লিনিয়ার রিগ্রেশন এবং জিএলএম সম্পর্কে আমি যা পড়েছি তার প্রায় প্রতিটি এটিই এখানে সিদ্ধ হয়: যেখানে এক্স এবং \ বিটা একটি ক্রমবর্ধমান বা অ-ক্রমযুক্ত ফাংশন হ'ল আপনি প্যারামিটার সম্পর্কে অনুমান এবং পরীক্ষা অনুমান। Y কে x এর f (x, \ বিটা) এর লিনিয়ার ফাংশন তৈরি করতে y এবং x এর কয়েক ডজন লিঙ্ক ফাংশন এবং রূপান্তর রয়েছে ।f ( x , β ) x β yy f ( x , β )
এখন, যদি আপনি f (x, \ বিটা) এর জন্য ক্রমবর্ধমান / অ-হ্রাসমান প্রয়োজনীয়তা সরিয়ে ফেলেন তবে আমি প্যারামেট্রিক লিনিয়ারাইজড মডেল লাগানোর জন্য কেবল দুটি পছন্দ জানি: ট্রিগ ফাংশন এবং বহুবচন। উভয়ই প্রতিটি পূর্বাভাসযুক্ত এবং সম্পূর্ণ এক্স এর মধ্যে কৃত্রিম নির্ভরতা তৈরি করে , এগুলিকে একটি খুব অ-দৃust় ফিট করে তোলে যদি না যে বিশ্বাসের পূর্ববর্তী কারণ না থাকে যে আপনার ডেটা আসলে একটি চক্রীয় বা বহুবিক প্রক্রিয়া দ্বারা উত্পন্ন হয়েছে।
এটি কোনও ধরণের রহস্যজনক প্রবণতা নয়। এটি জল এবং ফসলের ফলনের মধ্যে প্রকৃত, সাধারণ জ্ঞানের সম্পর্ক (একবার প্লটগুলি পানির নিচে যথেষ্ট গভীর হয়ে গেলে, ফসলের ফলন হ্রাস শুরু হবে), বা প্রাতঃরাশে এবং ক্যালিরির মধ্যে গণিতের কুইজে পারফরম্যান্স বা কারখানার শ্রমিকের সংখ্যা between এবং তারা যে পরিমাণ উইজেট উত্পাদন করে ... সংক্ষেপে, প্রায় কোনও বাস্তব জীবনের ক্ষেত্রে যার জন্য রৈখিক মডেলগুলি ব্যবহৃত হয় তবে ডেটা সহ এমন বিস্তৃত পরিসীমা জুড়ে থাকে যা আপনি নেতিবাচক রিটার্নগুলিতে হ্রাসকারী অতীতের পিছনে যান।
আমি 'অবতল', 'উত্তল', 'কার্ভিলাইনার', 'নন-একজাতীয়', 'বাথটব' শব্দটি সন্ধান করার চেষ্টা করেছি এবং আরও কতগুলি আমি ভুলে গিয়েছি। কয়েকটি প্রাসঙ্গিক প্রশ্ন এবং এর চেয়ে কম ব্যবহারযোগ্য উত্তর। সুতরাং, ব্যবহারিক ভাষায়, আপনার যদি নিম্নলিখিত তথ্য থাকে (আর কোড, ওয়াই অবিচ্ছিন্ন ভেরিয়েবল এক্স এবং বিচ্ছিন্ন ভেরিয়েবল গ্রুপের কাজ):
updown<-data.frame(y=c(46.98,38.39,44.21,46.28,41.67,41.8,44.8,45.22,43.89,45.71,46.09,45.46,40.54,44.94,42.3,43.01,45.17,44.94,36.27,43.07,41.85,40.5,41.14,43.45,33.52,30.39,27.92,19.67,43.64,43.39,42.07,41.66,43.25,42.79,44.11,40.27,40.35,44.34,40.31,49.88,46.49,43.93,50.87,45.2,43.04,42.18,44.97,44.69,44.58,33.72,44.76,41.55,34.46,32.89,20.24,22,17.34,20.14,20.36,24.39,22.05,24.21,26.11,28.48,29.09,31.98,32.97,31.32,40.44,33.82,34.46,42.7,43.03,41.07,41.02,42.85,44.5,44.15,52.58,47.72,44.1,21.49,19.39,26.59,29.38,25.64,28.06,29.23,31.15,34.81,34.25,36,42.91,38.58,42.65,45.33,47.34,50.48,49.2,55.67,54.65,58.04,59.54,65.81,61.43,67.48,69.5,69.72,67.95,67.25,66.56,70.69,70.15,71.08,67.6,71.07,72.73,72.73,81.24,73.37,72.67,74.96,76.34,73.65,76.44,72.09,67.62,70.24,69.85,63.68,64.14,52.91,57.11,48.54,56.29,47.54,19.53,20.92,22.76,29.34,21.34,26.77,29.72,34.36,34.8,33.63,37.56,42.01,40.77,44.74,40.72,46.43,46.26,46.42,51.55,49.78,52.12,60.3,58.17,57,65.81,72.92,72.94,71.56,66.63,68.3,72.44,75.09,73.97,68.34,73.07,74.25,74.12,75.6,73.66,72.63,73.86,76.26,74.59,74.42,74.2,65,64.72,66.98,64.27,59.77,56.36,57.24,48.72,53.09,46.53),
x=c(216.37,226.13,237.03,255.17,270.86,287.45,300.52,314.44,325.61,341.12,354.88,365.68,379.77,393.5,410.02,420.88,436.31,450.84,466.95,477,491.89,509.27,521.86,531.53,548.11,563.43,575.43,590.34,213.33,228.99,240.07,250.4,269.75,283.33,294.67,310.44,325.36,340.48,355.66,370.43,377.58,394.32,413.22,428.23,436.41,455.58,465.63,475.51,493.44,505.4,521.42,536.82,550.57,563.17,575.2,592.27,86.15,91.09,97.83,103.39,107.37,114.78,119.9,124.39,131.63,134.49,142.83,147.26,152.2,160.9,163.75,172.29,173.62,179.3,184.82,191.46,197.53,201.89,204.71,214.12,215.06,88.34,109.18,122.12,133.19,148.02,158.72,172.93,189.23,204.04,219.36,229.58,247.49,258.23,273.3,292.69,300.47,314.36,325.65,345.21,356.19,367.29,389.87,397.74,411.46,423.04,444.23,452.41,465.43,484.51,497.33,507.98,522.96,537.37,553.79,566.08,581.91,595.84,610.7,624.04,637.53,649.98,663.43,681.67,698.1,709.79,718.33,734.81,751.93,761.37,775.12,790.15,803.39,818.64,833.71,847.81,88.09,105.72,123.35,132.19,151.87,161.5,177.34,186.92,201.35,216.09,230.12,245.47,255.85,273.45,285.91,303.99,315.98,325.48,343.01,360.05,373.17,381.7,398.41,412.66,423.66,443.67,450.39,468.86,483.93,499.91,511.59,529.34,541.35,550.28,568.31,584.7,592.33,615.74,622.45,639.1,651.41,668.08,679.75,692.94,708.83,720.98,734.42,747.83,762.27,778.74,790.97,806.99,820.03,831.55,844.23),
group=factor(rep(c('A','B'),c(81,110))));
plot(y~x,updown,subset=x<500,col=group);
আপনি প্রথমে একটি বক্স-কক্স রূপান্তর চেষ্টা করতে পারেন এবং দেখুন যে এটি যান্ত্রিক ধারণা তৈরি করেছে কিনা এবং এটি ব্যর্থ হয়ে আপনি লজিস্টিক বা অ্যাসিম্পটোটিক লিঙ্ক ফাংশন সহ একটি ননলাইনারে সর্বনিম্ন স্কোয়ার মডেল ফিট করতে পারেন।
সুতরাং, আপনার কেন সম্পূর্ণ প্যারামেট্রিক মডেলগুলি ছেড়ে দেওয়া উচিত এবং স্প্লাইচের মতো একটি কালো-বাক্সের পদ্ধতিতে ফিরে আসা উচিত যখন আপনি যখন জানতে পারবেন যে পুরো ডেটাসেটটি এমন দেখাচ্ছে ...
plot(y~x,updown,col=group);
আমার প্রশ্নগুলি হ'ল:
- এই শ্রেণীর ক্রিয়ামূলক সম্পর্কের প্রতিনিধিত্বকারী লিঙ্ক ফাংশনগুলি সন্ধান করার জন্য আমার কী পদগুলির সন্ধান করা উচিত?
অথবা
- এই শ্রেণীর ক্রিয়ামূলক সম্পর্কের সাথে কীভাবে লিংক ফাংশনগুলি ডিজাইন করবেন বা বর্তমানে কেবল একঘেয়ে প্রতিবেদনের জন্য বিদ্যমান বিদ্যমানগুলি প্রসারিত করবেন তা শেখানোর জন্য আমার কী পড়তে এবং / অথবা অনুসন্ধান করা উচিত?
অথবা
- হেক, এমন কি প্রশ্নের জন্য স্ট্যাকএক্সচেঞ্জ ট্যাগ সবচেয়ে উপযুক্ত!
R
কোডটিতে সিনট্যাক্স ত্রুটি রয়েছে: group
উদ্ধৃত করা উচিত নয়। (২) প্লটটি সুন্দর: লাল বিন্দুগুলি একটি রৈখিক সম্পর্কের চিত্র প্রদর্শন করে এবং কালোগুলি টুকরোচক লিনিয়ার রিগ্রেশন (একটি পরিবর্তন পয়েন্ট মডেল সহ প্রাপ্ত) সহ এবং এমনকি সম্ভবত একটি ক্ষতিকারক হিসাবেও বেশ কয়েকটি উপায়ে ফিট হতে পারে। তবে আমি এগুলি সুপারিশ করছি না , কারণ মডেলিংয়ের পছন্দগুলি সম্পর্কিত তথ্যগুলি সম্পর্কিত তথ্যগুলি তৈরি করে এবং সম্পর্কিত তত্ত্বগুলিতে তত্ত্ব দ্বারা অনুপ্রাণিত হয় তা বোঝার মাধ্যমে অবহিত করা উচিত। তারা আপনার গবেষণার জন্য আরও ভাল শুরু হতে পারে।