আমি পরামর্শ দেব যে অনুমানের ধরণটি কয়েকটি জিনিসের উপর নির্ভর করে:
- অনুমানটি ভুল হওয়ার পরিণতি কী? (যেমন আপনার অনুমানকারী খুব কম হওয়ার তুলনায় খুব বেশি যদি কম থাকে তবে আপনি কি ত্রুটির দিকটি সম্পর্কে উদাসীন? যদি কোনও ত্রুটি দ্বিগুণ হয় তবে এটি দ্বিগুণ কি খারাপ? এটি শতাংশের ত্রুটি বা পরম ত্রুটি? এটি গুরুত্বপূর্ণ? অনুমানটি কেবলমাত্র মধ্যবর্তী পদক্ষেপ যা পূর্বাভাসের জন্য প্রয়োজনীয়? ছোট নমুনার আচরণের চেয়ে বড় নমুনা আচরণটি কম-বেশি গুরুত্বপূর্ণ?)
- আপনি যে পরিমাণটি অনুমান করছেন তা সম্পর্কে আপনার পূর্বের তথ্য কী? (উদাহরণস্বরূপ তথ্য কীভাবে আপনার পরিমাণের সাথে সম্পর্কিত? আপনি কি জানেন যে পরিমাণটি ইতিবাচক? বিযুক্ত? আপনি কি আগে এই পরিমাণটি অনুমান করেছেন? আপনার কাছে কত ডেটা আছে? আপনার ডেটাতে কোনও "গ্রুপ আগ্রাসন" কাঠামো আছে?)
- আপনার কাছে কী সফটওয়্যার রয়েছে? (উদাহরণস্বরূপ, যদি আপনার কাছে এটি করার সফ্টওয়্যার না থাকে তবে MCMC এর প্রস্তাব দেওয়া ভাল নয়, বা এটি কীভাবে করবেন তা আপনি যদি জানেন না তবে একটি জিএলএমএম ব্যবহার করছেন))
প্রথম দুটি পয়েন্টটি প্রাসঙ্গিক নির্দিষ্ট এবং আপনার নির্দিষ্ট অ্যাপ্লিকেশনটির কথা চিন্তা করে আপনি সাধারণত কিছু নির্দিষ্ট বৈশিষ্ট্য সংজ্ঞায়িত করতে সক্ষম হবেন যা আপনি আপনার অনুমানকারীকে চান। তারপরে আপনি এমন প্রাকদর্শকটি বেছে নিন যা আপনি প্রকৃত পক্ষে গণনা করতে পারবেন, যার কাছে এটির যতগুলি বৈশিষ্ট্য রয়েছে তা রয়েছে।
আমি মনে করি যে একটি পাঠ্যক্রমের অনুমানের সাথে অনুমানের অভাব, এর অর্থ হ'ল প্রায়শই "ডিফল্ট" মানদণ্ড ব্যবহার করা হয়, একইভাবে পূর্বের তথ্যের জন্য (সর্বাধিক সুস্পষ্ট "ডিফল্ট" যেটি আপনি আপনার ডেটার নমুনা বন্টন জানেন)। এটি বলার পরে, কিছু ডিফল্ট পদ্ধতিগুলি ভাল, বিশেষত যদি আপনি প্রসঙ্গটি সম্পর্কে যথেষ্ট জানেন না। কিন্তু আপনি যদি না প্রসঙ্গ জানেন, এবং আপনি সরঞ্জাম আছে যে প্রসঙ্গ নিগমবদ্ধ, তাহলে আপনি, জন্য অন্যথায় আপনি পাল্টা-স্বজ্ঞাত ফলাফল (কারণ আপনার কি উপেক্ষিত এর) পেতে পারেন হবে।
আমি একটি সাধারণ নিয়ম হিসাবে এমভিইউর খুব বড় অনুরাগী নই, কারণ পক্ষপাতহীন-নেস করার জন্য আপনাকে প্রায়শই অত্যধিক বৈচিত্র্য উত্সর্গ করতে হবে। উদাহরণস্বরূপ, কল্পনা করুন যে আপনি একটি ডার্টবোর্ডে ডার্টগুলি নিক্ষেপ করছেন এবং আপনি ষাঁড়ের দৃষ্টিতে আঘাত করতে চান। ধরুন যে কোনও নির্দিষ্ট নিক্ষেপের কৌশলটির জন্য ষাঁড়ের চোখ থেকে সর্বাধিক বিচ্যুতি 6 সেন্টিমিটার, তবে ডার্ট পয়েন্টগুলির কেন্দ্র বুলসিয়ে থেকে 1 সেন্টিমিটার উপরে। এটি এমভিইউ নয়, কেননা কেন্দ্রটি বুলসেইতে থাকা উচিত। তবে ধরুন যে বিতরণটি 1 সেন্টিমিটার (গড়) নীচে নামাতে গেলে আপনার ব্যাসার্ধটি কমপক্ষে 10 সেন্টিমিটারে বাড়িয়ে তুলতে হবে (সুতরাং সর্বোচ্চ ত্রুটি এখন 10 সেমি, 6 সেমি নয়)। এমভিইউর সাথে এটির ধরণের ঘটনা ঘটতে পারে, যদি না ইতিমধ্যে ভেরিয়েন্সটি ছোট হয়। ধরুন আমি অনেক বেশি নির্ভুল নিক্ষেপ করেছি এবং আমার ত্রুটিটি 0.1 সেমি পর্যন্ত সংকীর্ণ করতে পারলাম। এখন পক্ষপাতিত্ব সত্যিই গুরুত্বপূর্ণ, কারণ আমি কখনই বুলসেয়কে আঘাত করব না!
সংক্ষেপে, আমার জন্য, পক্ষপাত কেবল তখনই গুরুত্বপূর্ণ যখন বৈকল্পিকের তুলনায় এটি ছোট। আপনি যখন একটি বড় নমুনা পাবেন তখন আপনি সাধারণত ছোট প্রকারভেদ পাবেন।