একটি অনুদৈর্ঘ্য গবেষণায়, আমি অনুসরণের জন্য হারিয়ে যাওয়া ব্যক্তিদের জন্য 2 সময় পরিমাপ করা ফলাফল Y কে গুনতে হবে?


10

মানুষের নমুনায় আমি 2 বার পয়েন্টে পুনরাবৃত্তি ব্যবস্থা করেছি। এখানে 1 জন 18 জন লোক রয়েছে এবং 13 কে সময়ে 2 (ফলোআপে 5000 টি হারিয়েছে)।

আমি Y 2 সময় পরিমাপ করা ফলাফলটি পুনঃস্থাপন করতে চাই (এবং ফলাফলটি 1 সময়ে পরিমাপ করা সম্ভব হয় না) এক্স সময় অনুসারে পরিমাপক 1 সেট করে। সমস্ত ভেরিয়েবলের কিছু অনুপস্থিত ডেটা রয়েছে। এটি বেশিরভাগ তুলনামূলকভাবে এলোমেলো প্রদর্শিত হয় বা নিখোঁজ হওয়া পর্যবেক্ষণ করা ডেটা দ্বারা ভাল বর্ণিত বলে মনে হয়। যাইহোক, ফলাফল Y এর অনুপস্থিতির সিংহভাগ ক্ষতি হ'ল ফলোআপের কারণে। আমি একাধিক অভিশংসন (আর :: ইঁদুর) ব্যবহার করব এবং এক্স এর মানগুলি গণনা করার জন্য সম্পূর্ণ ডেটাসেট ব্যবহার করব, তবে আমি ওয়াইয়ের প্রতিশ্রুতি সম্পর্কিত 2 টি বিবাদমান পরামর্শ পেয়েছি:

1) X এবং V (ভি = দরকারী সহায়ক ভেরিয়েবল) থেকে 18 কে এর সম্পূর্ণ নমুনায় গুণিত করুন।

2) অনুগামীদের হারিয়ে ফ্রি-আপের জন্য Y অভিযুক্ত করবেন না (এবং এটি পরবর্তী কোনও রেজ্রেশন মডেলিং থেকে তাদের বাদ দিন)।

প্রাক্তন বোধগম্য কারণ তথ্য তথ্য, তাই কেন এটি সমস্ত ব্যবহার করবেন না; তবে পরবর্তীকর্মীরা আরও স্বজ্ঞাত উপায়ে বোঝায় - Y ~ X + V এর উপর ভিত্তি করে 5000 লোকের জন্য ফলাফলটি গণনা করা ভুল বলে মনে হচ্ছে, তারপরে ঘুরে ফিরে Y ~ X অনুমান করা উচিত seems

কোনটি (আরও) সঠিক?

পূর্ববর্তী এই প্রশ্নটি কার্যকর, তবে ফলো-আপের ক্ষতির কারণে নিখোঁজ হওয়ার বিষয়টি সরাসরি সমাধান করে না (যদিও উত্তরটি সম্ভবত একই রকম; আমি জানি না)।

ফলাফল ভেরিয়েবলের জন্য একাধিক অনুদান


এটি আমার কাছে পরস্পরবিরোধী বলে মনে হচ্ছে - আপনি কি ব্যাখ্যা করতে পারেন ?: "এর বেশিরভাগ অংশ অপেক্ষাকৃত এলোমেলো মনে হয়, বা নিখোঁজ হওয়া পর্যবেক্ষণ করা ডেটা দ্বারা ভালভাবে বর্ণিত বলে মনে হয়।"
রোল্যান্ডো 2

1
একাধিক অভিশংসন এবং বেশিরভাগ অন্যান্য অপ্রয়োজনীয় পদ্ধতিগুলির জন্য আপনার ডেটা এলোমেলোভাবে (এমএআর) হারিয়ে রাখা দরকার। আপনার অধ্যয়নের অ্যাট্রেশনের প্রক্রিয়াটি বোঝা দরকার। আমি সন্দেহ করব যে আপনার ফলো-আপ সমীক্ষায়, তবে আপনার অনুপস্থিত মানগুলি সম্ভবত এমআর বা এমসিএআর নয়।
স্ট্যাটাসস্টুডেন্ট

উত্তর:


2

আমি মনে করি এটি একটি উপকরণের মামলা। আপনি অনুপস্থিত এক্স চান, নিখোঁজ ওয়াই নয় want

Y~X

তবে এক্স প্রায়শই অনুপস্থিত বা দুর্ব্যবহার করা হয়।

X~Z and Z does not impact Y- except through X.

তারপরে আপনি চালাতে পারবেন:

 X~Z
 Y~Predicted(X)

এবং স্ট্যান্ডার্ড ত্রুটির জন্য কিছু সমন্বয় প্রয়োজন require

আপনার যদি নমুনা অ্যাট্রেসিটির পরিমাণ অনেক বেশি থাকে তবে আপনি হেকম্যান 2 পদক্ষেপের পদ্ধতিটিও দেখতে চাইতে পারেন। http://en.wikipedia.org/wiki/Heckman_correction


2

আমি তর্ক করব যে দুটিই সবচেয়ে উপযুক্ত নয়।

ডেটা এমআর বা এমসিএআর না হলে ডেপুটেশন সাধারণত উপযুক্ত হয় না এবং ডেটা খুব কমই ঘটে occur আপনার মানগুলিকে অঙ্কিত করার সময় এটি যুক্তিসঙ্গত অনুমান হতে পারে তবে আপনার ডেটার জন্য অবশ্যই তা নয় ।ওয়াইএক্সওয়াই

আপনার ডেটা থেকে সমস্ত হারিয়ে যাওয়া ডেটা ফেলে দেওয়ার ফলে আপনার পরামিতিগুলি পক্ষপাতদুষ্ট হয়ে যায় (যদি ডেটা এমসিআর না হয় তবে উপরে দেখুন) এবং আপনার অনুমানের যথার্থতাটিকে উল্লেখযোগ্যভাবে হ্রাস করে। এটি একটি "সম্পূর্ণ ক্ষেত্রে" বিশ্লেষণ এবং অনিবার্য।

আমি সেখানে বেঁচে থাকার বিশ্লেষণ পদ্ধতি পর্যালোচনা করার পরামর্শ দেব। এইগুলি এমন কিছু পদ্ধতি যা আপনার ডেটা বিশ্লেষণের জন্য ডিজাইন করা হয়েছে যে সেন্সর করার কারণে আপনার কিছু ফলাফল অবরুদ্ধ। এমন কোন মডেল রয়েছে যা আপনি যদি পর্যবেক্ষণগুলি সেন্সর করা হয় তা সনাক্ত করতে পারলে এটি বিবেচনায় নেবে।ওয়াই

আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.