অন্যের ফলাফলের উপর ভিত্তি করে একটি পরিসংখ্যানগত পরীক্ষা নির্বাচন করা (উদাহরণস্বরূপ স্বাভাবিকতা)

সুতরাং আমি এটি শুনেছি যে অন্যটির ফলাফলের ভিত্তিতে একটি পরিসংখ্যান পরীক্ষা পছন্দ করা ভাল ধারণা নয়। যদিও এটি আমার কাছে অদ্ভুত লাগছে। উদাহরণস্বরূপ, লোকেরা প্রায়শই একটি প্যারামিমেট্রিক পরীক্ষা ব্যবহার করতে পছন্দ করে যখন অন্য কোনও পরীক্ষায় পরামর্শ দেওয়া হয় যে অবশিষ্টাংশগুলি সাধারণত বিতরণ করা হয় না। এই পদ্ধতিটি বেশ বিস্তৃতভাবে গৃহীত বলে মনে হচ্ছে তবে এই অনুচ্ছেদে প্রথম বাক্যটির সাথে একমত বলে মনে হচ্ছে না। আমি কেবল এই ইস্যুতে স্পষ্টতা পেতে আশা ছিল।

hypothesis-testing

— Jimj
সূত্র

কেবলমাত্র অবশিষ্টাংশগুলি গাউসিয়ান নয়, এর অর্থ এই নয় যে আপনার প্যারামিমেট্রিক নন-পরীক্ষা দরকার। আপনি সাধারণত (হ্যাঁ মডেল, পরীক্ষা নয়) ব্যবহারের জন্য মডেল ব্যবহারের ধরণটি (গণনা, 0 1 ডেটা, অবিচ্ছিন্ন, গড়-বিবর্তন সম্পর্ক, লিনিয়ার বা অ-লিনিয়ার সম্পর্ক ইত্যাদি) এবং সেই অনুযায়ী মডেলগুলি ফিট করতে পারেন cer হাইপোথিসিসটি কী পরীক্ষা করা উচিত তা আগে সিদ্ধান্ত নিয়ে ডেটার বৈশিষ্ট্যগুলি পূরণ করতে। একবার আপনি যদি মাপসই করা মডেলটির অনুমানগুলি পূরণ করেন তবে আপনি পি-মান এবং অন্যান্য পরিসংখ্যানটি মূল্যায়ন করতে পারেন

— মনিকা পুনরায় স্থাপন করুন - জি সিম্পসন

উত্তর:

প্রদত্ত যে এই ডেটা পর্যালোচনা করার সম্ভাবনাটি এই চূড়ান্ত বা আরও চরম যদি সত্য হয়, তবে এর ব্যাখ্যা কী যেখানে এমন একটি প্রক্রিয়ার মধ্য দিয়ে পৌঁছেছিল যেখানে পরীক্ষার নির্বাচনের ক্ষেত্রে একটি জরুরী সিদ্ধান্ত নেওয়া হয়েছিল যে যে উত্পাদিত ? উত্তরটি অজানা (বা কমপক্ষে খুব অজানা)। পরীক্ষা চালানোর সিদ্ধান্ত নেওয়ার পরে বা নাও কিছু অন্য সম্ভাব্য প্রক্রিয়ার ভিত্তিতে আপনি আপনার ফলাফলটির ব্যাখ্যাটিকে আরও বিশৃঙ্খল করে তুলেছেন। $p$ $H_0$ $p$ $p$ $p$ $p$ যখন নমুনার আকার এবং বিশ্লেষণ পরিকল্পনাটি আগেই পুরোপুরি নির্বাচিত হয়েছিল তখন মানগুলি সর্বাধিক ব্যাখ্যাযোগ্য। অন্যান্য পরিস্থিতিতে, ব্যাখ্যাগুলি কঠিন হয়ে যায়, এজন্য এটি 'ভাল ধারণা নয়'। বলা হচ্ছে, এটি একটি বহুল স্বীকৃত অনুশীলন ... সর্বোপরি, আপনি যে পরীক্ষাটি চালানোর পরিকল্পনা করেছিলেন তা যদি অবৈধ হয় তা খুঁজে বের করে কেন পরীক্ষা চালানোর জন্য কেন বিরক্ত করবেন? এই প্রশ্নের উত্তর অনেক কম নিশ্চিত। এগুলি এই সাধারণ সত্যে ফোটে যে নাল অনুমানের তাত্পর্য পরীক্ষার ( এর প্রাথমিক ব্যবহারের ক্ষেত্রে ) কিছু সমস্যা রয়েছে যা কাটিয়ে উঠা কঠিন। $p$

— russellpierce
সূত্র

আমি গুগলে এই ঘটনাটি নিয়ে আলোচনা করা কোনও নিবন্ধ খুঁজে পাচ্ছিলাম না, সম্ভবত কারণ আমি ভুল অনুসন্ধানের শব্দ ব্যবহার করেছি। পরীক্ষার উপর ভিত্তি করে পরীক্ষার সমস্যা নিয়ে আলোচনা করে এমন কোনও নিবন্ধের দিক থেকে আমাকে কেউ নির্দেশ করতে সক্ষম হবে?

— রব হল

@ রবহল: এটি "কাল্পনিক তথ্যের জন্য অনুমানমূলক বিষয়গুলির গুরুত্ব" এর একটি নির্দিষ্ট উদাহরণ। Cf. ওয়াগনমেকারস, 2007, পি। 4৮৪. ওয়াগনমেকারগণ বিশেষত দ্বিতীয় কলামে রূপান্তরের ইস্যুটি আঁকেন "এপি মান গণনা করার জন্য, ডেটা অন্যরকমভাবে প্রকাশিত হলে আপনার কী করা উচিত তা আপনার জানা দরকার ... এতে ডেটা থাকলে আপনি কি করতেন তা অন্তর্ভুক্ত রয়েছে স্পষ্টত অস্বাভাবিকভাবে বিতরণ করা হয়েছিল ..., স্যাম্পলিংয়ের পরিকল্পনাটি পুরোপুরি পরিচিত হয়ে ও আগেই নির্দিষ্ট করা হলে পি মানগুলি কেবল গণনা করা যায় "।

— রাসেলপিয়ের্স

উদাহরণস্বরূপ, লোকেরা প্রায়শই একটি প্যারামিমেট্রিক পরীক্ষা ব্যবহার করতে পছন্দ করে যখন অন্য কোনও পরীক্ষায় পরামর্শ দেওয়া হয় যে অবশিষ্টাংশগুলি সাধারণত বিতরণ করা হয় না। এই পদ্ধতিটি বেশ বিস্তৃতভাবে গৃহীত বলে মনে হচ্ছে তবে এই অনুচ্ছেদে প্রথম বাক্যটির সাথে একমত বলে মনে হচ্ছে না। আমি কেবল এই ইস্যুতে স্পষ্টতা পেতে আশা ছিল।

হ্যাঁ, প্রচুর লোক এ জাতীয় কাজ করে এবং তাদের দ্বিতীয় পরীক্ষাটিকে এমন একটিতে পরিবর্তন করে যে তারা ভিন্নতার সাম্যতা প্রত্যাখ্যান করার সময় ভিন্ন ভিন্নতা মোকাবেলা করতে পারে।

কিছু সাধারণ হওয়ার কারণে, এর অর্থ এটি প্রয়োজনীয় বুদ্ধিমানের নয়।

প্রকৃতপক্ষে, কিছু জায়গায় (আমি সবচেয়ে খারাপ-আপত্তিকর শাখাগুলোর নাম রাখব না) অন্যান্য আনুষ্ঠানিক অনুমানের পরীক্ষার উপর এই প্রচলিত অনুমানের পরীক্ষার অনুক্রমের অনেক কিছুই আসলে শেখানো হয়।

এটি করার ক্ষেত্রে সমস্যাটি হ'ল আপনার পদ্ধতিগুলির নামমাত্র বৈশিষ্ট্য নেই, কখনও কখনও এমনকি নিকটেও না। (অন্যদিকে, সম্ভাব্য চরম লঙ্ঘনের জন্য কোনও বিবেচনা ছাড়াই এ জাতীয় জিনিসগুলি আরও খারাপ হতে পারে ass

বেশ কয়েকটি কাগজপত্রে পরামর্শ দেওয়া হয়েছে যে হিটারোস্কেস্টেস্টিক কেসের ক্ষেত্রে, আপনি কেবল তার চেয়ে ভাল অভিনয় করা ভাল যেমন এর পরীক্ষা করার চেয়ে বৈকল্পিকগুলি সমান নয় এবং কেবল প্রত্যাখ্যানের বিষয়ে এটি সম্পর্কে কিছু করেন।

স্বাভাবিকতার ক্ষেত্রে এটি কম পরিষ্কার। কমপক্ষে বড় নমুনাগুলিতে, অনেক ক্ষেত্রে স্বাভাবিকতা এতটা গুরুত্বপূর্ণ নয় (তবে বিদ্রূপজনকভাবে, বড় নমুনাগুলি সহ আপনার স্বাভাবিকতার পরীক্ষাটি প্রত্যাখ্যান করার সম্ভাবনা অনেক বেশি থাকে), যতক্ষণ না স্বাভাবিকতা খুব বন্য না হয়। একটি ব্যতিক্রম হ'ল পূর্বাভাস অন্তরগুলির জন্য যেখানে আপনার সত্যিকারের কাছে আপনার বিতরণীয় অনুমানটি প্রয়োজন।

অংশ হিসাবে একটি সমস্যা হ'ল হাইপোথিসিস টেস্টগুলি উত্তর দেওয়া দরকারের চেয়ে আলাদা প্রশ্নের উত্তর দেয়। আপনি সত্যিই জানতে প্রয়োজন হবে না ডেটা সত্যিই স্বাভাবিক '(প্রায় সবসময়, তাই না ঠিক স্বাভাবিক হতে হবে অবরোহমার্গী )। প্রশ্নটি বরং 'অস্বাভাবিকতার পরিধি আমার অনুক্রমকে কতটা খারাপভাবে প্রভাবিত করবে' is

দ্বিতীয় সমস্যাটি সাধারণত নমুনা আকারের থেকে প্রায় স্বতন্ত্র বা প্রকৃতপক্ষে নমুনার আকার বাড়ানোর সাথে আরও ভাল হয় - তবে হাইপোথিসিস পরীক্ষাগুলি প্রায় সর্বদা বড় নমুনার আকারগুলিতে প্রত্যাখাত হয়।

এমন অনেকগুলি পরিস্থিতি রয়েছে যেখানে দৃ rob় বা এমনকি বিতরণ ফ্রি পদ্ধতি রয়েছে যা এমনকি সাধারণ পর্যায়ে সম্পূর্ণ দক্ষতার কাছাকাছি (এবং এটি থেকে কিছুটা বিনয়ী প্রস্থানে সম্ভাব্য অনেক বেশি দক্ষ) - অনেক ক্ষেত্রে এটি গ্রহণ না করা নির্বোধ বলে মনে হয় একই বিচক্ষণ দৃষ্টিভঙ্গি।

— গ্লেন_বি -রাইনস্টেট মনিকা
সূত্র

উত্তম (+1) আপনি হেটেরোস্কেস্টাস্টিক কেস সম্পর্কে উল্লেখ করা নিবন্ধগুলিতে একটি উল্লেখ দিতে পারেন?

— gui11aume

আমি কোনও ইঙ্গিত করতে চাই না, তবে আমি সর্বদা এটি অনলাইনে চালিয়ে যাই, তাই কোনটি এটির উপর জোর দেয় তা নির্ধারণ করা কঠিন নয় (theতিহাসিকভাবে হাইপোথিসিস পরীক্ষার উপর ওরা জোর দেয় এমন একই বিষয়গুলির প্রবণতা রয়েছে) figure প্রকৃতপক্ষে এখানে প্রশ্ন উৎপাদিত মানুষ যেখানে পোস্টার মনে করি তারা নিয়মানুবর্তিতা আছে আনুষ্ঠানিক পরীক্ষায় ব্যবহার করতে সাধারণত একই বেশী হবে। এটি কেবল একটি বা দুটি শাখা নয় - আমি অনেকগুলি দেখি - তবে কিছু বিশেষত এটি প্রায়শই করে বলে মনে হয়। এটি যুক্তিসঙ্গতভাবে সাধারণ হওয়ার জন্য, আমি কেবল ধরে নিতে পারি যে সেই ক্ষেত্রগুলিতে বিশেষভাবে সুনির্দিষ্ট পাঠ্য রয়েছে যা এটির উপর জোর দিয়েছিল।

— গ্লেন_বি -রিনস্টেট মনিকা

@ gui11aume এখানে একটি রেফারেন্স ... এটি আমি যা খুঁজছিলাম তার মধ্যে এটির মধ্যে একটি নয়, তবে এটি আমার কাছে যে পয়েন্টটি পেয়েছিল তা তোলে (যে প্রাথমিক পরীক্ষার ফলে পরিস্থিতি আরও খারাপ হতে পারে)।

— গ্লেন_বি -রিনস্টেট মনিকা

অ্যান্ড্রু গেলম্যানের সাথে সম্পর্কিত গ্রুপগুলির মধ্যে বৈচিত্র্য সম্পর্কে সম্প্রতি একটি সম্পর্কিত পোস্ট ছিল (কমপক্ষে কেন এমন প্রক্রিয়া সমস্যাযুক্ত তা সম্পর্কে)।

— অ্যান্ডি ডাব্লু

কিছুক্ষণ আগে থেকেই এই আলোচনাগুলি সম্পর্কিত একটি প্রশ্ন: stats.stackexchange.com/questions/305/…

— রাসেলপিয়ার্স

মূল বিষয়গুলি অন্যদের দ্বারা ভালভাবে ব্যাখ্যা করা হয়েছে, তবে অন্তর্নিহিত বা এর সাথে জড়িত

পি-মানগুলির জন্য অত্যধিক শ্রদ্ধা, পরিসংখ্যানগুলিতে সর্বাধিক এক ধরণের প্রমাণ।
পরিসংখ্যানগত প্রতিবেদনগুলি অনিবার্যভাবে নির্বাচনের সংমিশ্রণের ভিত্তিতে তৈরি হয়েছে তা দেখার অনীহা, কিছু দৃition়তার সাথে প্রমাণ ভিত্তিক, অন্যরা পূর্ববর্তী বিশ্লেষণ, স্বজ্ঞাততা, অনুমান, রায়, তত্ত্বের মিশ্রণের উপর ভিত্তি করে forth

ধরুন আমি এবং আমার সতর্ক বন্ধু টেস্ট সবকিছুই প্রতিক্রিয়াটির জন্য একটি লগ রূপান্তরকে বেছে নিয়েছি, তবে আমি শারীরিক যুক্তি এবং ডেটা সহ পূর্ববর্তী অভিজ্ঞতার মিশ্রণের ভিত্তিতে সেই সিদ্ধান্তে পৌঁছেছি, যখন টেস্ট অ্যাকটিজিং বাক্স-কক্স পরীক্ষার এবং অনুমানের ভিত্তিতে লগ স্কেল পছন্দ করে একটি পরামিতি।

এখন আমরা দুজনেই একই একাধিক রিগ্রেশন ব্যবহার করি। আমাদের পি-মানগুলির কী আলাদা ব্যাখ্যা রয়েছে? একটি ব্যাখ্যায় টেস্ট অলভেনিংয়ের পি-ভ্যালুগুলি তার পূর্ববর্তী সূত্রগুলিতে শর্তযুক্ত। আমি সূচনাগুলিও ব্যবহার করেছিলাম, তবে বেশিরভাগ তারা পূর্ববর্তী প্রকল্পগুলিতে পূর্ববর্তী গ্রাফ, গণনা ইত্যাদির দীর্ঘ সিরিজের ভিত্তিতে অনানুষ্ঠানিক ছিল। কীভাবে জানাবেন?

স্বাভাবিকভাবেই, রিগ্রেশন ফলাফলগুলি টেস্টিং সব কিছুর জন্য এবং আমার জন্য ঠিক একই।

বুদ্ধিমান পরামর্শ এবং সন্দেহজনক দর্শনের একই মিশ্রণ ভবিষ্যদ্বাণীকারীদের পছন্দ এবং কার্যকরী ফর্মের ক্ষেত্রে প্রযোজ্য। উদাহরণস্বরূপ, অর্থনীতিবিদদের বিস্তৃতভাবে পূর্ববর্তী তাত্ত্বিক আলোচনার সম্মান করতে এবং প্রতিটি ক্ষেত্রে যথাযথ কারণ সহ ডেটা স্নোপিং সম্পর্কে সতর্ক থাকতে শেখানো হয়। তবে দুর্বলতম দৃষ্টান্তগুলিতে সম্পর্কিত তত্ত্বটি কেবল সাহিত্যে পূর্ববর্তী সময়ে গৃহীত একটি পরামর্শমূলক পরামর্শ ছিল, সম্ভবত সম্ভবত কিছু অভিজ্ঞতাগত বিশ্লেষণের পরে। কিন্তু সাহিত্যের উল্লেখগুলি পবিত্র করা হয়, যখন হাতে থাকা ডেটা থেকে শিক্ষা নেওয়া সন্দেহজনক, অনেক লেখকের পক্ষে।

— নিক কক্স
সূত্র

খুব পরিষ্কার (+1)।

— gui11aume

+1 টি। তবে আপনার বিশ্লেষণ বনাম পরীক্ষার সমস্ত কিছুর বিশ্লেষণের পারফরম্যান্সে দীর্ঘমেয়াদে পার্থক্য রয়েছে। প্রতিবার এই বিশ্লেষণটি চালিত হওয়ার পরে, আপনি সাহিত্যে যা লেখা হয়েছিল (যা পরীক্ষার মাধ্যমে পরীক্ষার ওঠানামা করে না) তার উপর ভিত্তি করে আপনি একই কৌশল ব্যবহার করবেন। OTOH, ডাটা হয় একটি র্যান্ডম নমুনা, & বক্স-কক্সবাজার পরীক্ষামূলক থেকে আউটপুট গবেষণা দ্বারা অধ্যয়ন ওঠানামা করবে।

— গুং - মনিকা পুনরায়

এটি ড্রল, তবে আমার অভিজ্ঞতাটিও দীর্ঘমেয়াদে পরিবর্তিত হয়।

— নিক কক্স