ইতিমধ্যে লগটি রূপান্তরিত হয়ে গেছে এমন কোনও ডিভিতে আমি লগ লিঙ্ক ফাংশন সহ জিএলএম সাধারণ বিতরণ ব্যবহার করতে পারি?
হ্যাঁ; যদি অনুমানগুলি সেই স্কেলটিতে সন্তুষ্ট হয়
বৈকল্পিক একজাতীয় পরীক্ষা কি সাধারণ বিতরণ ব্যবহার করে ন্যায়সঙ্গত করার পক্ষে যথেষ্ট?
কেন বৈচিত্রের সমতা স্বাভাবিকতা বোঝায়?
লিঙ্ক ফাংশন মডেলটি বেছে নেওয়ার পক্ষে কি অবশিষ্টাংশের চেকিং পদ্ধতিটি সঠিক?
আপনার অনুমানের উপযুক্ততা যাচাই করার জন্য আপনার হিস্টোগ্রাম এবং ফিট টেস্টের সদ্ব্যবহার উভয়ই ব্যবহার থেকে সতর্ক হওয়া উচিত:
1) স্বাভাবিকতা নিরূপণের জন্য হিস্টোগ্রাম ব্যবহার করে সাবধান । (এছাড়াও এখানে দেখুন )
সংক্ষেপে, আপনার দ্বিবিধের পছন্দের মতো ছোট্ট পরিবর্তন, বা বিন সীমানার ঠিক অবস্থানের মতো সাধারণ কোনও বিষয়ের উপর নির্ভর করে, ডেটার আকারের ভিন্ন ভিন্ন ছাপ পাওয়া সম্ভব:
এটি একই ডেটা সেটের দুটি হিস্টোগ্রাম। বেশ কয়েকটি ভিন্ন দ্বিবিধ ব্যবহার করা ছাপটি সংবেদনশীল কিনা তা দেখার ক্ষেত্রে দরকারী হতে পারে।
2) স্বাভাবিকতা অনুমান করা যুক্তিসঙ্গত যে এই সিদ্ধান্তে পৌঁছানোর জন্য ফিট টেস্টের সদ্ব্যবহার ব্যবহারের বিষয়ে সতর্ক থাকুন। আনুষ্ঠানিক অনুমান পরীক্ষা সত্যই সঠিক প্রশ্নের উত্তর দেয় না।
যেমন আইটেমটি অধীনে লিঙ্ক দেখতে 2. এখানে
বৈকল্পিকতা সম্পর্কে, একই রকম ডেটাসেট ব্যবহার করে কিছু কাগজপত্রে এটি উল্লেখ করা হয়েছিল "কারণ বিতরণে একজাতীয় রূপ ছিল যা গাউসীয় বিতরণ সহ একটি জিএলএম ব্যবহৃত হয়েছিল"। যদি এটি সঠিক না হয়, তবে কীভাবে আমি বিতরণকে ন্যায়সঙ্গত বা সিদ্ধান্ত নিতে পারি?
সাধারণ পরিস্থিতিতে, প্রশ্নটি 'আমার ত্রুটিগুলি (বা শর্তসাপেক্ষ বিতরণ) কি স্বাভাবিক নয়?' - সেগুলি হবে না, আমাদের চেক করারও দরকার নেই। আরও প্রাসঙ্গিক প্রশ্ন হ'ল 'বর্তমানের অ-স্বাভাবিকতার ডিগ্রিটি আমার অনুমানগুলিকে কতটা খারাপভাবে প্রভাবিত করে?'
আমি একটি কার্নেল ঘনত্বের প্রাক্কলন বা সাধারণ কিউকিউপ্লট (সাধারণ স্কোর বনাম অবশিষ্টাংশের প্লট) প্রস্তাব দিই। বিতরণটি যদি যুক্তিসঙ্গতভাবে সাধারণ দেখায় তবে আপনার খুব চিন্তা করার দরকার নেই little প্রকৃতপক্ষে, এমনকি যখন এটি স্পষ্টত অস্বাভাবিক হয় তখনও এটি আপনি খুব বেশি কিছু করতে পারেন না, আপনি যা করতে চান তার উপর নির্ভর করে (সাধারণ পূর্বাভাস অন্তরগুলি সত্যিকারের স্বাভাবিকতার উপর নির্ভর করবে, উদাহরণস্বরূপ, তবে আরও অনেক কিছুই বড় আকারের নমুনার আকারে কাজ করতে ঝোঁক করবে) )
মজাদারভাবে যথেষ্ট, বড় নমুনাগুলিতে, স্বাভাবিকতা সাধারণত কম এবং কম গুরুত্বপূর্ণ হয় (উপরে বর্ণিত পিআইগুলি বাদে), তবে আপনার স্বাভাবিকতা প্রত্যাখ্যান করার ক্ষমতা আরও বেশি এবং আরও বেশি হয়ে যায়।
সম্পাদনা: ভ্যারিয়েন্সের সমতা সম্পর্কে পয়েন্ট যে সত্যিই পারেন এমনকি বৃহৎ নমুনা মাপ আপনার মতামতে উপনীত প্রভাবিত। তবে আপনার সম্ভবত অনুমান করা উচিত নয় যে কোনও অনুমানের পরীক্ষার দ্বারা। ভেরিয়েন্স অনুমানটি ভুল হওয়া আপনার বিবেচিত বিতরণ যাই হোক না কেন একটি সমস্যা।
আমি পড়েছি যে একটি উপযুক্ত ফিট জন্য ডান দিকনির্দেশ মডেল জন্য Np কাছাকাছি হওয়া উচিত?
আপনি যখন কোনও সাধারণ মডেল ফিট করেন তখন এর একটি স্কেল প্যারামিটার থাকে, এক্ষেত্রে আপনার বিতরণটি স্বাভাবিক না হলেও আপনার স্কেলড ডেভিয়েশন এনপি সম্পর্কে হবে।
আপনার মতে লগ লিঙ্ক সহ সাধারণ বিতরণ ভাল পছন্দ is
আপনি কী পরিমাপ করছেন বা কী জন্য আপনি অনুমানটি ব্যবহার করছেন তা অবিরত অনুপস্থিতিতে, আমি এখনও জিএলএমের জন্য অন্য বিতরণ প্রস্তাব করতে পারি না, বা আপনার অনুমানের পক্ষে স্বাভাবিকতা কতটা গুরুত্বপূর্ণ হতে পারে তা এখনও বিচার করতে পারি না।
তবে, যদি আপনার অন্যান্য অনুমানগুলিও যুক্তিসঙ্গত হয় (রৈখিকতা এবং বৈচিত্রের সাম্যতা অন্ততপক্ষে নির্ভরযোগ্যতার সম্ভাব্য উত্সগুলি বিবেচনা করা উচিত) তবে বেশিরভাগ পরিস্থিতিতে আমি সিআই ব্যবহার করা এবং সহগ বা বিপরীতে পরীক্ষাগুলি করার মতো কাজগুলি করতে খুব স্বাচ্ছন্দ্যবোধ করি be - এই অবশিষ্টাংশগুলিতে কেবল স্কিউনেসের খুব সামান্য ছাপ রয়েছে, এটি সত্যিকারের প্রভাব হলেও এই ধরণের অনুমানের কোনও প্রভাব ফেলতে পারে না।
সংক্ষেপে, আপনার ভাল হওয়া উচিত।
(অন্য বন্টন এবং লিঙ্ক ফাংশন যদিও পারে কিছুটা ভালো হইয়া পরিপ্রেক্ষিতে শুধুমাত্র সীমাবদ্ধ পরিস্থিতিতে তারা আরো জানার জন্য সম্ভবত হবে না,।)
