ওজন সহ ফিশারের নির্ভুল পরীক্ষা?

12

কেউ কি ফিশারের নির্ভুল পরীক্ষার বিভিন্নতার কথা জানেন যা ওজন আমলে নেয়? উদাহরণস্বরূপ ওজন নমুনা ।
সুতরাং সাধারণ 2x2 ক্রস টেবিলের পরিবর্তে, প্রতিটি ডেটা পয়েন্টের "ভর" বা "আকার" মানের পয়েন্টের ওজন থাকে।

উদাহরণ ডেটা:

A B weight
N N 1
N N 3
Y N 1
Y N 2
N Y 6
N Y 7
Y Y 1
Y Y 2
Y Y 3
Y Y 4

ফিশারের নির্ভুল পরীক্ষার পরে এই 2x2 ক্রস টেবিলটি ব্যবহার করা হয়:

A\B  N  Y All
 N   2  2   4
 Y   2  4   6
All  4  6  10

আমরা যদি ডেটা পয়েন্টের একটি 'আসল' সংখ্যা হিসাবে ওজন গ্রহণ করি, এর ফলস্বরূপ:

A\B  N  Y All
 N   4 13  17
 Y   3 10  13
All  7 23  30

তবে এর ফলে আত্মবিশ্বাস অনেক বেশি। N / Y থেকে N / N এ পরিবর্তিত একটি ডেটা পয়েন্ট পরিসংখ্যানগুলিতে খুব বড় পার্থক্য আনবে।
এছাড়াও, যদি কোনও ওজনের ভগ্নাংশ থাকে তবে এটি কাজ করবে না।

hypothesis-testing

— মিশেল ডি রুইটার
সূত্র

10

আমার সন্দেহ আছে যে 'নির্ভুল' পরীক্ষা এবং নমুনা ওজন মূলত বেমানান ধারণা। আমি স্টাটাতে যাচাই করেছিলাম, যা নমুনা সমীক্ষার জন্য ভাল সুবিধাগুলি এবং সঠিক পরীক্ষার জন্য যুক্তিসঙ্গত পরীক্ষাগুলি রয়েছে এবং নমুনা ওজন সহ ক্রসস্ট্যাবের জন্য এটির 8 টি সম্ভাব্য পরীক্ষার পরিসংখ্যানগুলিতে ফিশারের মতো কোনও 'নির্ভুল' পরীক্ষার অন্তর্ভুক্ত নেই।

প্রাসঙ্গিক স্টাটা ম্যানুয়াল এন্ট্রি ( স্যাভি: ট্যাবুলেট টোয়ুয়ে ) সমস্ত ক্ষেত্রেই এটির ডিফল্ট পরীক্ষা ব্যবহার করার পরামর্শ দেয়। এই ডিফল্ট পদ্ধতিটি পিয়ারসনের চি-স্কোয়ার স্ট্যাটিস্টিকের উপর ভিত্তি করে। উদ্ধৃতি থেকে:

"জরিপের নকশার জন্য অ্যাকাউন্টিং করার জন্য, দ্বিতীয়-আদেশের রাও এবং স্কট (1981, 1984) সংশোধন ব্যবহার করে পরিসংখ্যানকে স্বাধীনতার ননইন্টিজার ডিগ্রি সহ একটি এফ পরিসংখ্যান হিসাবে পরিণত করা হয়েছে"।

refs:

রাও, জেএনকে, এবং এজে স্কট। 1981. জটিল নমুনা সমীক্ষা থেকে বিভাগীয় তথ্য বিশ্লেষণ: দ্বিমুখী টেবিলগুলিতে ফিট এবং স্বতন্ত্রতার সদ্ব্যবহারের জন্য চি-স্কোয়ার পরীক্ষা। আমেরিকান স্ট্যাটিস্টিকাল অ্যাসোসিয়েশনের জার্নাল 76: 221-2230 30
রাও, জেএনকে, এবং এজে স্কট। 1984. জরিপের তথ্য থেকে অনুমানকক্ষ অনুপাত সহ মাল্টিওয়ে কন্টিনজেন্সি টেবিলগুলির জন্য চি-স্কোয়ার পরীক্ষায়। পরিসংখ্যানগুলির বার্তা 12: 46-60।

— onestop
সূত্র

3

আকর্ষণীয় প্রশ্ন। ওজন বলতে কী বোঝ?

আমি একটি বুটস্ট্র্যাপ করতে ঝুঁকতে চাই ... আপনার প্রিয় পরিসংখ্যান চয়ন করুন (অর্থাত্ ফিশারের এক্সেক্ট), এবং এটি আপনার ডেটাতে গণনা করুন। তারপরে আপনার নাল হাইপোথিসিস অনুসারে প্রতিটি উদাহরণে নতুন সেলগুলি অর্পণ করুন এবং 999 বার প্রক্রিয়াটি পুনরাবৃত্তি করুন। এটি নাল হাইপোথিসিসের অধীনে আপনার পরীক্ষার পরিসংখ্যানগুলির জন্য একটি দুর্দান্ত উত্তরাধিকারী বিতরণ দেওয়া উচিত এবং আপনার পি-মানটির সহজে গণনার অনুমতি দেয়!

— user549
সূত্র

ধন্যবাদ! তবে আমি এমন একটি পরিসংখ্যানের প্রত্যাশা করেছি যা গণনা করা আরও দ্রুত এবং স্থিতিশীল ...

— মিশেল ডি রুইটার

2

নমুনা ওজন সম্পর্কে একটি দ্রুত জিনিস - এগুলি সাধারণত জনসংখ্যা সম্পর্কে কিছু তথ্য অন্তর্ভুক্ত করার একটি উপায় যা থেকে কেউ নমুনা নিচ্ছেন - তবে সাধারণত তারা "বড় নমুনা" ধরণের পরিস্থিতিগুলির উপর ভিত্তি করে থাকে (সাধারণত ছদ্মবেশে BLUP বা BLUE পূর্বাভাস) const সুতরাং আমি কল্পনা করব যে নমুনা ওজন সম্ভবত ওজন ছাড়া আর ভাল কিছু করতে হবে। আমার মতে আরও ভাল কী হবে তা হ'ল জনসংখ্যা সম্পর্কে তথ্য ব্যবহার করা যা নমুনা ডিজাইনটি সরাসরি ভিত্তিতে তৈরি হয়েছিল।

উদাহরণস্বরূপ, কোন ভিত্তিতে নির্বাচনের সম্ভাবনা গণনা করা হয়েছিল? আমার বাজিটি হ'ল আপনি জনসংখ্যার মোট বা কোনও ধরণের জনসংখ্যার ভাঙ্গন সম্পর্কে জানতেন যা A বা B এর সাথে জড়িত নয় (যৌন গোষ্ঠী অনুসারে বয়স বলে)। যদি এটি সঠিক নয় তাহলে আমি সম্পর্কে কিছু স্থান নষ্ট করতে, কিন্তু যদি এটা সঠিক, এবং ত আপনি জনসংখ্যা সমগ্র করেছিলেন জন্য গোষ্ঠী (বা স্তর), এবং প্রতিটি দলের মধ্যে আপনার কাছে "মিনি" 2 বাই 2 কন্টিনজেন্সি টেবিল ছিল। সুতরাং আমরা এখন আর অনুমানের "টার্গেট" হিসাবে ,। লিখতে পারি । অথবা সম্ভবত এটি যোগফল এটি অনুমানের লক্ষ্য (জনসংখ্যায় কতজন এন / এন ?? সাড়া দেয়)। তারপরে আপনি নিয়ে যুক্তি দেওয়ার চেষ্টা করছেন $R_{1},\dots,R_{k}$ $k$ $R_{1;11},R_{1;12},R_{1;21},R_{1;22},\dots$ $\sum_{l=1}^{k}R_{l;ij}$ $R_{l;ij}$ নমুনাযুক্ত সংখ্যাগুলি থেকে সীমাবদ্ধতার অধীন যা জন্য । (সর্বাধিক কাউকে?) $r_{l;ij}$ $\sum_{i,j}R_{l;ij}=R_{l}$ $(l=1,\dots,k)$

মনে রাখবেন যে স্যাম্পলিংয়ের সম্ভাবনাগুলি কেবলমাত্র আপনার যে ডেটা পাওয়ার সম্ভাবনা ছিল তার উপর ভিত্তি করে থাকলে তা অপ্রাসঙ্গিক (এবং ফিশারের সঠিক পরীক্ষাটি প্রযোজ্য) কারণ আপনি একবার ডেটা পাওয়ার পরে আপনি কী নমুনা পেয়েছেন তা জানেন। সুতরাং সামঞ্জস্যপূর্ণ কাজটি হ'ল নমুনায় এমএথ ইউনিট থাকলে তে স্যাম্পলিংয়ের সম্ভাবনাটি আপডেট করা এবং নমুনায় না থাকলে। তবে সাধারণত ডিজাইনটি কেবলমাত্র একটি ডেটা পর্যবেক্ষণ করতে পারে তার চেয়ে বেশি তথ্যের উপর ভিত্তি করে। তবে মনে রাখবেন যে এটি জরিপ ডিজাইনের চেয়ে গুরুত্বপূর্ণ যা গুরুত্বপূর্ণ। ডিজাইন ভিত্তিক অনুমিতি আপনার সমস্ত বিশদ আপনার বিশ্লেষণের সাথে অন্তর্ভুক্ত করার জন্য কেবল একটি কার্যকর উপায়। $P(D_{m})=1$ $P(D_{m})=0$

— probabilityislogic
সূত্র