আর এর পোল ফাংশন (আদেশযুক্ত লজিস্টিক রিগ্রেশন) থেকে আউটপুট কীভাবে বোঝা যায়?

আমি আর-তে নতুন, আদেশ দিয়েছি লজিস্টিক রিগ্রেশন এবং polr।

পলারের জন্য সহায়তা পৃষ্ঠার নীচে "উদাহরণস্বরূপ" বিভাগ (এটি একটি অর্ডারযুক্ত ফ্যাক্টরের প্রতিক্রিয়াতে লজিস্টিক বা প্রবিট রিগ্রেশন মডেল ফিট করে) দেখায়

options(contrasts = c("contr.treatment", "contr.poly"))
house.plr <- polr(Sat ~ Infl + Type + Cont, weights = Freq, data = housing)
pr <- profile(house.plr)
plot(pr)
pairs(pr)

কি তথ্য prথাকে? প্রোফাইলে সহায়তা পৃষ্ঠাটি জেনেরিক এবং পোলারের জন্য কোনও দিকনির্দেশনা দেয় না।
কি plot(pr)দেখাচ্ছে? আমি ছয়টি গ্রাফ দেখতে পাচ্ছি। প্রত্যেকের একটি এক্স অক্ষ থাকে যা সাংখ্যিক হয়, যদিও লেবেলটি একটি সূচক ভেরিয়েবল (একটি ইনপুট ভেরিয়েবলের মতো দেখতে লাগে যা একটি সাধারণ মানের জন্য সূচক)। তারপরে Y অক্ষটি "তাউ" যা সম্পূর্ণ অব্যক্ত।
কি pairs(pr)দেখাচ্ছে? এটি প্রতিটি জোড়া ইনপুট ভেরিয়েবলের জন্য একটি প্লটের মতো দেখায়, তবে আবার আমি এক্স বা ওয়াই অক্ষের কোনও ব্যাখ্যা দেখতে পাচ্ছি না।
মডেল যদি ভাল ফিট দেয় তবে কীভাবে বোঝা যায়? summary(house.plr)3495.149 এর রেসিডুয়াল ডিভ্যান্স 3479.1.149 এবং এআইসি (আকাইকে তথ্য মানদণ্ড?) দেখায়। সেটা কি ভালো? ক্ষেত্রে এগুলি কেবল আপেক্ষিক ব্যবস্থা হিসাবে কার্যকর (যেমন অন্য কোনও মডেলের ফিটের সাথে তুলনা করতে), একটি ভাল পরম পরিমাপ কী? অবশিষ্ট অব্যবস্থা কি প্রায় চি-স্কোয়ার বিতরণ করা হয়? মূল ডেটা বা কিছু ক্রস-বৈধতাতে কেউ "সঠিকভাবে পূর্বাভাস" ব্যবহার করতে পারে? এটি করার সহজতম উপায় কী?
anovaএই মডেলটিতে কেউ কীভাবে প্রয়োগ এবং ব্যাখ্যা করতে পারে ? দস্তাবেজগুলি বলে "ভবিষ্যদ্বাণী, সংক্ষিপ্তসার, ভিসিওভি, আনোভা সহ স্ট্যান্ডার্ড মডেল-ফিটিং ফাংশনগুলির জন্য পদ্ধতি রয়েছে।" যাইহোক, anova(house.plr)ফলাফল চলমানanova is not implemented for a single "polr" object
প্রতিটি সহগের জন্য টির মানগুলি কীভাবে ব্যাখ্যা করা যায়? কিছু মডেলের ফিটের বিপরীতে এখানে কোনও পি মান নেই।

আমি বুঝতে পারি এটি অনেকগুলি প্রশ্ন, তবে 7 টি পৃথক প্রশ্ন না করে একটি বান্ডিল হিসাবে জিজ্ঞাসা করা আমার কাছে বুদ্ধিমান ("আমি কীভাবে এই জিনিসটি ব্যবহার করব?")। কোন তথ্য প্রশংসা।

r logistic

— dfrankow
সূত্র

@dfrankow আপনার প্রথম দুটি প্রশ্নের জন্য কিছুটা অশোধিত এবং অবশ্যই খুব আংশিক সহায়তা, তবে methods("profile")আপনাকে একটি আর profileবস্তুর সাথে সম্পর্কিত (এই ক্ষেত্রে S3) পদ্ধতিগুলি দেবে , তারপরে আপনি polrফলাফলগুলির জন্য উত্সর্গীকৃত পদ্ধতির চেয়ে দেখতে পাবেন যে আপনি ব্রাউজ করতে পারবেন getAnywhere("profile.polr")আর প্রম্পটে টাইপ করে অন-লাইন ।

— chl

ধন্যবাদ! উত্স কোড ভাল। ব্যাখ্যা আরও ভাল হবে। :)

— dfrankow

কেউ আমাকে ভেনেবলস এবং রিপলির দ্বারা "আধুনিক প্রয়োগিত পরিসংখ্যান উইথ এস" -র দিকে নির্দেশ করেছেন। বিভাগ 7.3 এ "চার দিকের ফ্রিকোয়েন্সি টেবিলের উদাহরণ" রয়েছে যা বাড়ির এই মডেলটি ব্যাপকভাবে কভার করে। পঠন ..

— dfrankow

আসলে বিভাগটি "একটি আনুপাতিক প্রতিকূল মডেল"

— dfrankow

উত্তর:

আদেশিত লজিস্টিক রিগ্রেশনটির আরও ভাল ব্যাখ্যা এবং বোঝার জন্য আমি আপনাকে বিভাগীয় তথ্য বিশ্লেষণের বইগুলি সিএফ। অ্যালান এগ্র্রেস্টির শ্রেণীবদ্ধ ডেটা অ্যানালাইসিস, 2002 এর দিকে নজর দেওয়ার পরামর্শ দেব । আপনি যে সমস্ত প্রশ্ন জিজ্ঞাসা করেছেন সেগুলির মূলত এই জাতীয় বইগুলির কয়েকটি অধ্যায় দ্বারা উত্তর দেওয়া হয়। আপনি যদি কেবল Rসম্পর্কিত উদাহরণগুলিতেই আগ্রহী হন , জুলিয়ান ফারাওয়ে (সিআরসি প্রেস, ২০০৮) দ্বারা আরে লিনিয়ার মডেলগুলি প্রসারিত করা একটি দুর্দান্ত উল্লেখ।

আমি আপনার প্রশ্নের উত্তর দেওয়ার আগে , আদেশযুক্ত লজিস্টিক রিগ্রেশন মাল্টিনোমিয়াল লজিট মডেলগুলির ক্ষেত্রে যেখানে বিভাগগুলি অর্ডার করা হয়। ধরুন আমরা আছে বিভাগ আদেশ এবং যে ব্যক্তির জন্য , ORDINAL প্রতিক্রিয়া সঙ্গে , জন্য । অর্ডার দেওয়া প্রতিক্রিয়া সহ, প্রায়শই ক্রমবর্ধমান সম্ভাবনার সাথে কাজ করা সহজ । সংশ্লেষগত সম্ভাবনাগুলি সংলগ্ন বিভাগগুলির সংমিশ্রণে বৃদ্ধি এবং অদম্য হয়ে উঠছে। তদুপরি, , সুতরাং আমাদের কেবল মডেল সম্ভাব্যতা প্রয়োজন। $J$ $i$ $Y_i$ $p_{ij}=P(Yi=j)$ $j=1,..., J$ $\gamma_{ij}=P(Y_i \le j)$ $\gamma_{iJ}=1$ $J–1$

এখন আমরা এর সাথে s লিঙ্ক করতে চাই । আপনার ক্ষেত্রে, 3 আদেশ মাত্রা আছে: , , । অর্ডারযুক্ত না হয়ে অর্ডার হিসাবে তাদের আচরণ করা আরও বোধগম্য। বাকি ভেরিয়েবলগুলি আপনার সমবায়। আপনি যে নির্দিষ্ট মডেলটি বিবেচনা করছেন তা হ'ল আনুপাতিক প্রতিকূল মডেল এবং গাণিতিকভাবে এর সমতুল্য: $\gamma_{ij}$ $x$ Satlowmediumhigh

logit γ_{ঞ} ({এক্স}_{আমি}) = θ_{ঞ} - β^{টি} {এক্স}_{আমি}, ঞ = 1 ... জে - 1

$\mbox{logit } \gamma_j(x_i) = \theta_j - \beta^T x_i, j = 1 \ldots J-1$

কোথায় γ_{ঞ} ({এক্স}_{আমি}) = পি ({ওয়াই}_{আমি} \leq ঞ | {এক্স}_{আমি})

$\mbox{where }\gamma_j(x_i)=P(Y_i \le j | x_i)$

এটিকে বলা হয় কারণ তুলনা এবং এর তুলনামূলক : $Y \le j$ $x_1$ $x_2$

(\frac{γ_{ঞ} ({এক্স}_{1})}{1 - γ_{ঞ} ({এক্স}_{1})}) / (\frac{γ_{ঞ} ({এক্স}_{2})}{1 - γ_{ঞ} ({এক্স}_{2})}) = মেপুঃ (- β^{টি} ({এক্স}_{1} - {এক্স}_{2}))

$\left(\frac {\gamma_j(x_1)}{1-\gamma_j(x_1)}\right) / \left(\frac {\gamma_j(x_2)}{1-\gamma_j(x_2)}\right)=\exp(-\beta^T (x_1-x_2))$

লক্ষ্য করুন, উপরের অভিব্যক্তি উপর নির্ভর করে না । অবশ্যই, একটি নির্দিষ্ট ডেটাসেটের জন্য আনুপাতিক প্রতিকূলতার অনুমান পরীক্ষা করা দরকার। $j$

এখন, আমি কয়েকটি (1, 2, 4) প্রশ্নের উত্তর দেব।

মডেল যদি ভাল ফিট দেয় তবে কীভাবে বোঝা যায়? সংক্ষিপ্ত বিবরণ (house.plr) 3495.149 এর রেসিডুয়াল ডিভায়েন্স 3479.1.149 এবং এআইসি (আকাইকে তথ্য মানদণ্ড?) দেখায়। সেটা কি ভালো? ক্ষেত্রে এটি কেবল আপেক্ষিক ব্যবস্থা হিসাবে কার্যকর (যেমন অন্য কোনও মডেলের ফিটের সাথে তুলনা করতে), একটি ভাল পরম পরিমাপ কী? অবশিষ্ট অব্যবস্থা কি প্রায় চি-স্কোয়ার বিতরণ করা হয়? মূল ডেটা বা কিছু ক্রস-বৈধতাতে কেউ "সঠিকভাবে পূর্বাভাস" ব্যবহার করতে পারে? এটি করার সহজতম উপায় কী?

একটি মডেল ফিট polrএটি একটি বিশেষ glm, তাই সমস্ত অনুমান যা glmএখানে একটি traditional তিহ্যগত হোল্ড রাখে। আপনি যদি সঠিকভাবে পরামিতিগুলির যত্ন নেন তবে আপনি বিতরণটি বের করতে পারেন। বিশেষতঃ, মডেলটি ভাল কিনা তা পরীক্ষা করতে আপনি নীচের নাল পরীক্ষা করে উপযুক্ত ফিট পরীক্ষা করতে পারেন , যা লক্ষ্য করুন এটি সূক্ষ্ম, বেশিরভাগই আপনি নালটিকে প্রত্যাখ্যান করতে চান, তবে এখানে আপনি চান না একটি ভাল ফিট পেতে এটি প্রত্যাখ্যান করুন):

{এইচ}_{ণ} : বর্তমান মডেল যথেষ্ট ভাল

$H_o: \mbox{ current model is good enough }$

আপনি এটির জন্য চি-স্কোয়ার পরীক্ষাটি ব্যবহার করবেন। পি-মানটি প্রাপ্ত হয়:

1-pchisq(deviance(house.plr),df.residual(house.plr))

বেশিরভাগ সময় আপনি ০.০৫ এর চেয়ে বেশি পি-মান পাওয়ার আশা করতেন যাতে আপনি মডেলটি বেশ উপযুক্ত তা এই সিদ্ধান্ত নিতে যে নালাকে প্রত্যাখ্যান করবেন না (এখানে দার্শনিক যথার্থতা উপেক্ষা করা হবে)।

আপনি বড় সংখ্যক পরামিতি রাখতে চান না একই সময়ে ভাল ফিটের জন্য এআইসির উচ্চ হওয়া উচিত। stepAICএটি যাচাই করার একটি ভাল উপায়।

হ্যাঁ, পূর্বাভাসগুলি ধরে আছে কিনা তা দেখতে আপনি অবশ্যই ক্রস বৈধতা ব্যবহার করতে পারেন। predictফাংশন (বিকল্প type = "probs":) দেখুন ?polr। আপনার কেবলমাত্র যত্ন নেওয়া দরকার।

জনসংযোগ কোন তথ্য রয়েছে? প্রোফাইলে সহায়তা পৃষ্ঠাটি জেনেরিক এবং পোলারের জন্য কোনও দিকনির্দেশনা দেয় না

@ সিএইচএল এবং অন্যদের দ্বারা নির্দেশিত হিসাবে, prসিআই এবং অন্যান্য সম্ভাব্য সম্পর্কিত তথ্য প্রাপ্তির জন্য প্রয়োজনীয় সমস্ত তথ্য রয়েছে polr fit। সমস্ত glmগুলি লগ সম্ভাবনার জন্য পুনরুক্ত ওজনযুক্ত সর্বনিম্ন বর্গক্ষেত্রের অনুমান পদ্ধতি ব্যবহার করে ফিট। এই অপ্টিমাইজেশনে আপনি প্রচুর তথ্য পান (দয়া করে তথ্যসূত্রগুলি দেখুন) যা ভেরিয়েন্স কোভারিয়েন্স ম্যাট্রিক্স, সিআই, টি-মান ইত্যাদি গণনা করার জন্য প্রয়োজনীয় হবে এটি এতে সমস্ত অন্তর্ভুক্ত করে।

প্রতিটি সহগের জন্য টির মানগুলি কীভাবে ব্যাখ্যা করা যায়? কিছু মডেল> ফিটের বিপরীতে এখানে কোনও পি মান নেই।

সাধারণ রৈখিক মডেল (বিশেষ glm) এর বিপরীতে অন্যান্যগুলির glmকাছে রিগ্রেশন সহগের জন্য দুর্দান্ত টি-বিতরণ নেই। অতএব আপনি প্যারামিটারের অনুমানগুলি এবং তাদের অ্যাসিপটোটিক ভেরিয়েন্স কোভারিয়েন্স ম্যাট্রিক্সটি সর্বাধিক সম্ভাবনার তত্ত্বটি ব্যবহার করেই পেতে পারেন। অতএব:

অনৈক্য (\hat{β}) = ({এক্স}^{টি} ওয়াট এক্স)^{- 1} \hat{φ}

$\text{Variance}(\hat \beta) = (X^T W X)^{-1}\hat \phi$

বিডিআর এবং ডাব্লুভিও কল-মানকে কল করে এটির স্ট্যান্ডার্ড ত্রুটি দ্বারা বিভক্ত অনুমান (আমি MASSএখানে সম্মেলনটি ধরে নিচ্ছি )। এটি সাধারণ লিনিয়ার রিগ্রেশন থেকে টি-মানের সমতুল্য তবে টি-বিতরণ অনুসরণ করে না। সিএলটি ব্যবহার করে এটি সাধারণভাবে বিতরণ করা হয়। তবে তারা এই প্রায় (আমার অনুমান) ব্যবহার না করা পছন্দ করেন, তাই কোনও পি-মান নেই। (আমি আশা করি আমি ভুল নই, এবং আমি যদি থাকি তবে আমি আশা করি বিডিআর এই ফোরামে নেই) আমি আরও আশাবাদী, আমার ভুল হলে কেউ আমাকে সংশোধন করবেন।)

— suncoolsu
সূত্র

আমি আরও যুক্ত করব।

— সানকুলসু

এর জন্য ধন্যবাদ. আমি এটি বেশ কয়েকবার পড়েছি। প্রচুর প্রশ্ন থেকে যায়। 1. কার্যকরীভাবে আর এর মধ্যে একটি কীভাবে আনুপাতিক বৈষম্য অনুমানের পরীক্ষা করে? ২. আপনি কি নিশ্চিত যে চি-স্কোয়ার্ড পরীক্ষাটি সঠিক? এই উদাহরণে এটি 0 প্রদান করে, মানে .. ক্রেপি ফিট? তবে কিছু টি মানের মানগুলি বেশ উচ্চ (ইনফ্লাল হাই 10.1, ইনফ্লমেডিয়াম 5.4, কনটহাই 3.7)। ৩. প্লট বা জোড়া কী দেখায়?

— dfrankow

আপনার ব্যাপক উত্তর সানকুলসু জন্য ধন্যবাদ। আমি একই পরিস্থিতিতে রয়েছি এবং বেশ কয়েকটি প্রশ্ন রয়েছে। 1. আমি আপনার চি-বর্গ পরীক্ষার সমীকরণ ব্যবহার করে প্রতিটি মডেলের জন্য 0 পাই। ২.এআইসির উইকিপিডিয়া পৃষ্ঠাতে বলা হয়েছে "পছন্দের মডেলটি ন্যূনতম এআইসির মান সহ একটি", তবে আপনি বলেছিলেন, "ভাল ফিটের জন্য এআইসি হওয়া উচিত be" আমি এই অ্যাকাউন্টগুলিতে পুনর্মিলন করার চেষ্টা করছি।

— স্যাম সুইফট

@dfrankow এবং @ স্যাম সুইফট আমি দুঃখিত, কিছু কাগজ লিখতে কিছুটা ব্যস্ত হয়ে পড়েছি। ঠিক আছে - আপনি যদি কোনও পি-মান = 0 পান তবে এর অর্থ হ'ল মডেলটি ফিটের পরীক্ষার ধার্মিকতা ব্যর্থ হওয়ায় একটি ভাল ফিট নয়। এআইসির সমস্যা সম্পর্কে, উইকিপিডিয়া এবং আমি এর জন্য একটি আলাদা কনভেনশন ব্যবহার করছি। আমি বিডিআর এবং ডাব্লুভি দ্বারা ব্যবহৃত একটি ব্যবহার করছি। (সিএফ। ড। জুলিয়ান

— ফারাওয়ের

0/1 পি মান এবং এআইসির ব্যাখ্যার জন্য কিছু উত্সর্গীকৃত প্রশ্ন রয়েছে যা আপনাকে সহায়ক বলে মনে করতে পারে: stats.stackexchange.com/questions/15223/… stats.stackexchange.com/questions/81427/…

— স্কট

আমি এখানে কথোপকথনটি খুব উপভোগ করেছি, তবে আমি অনুভব করি যে উত্তরগুলি আপনার সামনে উত্থাপিত প্রশ্নের সমস্ত (খুব ভাল) উপাদানকে সঠিকভাবে সম্বোধন করে নি। উদাহরণ পৃষ্ঠার দ্বিতীয়ার্ধটি polrসমস্তই প্রোফাইলিং সম্পর্কিত about এখানে একটি ভাল প্রযুক্তিগত রেফারেন্স হ'ল ভেনারেবলস এবং রিপলি যারা প্রোফাইলিং এবং এটি কী তা নিয়ে আলোচনা করে। আপনি সম্পূর্ণ সম্ভাবনা (নিয়মিত জিএলএম) সহ ফিটিং তদন্তকারী পরিবার মডেলগুলির স্বাচ্ছন্দ্যের অঞ্চল ছাড়িয়ে যাওয়ার সময় এটি একটি সমালোচনামূলক কৌশল।

এখানে মূল প্রস্থানটি হল শ্রেণিবদ্ধ প্রান্তিকের ব্যবহার। আপনি খেয়াল করবেন যে পিওএলআর কোনও স্বাভাবিক ইন্টারসেপ্ট শব্দটির অনুমান করে না। বরং, উপদ্রব পরামিতি রয়েছে: থ্রেশহোল্ডগুলি যার জন্য লাগানো ঝুঁকিটি সম্ভাব্য বিভাগগুলির একটি নির্দিষ্ট সংখ্যায় পড়ে থাকে । যেহেতু এই প্রান্তিকগুলি কখনই যৌথভাবে অনুমান করা হয় না, তাই মডেল পরামিতিগুলির সাথে তাদের সমবায় অজানা। জিএলএমগুলির বিপরীতে আমরা কোনও পরিমাণ দ্বারা একটি গুণাগুণ "পার্টার্ব" করতে পারি না এবং এটি অন্যান্য অনুমানগুলিকে কীভাবে প্রভাবিত করতে পারে সে সম্পর্কে নিশ্চিত থাকতে পারি। উপদ্রব থ্রেশহোল্ডগুলির জন্য এই অ্যাকাউন্টিং করতে আমরা প্রোফাইলিং ব্যবহার করি। প্রোফাইলিং অপরিমেয় বিষয়, কিন্তু মূলত লক্ষ্য প্রবলভাবে রিগ্রেশন কোফিসিয়েন্টস কোভ্যারিয়েন্স পরিমাপ হয় যখন মডেল মতো অনিয়মিত সম্ভাবনা পূর্ণবিস্তার হয়, , , , এবং $k-1$ $k$ lmernlspolrglm.nb।

এর জন্য সহায়তা পৃষ্ঠাটি ?profile.glmকিছুটা ব্যবহারযোগ্য হওয়া উচিত কারণ polrবস্তুগুলি মূলত জিএলএম (প্লাস শ্রেণিবদ্ধ থ্রেশহোল্ডগুলি) হয়। সর্বশেষে, আপনি আসলে, সোর্স কোড পিক করতে পারেন এটা কোন কাজে এর ব্যবহার getS3method('profile', 'polr')। আমি এই getS3methodফাংশনটি অনেক বেশি ব্যবহার করি কারণ, যদিও অনেকগুলি পদ্ধতি লুকানো উচিত বলে মনে করে, কোডটি পর্যালোচনা করে বাস্তবায়ন এবং পদ্ধতি সম্পর্কে আশ্চর্যজনকভাবে অনেক কিছু শিখতে পারে।

Pr PR কোন তথ্য ধারণ করে? প্রোফাইলে সহায়তা পৃষ্ঠাটি জেনেরিক এবং পোলারের জন্য কোনও দিকনির্দেশনা দেয় না।

prহ'ল একটি profile.polr, profileঅবজেক্ট (উত্তরাধিকারী বর্গ profile)। প্রতিটি covariate জন্য একটি এন্ট্রি আছে। প্রোফাইলার প্রতিটি কোভারিয়েটের উপরে লুপ করে, কিছুটা ভিন্ন পরিমাণে স্থির করা কোভারিয়েটের সাথে উপযুক্ত মডেল ফিটকে পুনরায় গণনা করে। আউটপুটটি কোভারিয়ারেটের স্থির মানটিকে তার আনুমানিক মান থেকে এবং অন্যান্য covariates ফলাফলের স্থির প্রভাবগুলির থেকে আলাদা "জেড-স্কোর" পার্থক্য হিসাবে পরিমাপ করা দেখায়। উদাহরণস্বরূপ, আপনি যদি লক্ষ্য করেন তবে আপনি pr$InflMediumনোট করে রাখবেন যে "z" যখন 0 হয় তখন অন্যান্য স্থির প্রভাবগুলি মূল ফিটের মতো পাওয়া যায়।

Plot চক্রান্ত (PR) কী দেখায়? আমি ছয়টি গ্রাফ দেখতে পাচ্ছি। প্রত্যেকের একটি এক্স অক্ষ থাকে যা সাংখ্যিক হয়, যদিও লেবেলটি একটি সূচক ভেরিয়েবল (একটি ইনপুট ভেরিয়েবলের মতো দেখতে লাগে যা একটি সাধারণ মানের জন্য সূচক)। তারপরে Y অক্ষটি "তাউ" যা সম্পূর্ণ অব্যক্ত।

আবার, ?plot.profileবিবরণ দেয়। প্লটটি মোটামুটিভাবে দেখায় যে কীভাবে প্রতিরোধের সহগগুলি কোভারি হয় c তাউ হল ছোট আকারের পার্থক্য, এর আগে জেড স্কোর, সুতরাং এটির 0 মানটি অনুকূল মান সহকারে একটি টিক চিহ্ন দিয়ে চিত্রিত করে। আপনি এই ফিটের জন্য এত ভাল আচরণ করছেন তা বলবেন না, তবে সেই "লাইনগুলি" আসলে স্প্লাইচ। সম্ভাবনাটি যদি খুব উপযুক্তভাবে উপযুক্ত অনিয়মিতভাবে আচরণ করা হত, তবে আপনি চক্রান্তে অদ্ভুত এবং অবিশ্বাস্য আচরণ পর্যবেক্ষণ করবেন। এটি আপনাকে আরও শক্তিশালী ত্রুটির প্রাক্কলন (বুটস্ট্র্যাপ / জ্যাককেনিফ) ব্যবহার করে আউটপুট অনুমান করতে, সিআই ব্যবহার করে গণনা method='profile'করতে, ভেরিয়েবলগুলি পুনরায় তৈরি করতে, বা অন্যান্য ডায়াগনস্টিকগুলি সম্পাদন করতে পারে।

Pairs জোড়া (PR) কী দেখায়? এটি প্রতিটি জোড়া ইনপুট ভেরিয়েবলের জন্য একটি প্লটের মতো দেখায়, তবে আবার আমি এক্স বা ওয়াই অক্ষের কোনও ব্যাখ্যা দেখতে পাচ্ছি না।

সহায়তা ফাইলটি বলে: "জোড়গুলির পদ্ধতিটি দেখায়, প্রতিটি জোড়া এক্স এবং ওয়াইয়ের জন্য, দুটি সম্ভাবনামুলক সর্বাধিক সম্ভাবনা অনুমানকে ছেদ করে, যা দ্বিখণ্ডিত প্রোফাইলের সংক্ষিপ্তসারগুলির স্পর্শগুলি উল্লম্ব হয়ে যায় যথাক্রমে দ্বিখণ্ডিত স্বাভাবিক প্রোফাইল সম্ভাবনার ক্ষেত্রে, এই দুটি বক্ররেখা সোজা লাইন হবে y | x এবং x | y এর শর্ত সাপেক্ষ শর্ত সাপেক্ষে, এবং রূপকগুলি হুবহু উপবৃত্তাকার হবে। " মূলত, তারা আবার আপনাকে আত্মবিশ্বাসের উপবৃত্তগুলি কল্পনা করতে সহায়তা করে। অরথোগোনাল অক্ষগুলি ইনফমেডিয়াম এবং ইনফএইচ-এর মতো চিরস্মরণীয় ব্যবস্থাগুলি নির্দেশ করে যা স্বজ্ঞাতভাবে খুব সম্পর্কিত। আবার, অনিয়মিত সম্ভাবনাগুলি এমন চিত্রগুলিতে নিয়ে যায় যেগুলি এখানে বেশ বিচলিত।

The মডেলটি যদি ভাল ফিট দেয় তবে কেউ কীভাবে বুঝতে পারে? সংক্ষিপ্ত বিবরণ (house.plr) 3495.149 এর রেসিডুয়াল ডিভায়েন্স 3479.1.149 এবং এআইসি (আকাইকে তথ্য মানদণ্ড?) দেখায়। সেটা কি ভালো? ক্ষেত্রে এটি কেবল আপেক্ষিক ব্যবস্থা হিসাবে কার্যকর (যেমন অন্য কোনও মডেলের ফিটের সাথে তুলনা করতে), একটি ভাল পরম পরিমাপ কী? অবশিষ্ট অব্যবস্থা কি প্রায় চি-স্কোয়ার বিতরণ করা হয়? মূল ডেটা বা কিছু ক্রস-বৈধতাতে কেউ "সঠিকভাবে পূর্বাভাস" ব্যবহার করতে পারে? এটি করার সহজতম উপায় কী?

একটি অনুমান যা মূল্যায়ন করা ভাল তা হ'ল আনুপাতিক প্রতিকূল ধারণা। এটি বৈশ্বিক পরীক্ষায় কিছুটা প্রতিফলিত হয় (যা একটি স্যাচুরেটড লগলাইনার মডেলের বিরুদ্ধে পোলার মূল্যায়ন করে)। এখানে একটি সীমাবদ্ধতা হ'ল বড় ডেটা সহ, বৈশ্বিক পরীক্ষা সর্বদা ব্যর্থ হয়। ফলস্বরূপ, লগলাইনার মডেল এবং পোল ফিটের জন্য গ্রাফিক্স এবং পরিদর্শন অনুমান (বিটা) এবং নির্ভুলতা (এসই) ব্যবহার করা ভাল ধারণা। যদি তারা ব্যাপকভাবে একমত না হয় তবে কিছু সম্ভবত ভুল।

আদেশযুক্ত ফলাফল সহ, শতাংশ চুক্তির সংজ্ঞা দেওয়া শক্ত hard আপনি কীভাবে মডেলটির উপর ভিত্তি করে শ্রেণিবদ্ধী চয়ন করবেন এবং আপনি যদি এটি করেন তবে কীভাবে আপনি একজন দরিদ্র শ্রেণিবদ্ধের কাছ থেকে খারাপ অভিনয় দেখবেন। modeএকটি খারাপ পছন্দ। আমার যদি 10 বিভাগের লগিজ থাকে এবং আমার পূর্বাভাস সবসময় তবে একটি বিভাগ বন্ধ থাকে, সম্ভবত এটি কোনও খারাপ জিনিস নয়। তদুপরি, আমার মডেলটি 0 টি প্রতিক্রিয়া হওয়ার 40% সম্ভাবনাটি সঠিকভাবে পূর্বাভাস দিতে পারে, তবে 8, 9, 10 এর 20% সম্ভাবনাও রয়েছে তাই আমি যদি 9 টি পর্যালোচনা করি তবে তা ভাল বা খারাপ? যদি আপনাকে অবশ্যই চুক্তিটি মাপতে হয় তবে একটি ওজনযুক্ত কাপ্পা বা এমএসই ব্যবহার করুন। লগলাইনার মডেল সর্বদা সেরা চুক্তি উত্পাদন করে। পিএলআর এটি করে না।

One একজন কীভাবে এই মডেলটিতে আনোভা প্রয়োগ এবং ব্যাখ্যা করতে পারে? দস্তাবেজগুলি বলে "ভবিষ্যদ্বাণী, সংক্ষিপ্তসার, ভিসিওভি, আনোভা সহ স্ট্যান্ডার্ড মডেল-ফিটিং ফাংশনগুলির জন্য পদ্ধতি রয়েছে।" যাইহোক, anova (house.plr) এর ফলাফলের ফলে অ্যানোভা চালানো কোনও একক "পোলার" অবজেক্টের জন্য প্রয়োগ করা হয় না

আপনার সাথে নেস্টেড মডেলের পরীক্ষা করতে পারেন waldtestএবং lrtestএ lmtestআর এই প্যাকেজ ANOVA দেওয়ার সমতুল্য। ব্যাখ্যাটি জিএলএমগুলির সাথে হুবহু একই।

Each প্রতিটি সহগের জন্য টির মানগুলি কীভাবে ব্যাখ্যা করা যায়? কিছু মডেলের ফিটের বিপরীতে এখানে কোনও পি মান নেই।

আবার লিনিয়ার মডেলগুলির বিপরীতে, পিওএলআর মডেলটি অনিয়মিত সম্ভাবনা নিয়ে সমস্যা তৈরি করতে সক্ষম তাই হেসিয়ানের উপর ভিত্তি করে অনুক্রমটি খুব অস্থির হতে পারে। এটি মেশানো মিশ্রিত মডেলগুলির অনুরূপ, উদাহরণস্বরূপ confint.merModlme4 প্যাকেজটির জন্য হেল্পফিলটি দেখুন। এখানে, প্রোফাইলিংয়ের সাথে করা মূল্যায়নগুলি দেখায় যে covariance ভাল আচরণ করা হয়। প্রোগ্রামারগণ এটি ডিফল্টরূপে করতে পারতেন, ব্যতীত প্রোফাইলিংটি কম্পিউটেশনালি খুব নিবিড় হতে পারে এবং এইভাবে তারা এটি আপনার হাতে ছেড়ে দেয়। যদি আপনাকে অবশ্যই ওয়াল্ড ভিত্তিক অনুমান দেখতে coeftest(house.plr)পান তবে lrtestপ্যাকেজটি থেকে ব্যবহার করুন ।

— Adamo
সূত্র

আর এর মধ্যে আনুপাতিক প্রতিক্রিয়ার ধারণা 'পরীক্ষা' করতে (যেমন, মূল্যায়ন) করতে, আপনি ফ্র্যাঙ্ক হ্যারেল জুনিয়রের ডিজাইনের প্যাকেজে residouts.lrm () ব্যবহার করতে পারেন। যদি আপনি? Residouts.lrm টাইপ করেন তবে ফ্র্যাঙ্ক হ্যারেল কীভাবে আনুপাতিক প্রতিক্রিয়ার অনুমানের মূল্যায়ন (যেমন, পুশ-বোতাম পরীক্ষার পরিবর্তে দৃশ্যত) মূল্যায়ন করার পরামর্শ দিয়েছেন তার একটি দ্রুত প্রতিরূপ উদাহরণ রয়েছে। নকশার অনুমানগুলি lrm () ব্যবহার করে লজিস্টিক রিগ্রেশনগুলি অর্ডার করেছে, যা আপনি এমএএসএস থেকে পোলার () এর বিকল্প হিসাবে নিতে পারেন।

আর এর মধ্যে আনুপাতিক বৈষম্য অনুমানটি কীভাবে দৃষ্টিপাতের সাথে পরীক্ষা করতে হয় তার আরও আনুষ্ঠানিক উদাহরণের জন্য দেখুন: কাগজ: বাস্তুশাস্ত্রের লেখক (গুলি) এর সাধারণ প্রতিক্রিয়া রিগ্রেশন মডেল: আন্তোইন গুইসান এবং ফ্রাঙ্ক ই। হ্যারেল উত্স: উদ্ভিদ বিজ্ঞানের জার্নাল, খন্ড। 11, নং 5 (অক্টোবর, 2000), পিপি 617-626

— mBrewster
সূত্র

আমি আপনার প্রতিক্রিয়া আন্তরিকভাবে প্রশংসা করি। তবে স্ট্যাকএক্সচেঞ্জের উদ্দেশ্য উল্লেখগুলি নয়, উত্তর সরবরাহ করা। পরিসংখ্যানবিদরা এই উল্লেখ সমস্যাটি বিশেষত প্রবণ বলে মনে করছেন seem কীভাবে রেসিডুয়ালস.লআরএম ব্যবহার করবেন সে সম্পর্কে কোনও বিশদ যুক্ত করতে পারেন? উদাহরণস্বরূপ, উদাহরণস্বরূপ কমান্ড এবং বাড়ির জন্য গ্রাফটি ব্যাখ্যা করার একটি উদাহরণ?

— dfrankow

লেখকের ওয়েবসাইট থেকে আপডেট: "ডিজাইন প্যাকেজটি এখন অপ্রচলিত R আর ব্যবহারকারীদের পরিবর্তে আরএমএস প্যাকেজটি ব্যবহার করা উচিত"। চিহ্নিত করুন, আপনার প্রতিক্রিয়া আমার জন্য খুব সহায়ক ছিল।

— তাল গালিলি