আমি দ্বি-দ্বি, নেতিবাচক দ্বিপদী এবং পোইসন রিগ্রেশন এবং যে পরিস্থিতিতে এই রিগ্রেশন সবচেয়ে উপযুক্ত।
এসপিএসএসে আমি কি এমন কোনও পরীক্ষা করতে পারি যা আমাকে বলতে পারে যে এই পরিস্থিতিগুলির মধ্যে কোনটি আমার পরিস্থিতির জন্য সবচেয়ে ভাল?
এছাড়াও, আমি কীভাবে এসপিএসএসে পোইসন বা নেতিবাচক দ্বিপদী পরিচালনা করব, যেহেতু রিগ্রেশন অংশে দেখা যায় এমন কোনও বিকল্প নেই?
আপনার যদি কোনও দরকারী লিঙ্ক থাকে তবে আমি এটির খুব প্রশংসা করব।
উত্তর:
কেবলমাত্র আপনার ডেটার প্রকৃতি এবং আপনার আগ্রহের প্রশ্ন আপনাকে বলতে পারে যে এই পরিস্থিতিতেগুলির মধ্যে কোনটি আপনার পরিস্থিতির জন্য সবচেয়ে ভাল। সুতরাং কোনও পরীক্ষা নেই যা আপনাকে জানাবে যে এর মধ্যে কোন একটি পদ্ধতি আপনার পক্ষে সেরা। (এসপিএসএস-এ কয়েকটি কাজের উদাহরণ দেখতে নীচে রিগ্রেশন পদ্ধতির লিঙ্কগুলিতে ক্লিক করুন))
মনে রাখবেন যে পোইসন বিতরণটি ধরে নেয় যে গড় এবং ভিন্নতা একই are কখনও কখনও, আপনার ডেটা গড়ের চেয়ে বেশি যে অতিরিক্ত প্রকারের দেখায়। এই পরিস্থিতিকে ওভারডিস্পেরিয়ান বলা হয় এবং পয়েসন রিগ্রেশনের চেয়ে নেতিবাচক দ্বিপদী রিগ্রেশনটি আরও নমনীয় হয় (আপনি এখনও সেই ক্ষেত্রে পইসন রিগ্রেশন ব্যবহার করতে পারেন তবে স্ট্যান্ডার্ড ত্রুটি পক্ষপাতমূলক হতে পারে)। নেতিবাচক দ্বিপদ বিন্যাস এক প্যারামিটার পইসন রিগ্রেশন চেয়ে বেশি আছে adjusts গড় থেকে ভ্যারিয়েন্স স্বাধীনভাবে। আসলে, পইসন বিতরণ theণাত্মক দ্বিপদী বিতরণের একটি বিশেষ ক্ষেত্রে।
এটি একটি মন্তব্য হতে খুব দীর্ঘ, তাই আমি এটি একটি উত্তর করব।
পুরো হাতের দ্বিপদী এবং অন্যদিকে পায়সন এবং নেতিবাচক দ্বিপদী মধ্যে পার্থক্য তথ্য প্রকৃতির মধ্যে; পরীক্ষা অপ্রাসঙ্গিক।
পইসন রিগ্রেশন সম্পর্কিত প্রয়োজনীয়তা সম্পর্কে প্রচলিত কল্পকাহিনী রয়েছে। গড়ের সমান পার্থক্যটি একটি পাইসনের বৈশিষ্ট্য, তবে পোইসন রিগ্রেশন এর প্রতিক্রিয়াটির প্রয়োজন হয় না , বা প্রতিক্রিয়াটির প্রান্তিক বিতরণটি পয়সন হতে পারে না, শাস্ত্রীয় প্রতিরোধের চেয়ে আরও বেশি কিছু সাধারণ হওয়ার প্রয়োজন (গাউসিয়ান)।
সন্দেহজনক স্ট্যান্ডার্ড ত্রুটিগুলি মারাত্মক নয়, কমপক্ষে নয় কারণ আপনি পোইসন রিগ্রেশন শালীন প্রয়োগের ক্ষেত্রে স্ট্যান্ডার্ড ত্রুটির আরও ভাল অনুমান পেতে পারেন।
না পোইসনের একেবারে প্রতিক্রিয়া গণনা করা প্রয়োজন। এটি প্রায়শই অ-নেতিবাচক অবিচ্ছিন্ন ভেরিয়েবলগুলির সাথে ভালভাবে কাজ করে। পয়সনের অবমূল্যায়ন (শোধিত উদ্দেশ্য) সম্পর্কে আরও তথ্যের জন্য দেখুন
http://blog.stata.com/tag/poisson-regression/
এবং এর রেফারেন্স। সেই ব্লগ এন্ট্রিটির স্টাটা বিষয়বস্তু এটিকে আগ্রহ এবং স্টাটা ব্যবহার না করে এমন লোকদের ব্যবহার বন্ধ করা উচিত নয়।
পইসন এবং নেতিবাচক দ্বিপদী রিগ্রেশনের মধ্যে পছন্দ সম্পর্কে ভাল পরামর্শ দেওয়া কঠিন। দেখুন পাইসন রিগ্রেশন কোনও ভাল কাজ করে কিনা; অন্যথায় নেতিবাচক দ্বিপদী রিগ্রেশন বৃহত্তর জটিলতা বিবেচনা করুন।
আমি এসপিএসএস ব্যবহার করার বিষয়ে পরামর্শ দিতে পারি না। পইসনের নমনীয় প্রয়োগ বা নেতিবাচক দ্বিপদী প্রতিরোধের জন্য যদি আপনাকে অন্য সফ্টওয়্যার ব্যবহার করার প্রয়োজন হয় তবে তা অবাক করে না।
পইসন / নেতিবাচক দ্বিপদীও বাইনারি ফলাফলের সাথে একের সমান অফসেট সহ ব্যবহার করা যেতে পারে। অবশ্যই এটি আবশ্যক করে যে ডেটাগুলি সম্ভাব্য ডিজাইনের (কোহোর্ট, আরসিটি, ইত্যাদি) থেকে। পইসন বা এনবি রিগ্রেশন লজিস্টিক রিগ্রেশন থেকে বিজোড় অনুপাতের তুলনায় আরও উপযুক্ত প্রভাব পরিমাপ (আইআরআর) দেয়।
পাইসন রিগ্রেশনের তুলনায় এনবি রিগ্রেশন চালানো "নিরাপদ" কারণ অতিরিক্ত পরিমাণে পরামিতি (স্টাটার আলফা) যদি পরিসংখ্যানগতভাবে তাত্পর্যপূর্ণ নাও হয় তবে ফলাফলগুলি তার পয়েসন রিগ্রেশন ফর্মের মতো হ'ল।