প্রতিক্রিয়া যদি রিগ্রেশনটিতে আমার সরাসরি প্রভাবগুলি মুছে দেয় তবে কী হবে?

Question

কোনও রিগ্রেশনে, মিথস্ক্রিয়া শব্দটি সম্পর্কিত উভয় সরাসরি প্রভাবকে মুছে দেয়। আমি কি ইন্টারঅ্যাকশনটি ফেলে দিচ্ছি বা ফলাফলটি রিপোর্ট করব? মিথস্ক্রিয়াটি মূল অনুমানের অংশ ছিল না।

Comments

আপনি যদি নিজের পরীক্ষামূলক ডিজাইন, গবেষণা প্রশ্ন এবং পরিসংখ্যানের মডেল সম্পর্কে আরও বিশদ সরবরাহ করেন তবে সম্ভবত আপনি আরও ভাল উত্তর পেতে পারেন।

— ডেভিড লেবাউর

আমার জরিপের তথ্য রয়েছে, ভি 1 এবং ভি 2 ফলাফলটি পূর্বাভাস দিয়েছে, যেমনটি আমি প্রত্যাশা করেছি; তবে, ভি 1 (দ্বিধাত্বক) এবং ভি 2 (5 গ্রুপ) এর মধ্যে মিথস্ক্রিয়াটি গুরুত্বপূর্ণ নয় - এবং (আমার প্রশ্ন) এটি আমার ভি 1 এবং ভি 2 এর সরাসরি প্রভাবগুলিকেও অ-তাৎপর্যপূর্ণ করে তোলে। সাহিত্যে এটি রিপোর্ট করার জন্য আমি উদাহরণ খুঁজে পাচ্ছি না।

— জেন

যদি ভি 1: ভি 2 ইন্টারঅ্যাকশনটি তাৎপর্যপূর্ণ না হয়, আপনার কি এটির মডেলটিতে অন্তর্ভুক্ত করা দরকার?

— ক্রিস্টোফার অ্যাডেন

এই প্রশ্নটি কি প্রাসঙ্গিক? stats.stackexchange.com/questions/5184/…

— গ্লেন

আর একটি সম্ভাবনা প্যারাডক্সিকাল বিভ্রান্তিকর: উদাহরণ 1: epm.sagepub.com/content/56/3/430.abstract উদাহরণ 2: optimalpredication.com/files/pdf/V1A19.pdf

— user31256

Answer 1

আমি মনে করি এটি একটি কৌশলযুক্ত; যেমনটি আপনি ইঙ্গিত করেছেন, এখানে 'নৈতিক বিপত্তি' রয়েছে: আপনি যদি ইন্টারঅ্যাকশনটি একেবারে না দেখেন তবে আপনি নির্দ্বিধায় এবং পরিষ্কার থাকতেন, তবে এখন আপনার যদি ডেটা ড্রেজিংয়ের বিষয়টি ফেলে দেওয়া হয় তবে সন্দেহ আছে।

চাবিটি হ'ল আপনি মূল-প্রভাবগুলি থেকে শুরু করে কেবল ইন্টারঅ্যাকশন মডেল এ গেলে সম্ভবত আপনার প্রভাবগুলির অর্থের পরিবর্তন হয়। 'প্রধান প্রভাবগুলির' জন্য আপনি কী পান তা আপনার চিকিত্সা এবং বৈসাদৃশ্যগুলি কীভাবে কোড করে তা নির্ভর করে। আর-তে, ডিফল্টটি চিকিত্সাটি প্রথম ফ্যাক্টরের স্তরের সাথে বিভক্ত হয় (বর্ণানুক্রমিক ক্রমে প্রথম নামগুলির সাথে একটিগুলি যদি না আপনি তাদের আলাদাভাবে কোডিংয়ের পথে বেরিয়ে না যান তবে) বেসলাইন স্তরগুলি হিসাবে।

(সরলতার জন্য) বলুন যে প্রতিটি ফ্যাক্টরের জন্য আপনার দুটি স্তর 'নিয়ন্ত্রণ' এবং 'ট্রিট' রয়েছে। মিথস্ক্রিয়া ব্যতীত 'v1.trt' প্যারামিটারটির অর্থ (চিকিত্সা আর এর ডিফল্ট হিসাবে বিপরীত হিসাবে ধরে নেওয়া) "'v1.control' এবং 'v1.trt' গ্রুপের মধ্যে গড় পার্থক্য"; 'v2.trt' প্যারামিটারটির অর্থ হ'ল 'v2.control' এবং 'v2.trt' এর মধ্যে গড় পার্থক্য। "।

মিথস্ক্রিয়াটির সাথে, 'v1.trt' হ'ল 'v1.control' এবং 'v2.ontrol' গ্রুপে 'v1.trt' এর মধ্যে গড় পার্থক্য এবং একইভাবে 'v2.trt' হল ভি 2 গ্রুপের মধ্যে গড় পার্থক্য is 'v1.control' গ্রুপ। সুতরাং, আপনার যদি প্রতিটি নিয়ন্ত্রণ গ্রুপে মোটামুটি ছোট চিকিত্সার প্রভাব থাকে তবে চিকিত্সা গ্রুপগুলিতে একটি বড় প্রভাব থাকে তবে আপনি কী দেখছেন তা সহজেই দেখতে পেতেন।

উল্লেখযোগ্য মিথস্ক্রিয়া শব্দটি ব্যতীত আমি কেবল এটিই দেখতে পাচ্ছি , তবে, যদি সমস্ত প্রভাবগুলি মোটামুটি দুর্বল হয় (যাতে "প্রভাবটি অদৃশ্য হয়ে যায়" এর অর্থ আপনি যা বোঝাতে চান তা হল আপনি পি = 0.06 থেকে পি = 0.04 এ গিয়েছিলেন, যাদু তাত্পর্য লাইন জুড়ে)।

আরেকটি সম্ভাবনা হ'ল আপনি 'অনেকগুলি ডিগ্রি স্বাধীনতা ব্যবহার করছেন' - অর্থাত প্যারামিটারের অনুমানগুলি আসলে এতোটা পরিবর্তন করে না, তবে অবশিষ্ট 4 টি ত্রুটি শব্দটি যথেষ্ট পরিমাণে ফুলে যায় [= (2- 1) * (5-1)] আপনার উল্লেখযোগ্য পদগুলি অ-তাৎপর্যপূর্ণ হয়ে ওঠে এমন পরামিতি। আবার আমি কেবল এটি একটি ছোট ডেটা সেট / অপেক্ষাকৃত দুর্বল প্রভাবগুলির সাথে আশা করব।

এর একটি সম্ভাব্য সমাধান হ'ল বৈপরীত্যগুলির দিকে এগিয়ে যাওয়া, যদিও এটিও সূক্ষ্ম - আপনাকে নিশ্চিত হতে হবে যে আপনার ক্ষেত্রে 'গড় প্রভাব' অর্থবহ। খুব ভাল জিনিস হ'ল আপনার ডেটা প্লট করা এবং সহগের দিকে লক্ষ্য করা এবং অনুমিত প্যারামিটারগুলির ক্ষেত্রে কী ঘটছে তা বুঝতে।

আশা করি এইটি কাজ করবে.

Comments

কোনও নৈতিক বিপত্তি নেই। অন্তর্ভুক্ত ইন্টারঅ্যাকশন সহ প্রধান প্রভাবগুলির গণনা এটি ছাড়া গণনা থেকে একেবারে আলাদা। মূল প্রভাবগুলির প্রতিবেদন করতে আপনাকে যুক্তিযুক্ত মডেলটি করতে হবে এবং তারপরে যেভাবেই কোনও পৃথক মডেলের সাথে ইন্টারঅ্যাকশনটি অন্তর্ভুক্ত করতে হবে। আপনি সেই মডেলটির মূল প্রভাবগুলিকে অগ্রাহ্য করেন যা মিথস্ক্রিয়াটিকে অন্তর্ভুক্ত করে কারণ তারা আসলেই প্রধান প্রভাব নয়, এগুলি অন্যান্য ভবিষ্যদ্বাণীকের নির্দিষ্ট স্তরে প্রভাব (ইন্টারঅ্যাকশন সহ)'re

— জন

জন: এই যুক্তি অনুসারে, একটি চতুষ্কোণ ইন্টারঅ্যাকশন / মডারেটিং এফেক্ট (যেমন, (1) প্রধান প্রভাবগুলি, (2) এই প্রধান প্রভাবগুলির মধ্যে মিথস্ক্রিয়া এবং (3) একটি চতুর্ভুজ শব্দটি মূল্যায়নের মডেলটিতে ইন্টারঅ্যাকশন শব্দটিকেও উপেক্ষা করবে? মূল প্রভাবগুলির একটি এবং একটি বক্ররেখার ইন্টারঅ্যাকশন প্রভাব (সংযম) জন্য?

— বেন্টো

Answer 2

$X_1$$X_2$

$$Y = \beta_0 + \beta_{12} X_1 X_2 + \epsilon$$

$Y$

$$Y = \beta_0 + \left( \beta_{12} X_1 X_2 \right) \delta$$

এটি আবার লেখা যেতে পারে

$$\log(Y - \beta_0) = \log(\beta_{12}) + \log(X_1) + \log(X_2) + \log(\delta);$$

এটি হ'ল, যদি আপনি ফর্মটিতে আপনার ভেরিয়েবলগুলি পুনরায় প্রকাশ করেন

$$\eqalign{ \eta =& \log(Y - \beta_0) \cr \xi_1 =& \log(X_1)\cr \xi_2 =& \log(X_2)\cr \zeta =& \log(\delta) \sim N(0, \sigma^2) }$$

তারপরে মডেলটি লিনিয়ার এবং সম্ভবত হোমোসিডেস্টিক অবশিষ্টাংশ রয়েছে:

$$\eta = \gamma_0 + \gamma_1 \xi_1 + \gamma_2 \xi_2 + \zeta,$$

$\gamma_1$$\gamma_2$

$\beta_0$$Y$

$\beta_0$$\sqrt{\beta_0}$

$$Y = (\theta_1 + X_1) (\theta_2 + X_2) + \epsilon$$

$\theta_1 \theta_2 = \beta_0$$\theta_1$$\theta_2$$\theta_1 X_2$$\theta_2 X_1$$\epsilon$

এই বিশ্লেষণটি দেখায় যে এটি কীভাবে সম্ভব - এমনকি কিছু অ্যাপ্লিকেশনেও এমন একটি মডেল থাকতে পারে যাতে কেবলমাত্র প্রভাবগুলি ইন্টারঅ্যাকশন হিসাবে উপস্থিত হয়। এটি তখন উদ্ভূত হয় যখন ভেরিয়েবলগুলি (স্বতন্ত্র, নির্ভরশীল, বা উভয়) আপনাকে অনুপযুক্ত আকারে উপস্থাপন করা হয় এবং তাদের লগারিদমগুলি মডেলিংয়ের জন্য আরও কার্যকর লক্ষ্য are ভেরিয়েবলের বিতরণ এবং প্রাথমিক অবশিষ্টাংশগুলির বিতরণগুলি এটি হতে পারে কিনা তা নির্ধারণের জন্য প্রয়োজনীয় ক্লু সরবরাহ করে: অবশিষ্টাংশগুলির ভেরিয়েবলের বিতরণ এবং ভিন্নতার (বিশেষত, পূর্বাভাসিত মানের সাথে আনুপাতিক পরিমাণে বৈকল্পিক হওয়া) সূচকগুলি।

Comments

হুম। এগুলি আমার সমাধানের চেয়ে প্রশংসনীয় তবে আরও জটিল বলে মনে হচ্ছে (মূল প্রশ্নের মন্তব্যে বোঝা যায় যে ভবিষ্যদ্বাণীকারীরা উভয়ই শ্রেণিবদ্ধ)। তবে যথারীতি উত্তরটি হ'ল "ডেটা দেখুন" (বা অবশিষ্টাংশ)।

— বেন বলকার

@ আমি সম্মত হয়েছি কিন্তু "আরও জটিল" ধারণাটি কোথা থেকে এসেছে তা আমি বুঝতে পারি না, কারণ যে কোনও রিগ্রেশন মহড়ার ক্ষেত্রে অবিবাহিত বিতরণ এবং অবশিষ্টাংশের উত্তর-পরবর্তী বিশ্লেষণ অপরিহার্য। এই বিশ্লেষণগুলির অর্থ কী তা নিয়ে চিন্তা করা এখানে কেবলমাত্র অতিরিক্ত কাজ প্রয়োজন।

— শুক্রবার

সম্ভবত "আরও জটিল" দ্বারা আমার অর্থ "আমার অভিজ্ঞতায় আমি আমার উত্তরে উল্লিখিত সমস্যাগুলি দেখেছি (বিপরীতে কোডিং) আপনি উল্লিখিত (অ-সংবেদনশীলতা) এর চেয়ে বেশি ঘন ঘন উত্থিত হয়" - তবে এটি সত্যিই একটি আমি বিশ্ব সম্পর্কে না বরং যে ধরণের ডেটা / লোকের সাথে আমি কাজ করি সে সম্পর্কে বিবৃতি।

— বেন বলকার

Answer 3

$Y = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + \beta_3 (X_1 \cdot X_2) = (b_0 + b_2 X_2) + (b_1 + b_3 X_2) X_1$

পণ্যটি দৃ mult়ভাবে উভয় মূল ভেরিয়েবলের সাথে সম্পর্কযুক্ত হওয়ায় এটি সাধারণত উচ্চ মাল্টিকোলাইনারিটির পরিচয় দেয়। মাল্টিকোলাইনারিটির সাথে, পৃথক প্যারামিটারের অনুমানগুলি দৃ vari়ভাবে নির্ভর করে যেগুলিতে অন্যান্য ভেরিয়েবলগুলি বিবেচনা করা হয় - যেমন আপনার ক্ষেত্রে। একটি পাল্টা-পরিমাপ হিসাবে, ভেরিয়েবলগুলি কেন্দ্র করে যখন মিথস্ক্রিয়া বিবেচনা করা হয় তখন প্রায়শই বহুবিধরেখা হ্রাস হয়।

আমি নিশ্চিত নই যে এটি সরাসরি আপনার ক্ষেত্রে প্রযোজ্য কিনা আপনি যেহেতু আপনার কাছে স্পষ্টিকর ভবিষ্যদ্বাণী বলে মনে করছেন তবে "আনোভা" এর পরিবর্তে "রিগ্রেশন" শব্দটি ব্যবহার করেন। অবশ্যই পরবর্তী ঘটনাটি মূলত একই মডেল, তবে কেবল বেন বর্ণিত কনট্রাস্ট কোডিং স্কিমটি বেছে নেওয়ার পরেই।

Answer 4

এটি ব্যাখ্যার সমস্যা হতে পারে, তথাকথিত "প্রত্যক্ষ প্রভাব" সহগ আসলে কী তা নিয়ে একটি ভুল ধারণা।

ধারাবাহিক প্রেডিকটার ভেরিয়েবল এবং কোনও ইন্টারঅ্যাকশন শর্তাদি সহ রিগ্রেশন মডেলগুলিতে - যা অন্য পদগুলির পণ্য হিসাবে নির্মিত হয় না এমন শর্তাদি সহ - প্রতিটি ভেরিয়েবলের সহগ হ'ল সেই চলকের দিকের রিগ্রেশন পৃষ্ঠের .াল। এটি ভেরিয়েবলের মান নির্বিশেষে স্থির, এবং স্পষ্টতই সেই পরিবর্তনশীলটির প্রভাবের একটি পরিমাপ।

মিথস্ক্রিয়াযুক্ত মডেলগুলিতে - অর্থাত্ অন্যান্য পদগুলির পণ্য হিসাবে তৈরি হওয়া শর্তগুলির সাথে - যে ব্যাখ্যাটি কেবল কোনও ভেরিয়েবলগুলির ক্ষেত্রেই আরও যোগ্যতা ছাড়াই তৈরি করা যেতে পারে যা কোনও ইন্টারঅ্যাকশনের সাথে জড়িত নয় । একটি পরিবর্তনশীল যে সহগ হয় পারস্পরিক ক্রিয়ার সাথে জড়িত যে পরিবর্তনশীল দিক রিগ্রেশন পৃষ্ঠ ঢাল হয় যখন সমস্ত ভেরিয়েবলের মান যে প্রশ্ন শূন্য মধ্যে পরিবর্তনশীল সাথে ইন্টারঅ্যাক্ট এবং সহগ তাৎপর্য পরীক্ষা বোঝায় রিগ্রেশন পৃষ্ঠের opeাল কেবল ভবিষ্যদ্বাণীকারী স্থানের অঞ্চলে। যেহেতু স্থানটির সেই অঞ্চলে প্রকৃতপক্ষে ডেটা থাকার কোনও প্রয়োজন নেই, তাই প্রকৃত প্রত্যক্ষ প্রভাব সহগ্রে ভবিষ্যদ্বাণীকারী স্থানের অঞ্চলে রিগ্রেশন পৃষ্ঠের opeালের সাথে সামান্য সাদৃশ্য থাকতে পারে যেখানে ডেটা প্রকৃতপক্ষে পর্যবেক্ষণ করা হয়েছিল। এই জাতীয় ক্ষেত্রে সত্যিকারের "সরাসরি প্রভাব" নেই; সর্বোত্তম বিকল্পটি সম্ভবত "গড়ের প্রভাব": প্রশ্নটির পরিবর্তনশীল দিকের দিকে রিগ্রেশন পৃষ্ঠের slাল, প্রতিটি ডেটা পয়েন্টে নেওয়া এবং সমস্ত ডেটা পয়েন্টের গড় গড়ে। এ সম্পর্কে আরও তথ্যের জন্য, দেখুন কেন স্বাধীন ভেরিয়েবল কেন্দ্রীকরণ সংযম সঙ্গে মূল প্রভাব পরিবর্তন করতে পারে?