেল)। যাইহোক, এটি আপনাকে প্রচুর নিয়ন্ত্রণ দেয় এবং প্রতিটি ভেরিয়েবলের বিতরণ সম্পর্কে স্পষ্টভাবে চিন্তা করে এবং প্রতিটিটির জন্য সর্বোত্তম অনুপস্থিত ডেটা প্রক্রিয়াটি মূল্যবান।
আমি আরও বেশি করে নিশ্চিত হয়ে উঠছি যে বেয়েশিয়ান মডেলগুলি হ'ল ডেটা হ্যান্ডেল করার উপায়। কারণটি হ'ল তারা প্রতিটি ভেরিয়েবলের জন্য বিতরণ অন্তর্ভুক্ত করার ক্ষেত্রে অনেক নমনীয়, বিভিন্ন ধরণের বিতরণকে মঞ্জুরি দেয় এবং সামগ্রিক মডেল অনুমানের মধ্যে সহজেই ভবিষ্যদ্বাণীকারীদের গায়েবিহীন ডেটা দ্বারা প্রবর্তিত পরিবর্তনশীলকে অন্তর্ভুক্ত করতে পারে (যেখানে আপনি একাধিক অনুমানের সাথে কৌশল যেখানে আপনি যেখানে তারপরে কোনওভাবে ফলাফল একত্রিত করতে হবে)। অবশ্যই, এই পদ্ধতিগুলি সহজ নয় এবং ব্যবহারের জন্য প্রচুর প্রশিক্ষণ এবং সময় নিতে পারে।
সুতরাং এটি সত্যিই আপনার প্রশ্নের উত্তর দেয় না, তবে নিখোঁজ হওয়ার সাথে মোকাবিলার জন্য সম্পূর্ণ সাধারণ কাঠামো কেন জটিল তা কিছুটা ব্যাখ্যা করে। কোভেরিয়েন্স ম্যাট্রিক্সের জন্য আমার সেমিউটিস প্যাকেজে, আমি এমএল ব্যবহার করতে নীচে লভান ব্যবহার করি। আমি তা করি কারণ আমি কোনও বৈকল্পিক কোভারিয়েন্স ম্যাট্রিক্সের জন্য ধরে নিয়েছি যে আপনি যে কোনও উপায়ে অবিচ্ছিন্ন পরিবর্তনগুলি ব্যবহার করছেন যাতে আমি ধারণা করি যে আমার ব্যবহারকারীরা ইতিমধ্যে তাদের ডেটার জন্য এমভিএন ধরে নিচ্ছেন।
এর অর্থ হ'ল যদি নিখোঁজ হওয়া সমস্ত ভেরিয়েবলগুলি অবিচ্ছিন্ন থাকে, তবে , স্ট্রাকচারাল সমীকরণ মডেলিং (এসইএম) প্যাকেজটি আর এফআইএমএল-এর জন্য ব্যবহার করার জন্য একটি দুর্দান্ত is
এখন আমার প্রাথমিক প্রশ্নে ফিরে যাচ্ছি। আমার উদ্দেশ্য ছিল লিনিয়ার রিগ্রেশন চলাকালীন নিখোঁজ হওয়ার জন্য একটি যাদু ফিক্স করা। আমার সমস্ত ভেরিয়েবলগুলি অনুপস্থিত এবং দুর্দান্ত এবং অবিচ্ছিন্ন ছিল। সুতরাং আমি আমার বিশ্লেষণগুলি দুটি শৈলীতে চালিয়ে গেলাম:
- একাধিক অনুমান সহ স্বাভাবিক উপায়
- এফআইএমএল ব্যবহার করে লাভান দিয়ে এসইএম স্টাইলে।
আমি এসইএম স্টাইলে রিগ্রেশন করে অনেক কিছুই মিস করছিলাম। উভয় শৈলী একই ধরণের সহগ এবং আর স্কোয়ার দিয়েছে, তবে এসইএম স্টাইলে আমি রিগ্রেশন (ডিএফের সাথে আদর্শ এফ মানগুলি) এর তাত্পর্য পরীক্ষা করেছিলাম না, পরিবর্তে আমি ফিট সূচকগুলি পেয়েছি যা আমার সমস্ত ডিগ্রি ব্যবহার করার কারণে সহায়ক ছিল না helpful স্বাধীনতার। এছাড়াও যখন একটি মডেলের অন্যের চেয়ে বড় আর 2 ছিল, আমি পার্থক্যটি উল্লেখযোগ্য কিনা তা তুলনা করার কোনও উপায় খুঁজে পাই না। অতিরিক্ত হিসাবে, স্বাভাবিকভাবেই রিগ্রেশন করা অমূল্য এমন রিগ্রেশন অনুমানগুলির জন্য একগুচ্ছ পরীক্ষার অ্যাক্সেস দেয়। এই ইস্যুতে আরও বিস্তারিত উত্তরের জন্য আমার অন্যান্য প্রশ্নটি দেখুন যা সুন্দরভাবে @ স্ট্যাসকে উত্তর দিয়েছিল ।
সুতরাং উপসংহারটি মনে হয় যে লাভান আর এফআইএমএল এর জন্য একটি শালীন প্যাকেজ, তবুও এফআইএমএল এর ব্যবহার পরিসংখ্যানগত অনুমান এবং কোনটি বিশ্লেষণের ধরণেরটি পরিচালনা করছে তার উপর নির্ভর করে। যতদূর পর্যন্ত রিগ্রেশন (সুপ্ত ভেরিয়েবল মডেলিং ছাড়াই) যায়, এটিকে এসইএম প্রোগ্রামের বাইরে রাখা এবং একাধিক অনুদান ব্যবহার করা সম্ভবত বুদ্ধিমানের পদক্ষেপ।