রিগ্রেশনে পিছিয়ে থাকা নির্ভরশীল ভেরিয়েবলের অন্তর্ভুক্তি


26

ল্যাগড নির্ভরশীল পরিবর্তনশীলটিকে কোনও রিগ্রেশন মডেলের অন্তর্ভুক্ত করা বৈধ কিনা তা নিয়ে আমি খুব বিভ্রান্ত। মূলত আমি মনে করি যদি এই মডেলটি ওয়াই এবং অন্যান্য স্বতন্ত্র ভেরিয়েবলের পরিবর্তনের মধ্যে সম্পর্কের দিকে মনোনিবেশ করে, তবে ডানদিকে একটি পিছিয়ে থাকা নির্ভরশীল ভেরিয়েবল যুক্ত করা গ্যারান্টি দিতে পারে যে অন্যান্য আইভিগুলির পূর্বে সহগগুলি ওয়াইয়ের পূর্ববর্তী মানের তুলনায় স্বতন্ত্র are

কেউ কেউ বলেছেন যে এলডিভি অন্তর্ভুক্তি অন্যান্য আইভিগুলির সহগকে নিম্নমুখী করবে। আবার কেউ কেউ বলেছেন যে কেউ এলডিভি অন্তর্ভুক্ত করতে পারে যা ক্রমিক সম্পর্কটিকে হ্রাস করতে পারে।

আমি জানি এই প্রশ্নটি কোন ধরণের রিগ্রেশনের দিক থেকে বেশ সাধারণ। তবে আমার পরিসংখ্যানগত জ্ঞান সীমাবদ্ধ এবং সময়কালের সাথে ফোকাসটি যখন ফোকাস হয় তখন আমার যদি কোনও পিছনে নির্ভরশীল পরিবর্তনশীলটিকে কোনও রিগ্রেশন মডেলটিতে অন্তর্ভুক্ত করা উচিত কিনা তা নির্ধারণ করার জন্য আমার খুব কষ্ট হয় hard

সময়ের সাথে সাথে Y এর পরিবর্তনের ক্ষেত্রে এক্স এর প্রভাব মোকাবেলার জন্য কী অন্যান্য পন্থা রয়েছে? আমি ডিভি হিসাবেও বিভিন্ন পরিবর্তনের স্কোর চেষ্টা করেছি, তবে সেই পরিস্থিতিতে আর স্কোয়ারটি খুব কম।


1
আপনি আপনার মডেল দিয়ে কি অর্জন আশা করি? আর-স্কোয়ারকে সর্বাধিকীকরণ করা খুব কমই খুব ভাল মডেল-নির্বাচনের মানদণ্ড।
মাইকেল বিশপ

এই মডেলটি পূর্বাভাসের জন্য ব্যবহার করা হবে। এটি সত্য যে আর-স্কোয়ার্ডের অনেকগুলি পার্থক্য থাকলেও ভবিষ্যদ্বাণী করা মানগুলি Y এবং Y এর পরিবর্তনের পরিবর্তে একইরকম However আইভি-র বর্তমান সেটটি খুব ভালভাবে পরিবর্তনটি ব্যাখ্যা করতে সক্ষম হয় না এবং কিছু বাদ দেওয়া ভেরিয়েবল অবশ্যই থাকতে পারে?
ব্যবহারকারীর 22109

উত্তর:


19

আপনার মডেলটিতে একটি পিছিয়ে নির্ভরশীল পরিবর্তনশীল অন্তর্ভুক্ত করার সিদ্ধান্তটি আসলেই একটি তাত্ত্বিক প্রশ্ন। একটি ডিগড ডিভি অন্তর্ভুক্ত করা বোধগম্য হয় যদি আপনি আশা করেন যে ডিভিটির বর্তমান স্তরটি তার অতীতের স্তর দ্বারা ভারীভাবে নির্ধারিত হয়। সেক্ষেত্রে লগড ডিভি অন্তর্ভুক্ত না করা বাদ দেওয়া পরিবর্তনশীল পক্ষপাতের দিকে পরিচালিত করবে এবং আপনার ফলাফলগুলি অবিশ্বাস্য হতে পারে। লেগড ডিভি সহ এমন একটি দৃশ্যে আপনার প্রচুর বৈকল্পিকতা দেখা দেবে এবং সম্ভবত আপনার অন্যান্য ডিভির প্রভাবগুলি কম তাৎপর্যপূর্ণ হয়ে উঠবে (যার অর্থ উভয়ই ছোট এবং মান ত্রুটিগুলি আরও বড় করে তোলে )। তবে এটি আপনাকে যা করার অনুমতি দেবে তা হ'ল যে আইভিগুলি এখনও আপনার ফলাফলকে প্রভাবিত করে তার ডিভির অতীতের মানটির জন্য একটি প্রভাব নিয়ন্ত্রণ করে। এই একটি বিকল্প পদ্ধতির সময়ের আপনার ফলাফল পরিবর্তনশীল মধ্যে পার্থক্য ব্যবহার করাβটিএবং যেমন সময়ের জন্য আপনার ডিভি ।টি-1টি

যাইহোক, এর মধ্যে যে কোনও একটি গুরুত্বপূর্ণ প্রশ্নের জবাব দেয়: আপনার ডিভির জন্য সঠিক ল্যাগ স্ট্রাকচারটি কী? বিভিন্ন ল্যাগ মানগুলির জন্য (যেমন Y এবং Y , Y এবং Y , ইত্যাদির মধ্যে পারস্পরিক সম্পর্ক) নিজের ফলাফলের সাথে নিজের পরিবর্তনশীলের মধ্যে পারস্পরিক সম্পর্কটি পর্যবেক্ষণ করে আপনি এ সম্পর্কে কিছু তথ্য পেতে পারেন ।টি-1টি-2


12

আমি দুটি নিবন্ধ সুপারিশ:

  1. অচেন সিএইচ (2001) কেন পিছিয়ে নির্ভরশীল ভেরিয়েবলগুলি অন্যান্য স্বতন্ত্র ভেরিয়েবলগুলির বর্ণনামূলক শক্তি দমন করতে পারে ( লিঙ্ক )
  2. কেলে, এল। এবং কেলি এনজে (2005) গতিশীল তত্ত্বগুলির জন্য গতিশীল মডেল: ল্যাগড নির্ভরশীল ভেরিয়েবলগুলির লিঙ্ক এবং আউটস ( লিঙ্ক )।

আপশটটি হ'ল ল্যাগড ডিপেন্ডেন্ট ভেরিয়েবল সহ বাকি ভেরিয়েবলের সহগগুলির উপর একটি বড় প্রভাব থাকতে পারে। কখনও কখনও এটি উপযুক্ত (কেলে এবং কেলির গতিশীল মডেলগুলির জন্য) এবং কখনও কখনও এটি হয় না। অন্যরা যেমন বলেছে, প্রক্রিয়াটি মডেল হওয়ার বিষয়ে চিন্তা করা গুরুত্বপূর্ণ।


4

পিছিয়ে থাকা নির্ভরশীল ভেরিয়েবলগুলি অন্তর্ভুক্ত করে মডেল অপব্যবহারের ফলে উদ্ভূত স্বতঃসংশোধনের ঘটনা হ্রাস করতে পারে। সুতরাং পিছিয়ে থাকা নির্ভরশীল ভেরিয়েবলগুলির জন্য অ্যাকাউন্টিং আপনাকে মডেলটিতে স্বতঃসংশ্লিষ্টতার অস্তিত্ব রক্ষা করতে সহায়তা করে। অতীতের মানটি মডেলটিতে উপস্থিতিকে প্রভাবিত করে, তাত্ত্বিক ভিত্তি প্রয়োজন এবং প্রয়োজন অনুযায়ী মডেলটিকে সর্বোত্তমভাবে ফিট করে।


নিশ্চিত নয় যে আমি শেষ বাক্যটির সাথে ন্যায়বিচার করেছি; অর্থটি পরিষ্কার করা যেতে পারে তবে সম্পাদনা করুন । ক্রস বৈধীকৃত বিটিডাব্লুতে স্বাগতম!
নিক স্টাওনার

1
স্বতঃসংশ্লিষ্টতা ডেটা সংগ্রহ করার উপায়ের একটি শৈলী হতে পারে। আমি একটি প্লট ডিজিটাইজ করে ডেটা পেয়েছি যার অর্থ ডেটা সাজানো হয়েছিল। এই বাছাই এবং অ-লিনিয়ার সম্পর্কটি অবশিষ্টাংশগুলিতে স্বতঃসংশ্লিষ্ট হয়েছিল।
টনি লাডসন

2

এই প্রশ্নটি সম্পর্কে যা আমাকে আগ্রহী করে তোলে তা হল মডেলের স্পেসিফিকেশন বা এটির জন্য অনুমানের কৌশল সম্পর্কে আরও কিছু জানা না। আমি উল্লেখ করেছি যে যদিও আইভিদের মধ্যে একটি পিছিয়ে ডিভি ব্যবহার করা তাত্ত্বিকভাবে গুরুত্বপূর্ণ এবং পদ্ধতিগতভাবে প্রয়োজনীয় হতে পারে তবে এটি ভেরিয়েবল এবং সময় ইউনিটের মধ্যে যথেষ্ট সম্পর্কের উপর নির্ভর করে এবং মডেলটিতে দীর্ঘস্থায়ীতার ঝুঁকিপূর্ণ পরিমাণও প্রবর্তন করতে পারে এবং এছাড়াও মডেল উপস্থিত থাকতে পারে আদেশ। আপনার (এবং আমাদের) ভেরিয়েবলগুলি এবং অনুমানের উপর আরও বিশদ না থাকলে আপনি ডিভি পিছিয়ে থাকা পুনরুদ্ধার করতে অনুগ্রহ বোধ করবেন না যদি আপনি কিছু উপকরণ পরিবর্তনশীল কৌশল বা আরেল্লানো-বন্ড অনুমানের মতো কিছু না ভাবেন।

দয়া করে আমাদের আরও বিশদ দিন যাতে আমরা কী ধরণের মডেল সম্পর্কে কথা বলছি সে সম্পর্কে আমরা আরও ভালভাবে জানতে পারি।


0

হ্যাঁ, আপনি একটি ছোট টি বড় এন পরিস্থিতিতে নিকেল পক্ষপাত সম্পর্কে সতর্ক হওয়া উচিত (নিকেল, এস (1981)

আপনি আরিলানো-বন্ড বা ব্লুন্ডেল-বন্ড অনুমানকারীর মতো ডায়নামিক প্যানেল ডেটা মডেলগুলি দেখতে চান।

আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.