আরও বেশি বৈকল্পিকের সাথে ভবিষ্যদ্বাণী কি আরও ভাল?

13

আমার কাছে "বুনিয়াদি পরিসংখ্যান" ধারণা প্রশ্ন রয়েছে। একজন ছাত্র হিসাবে আমি জানতে চাই যে আমি এটি পুরোপুরি ভুল সম্পর্কে চিন্তা করছি এবং কেন, যদি তাই হয়:

ধরা যাক আমি অনুমানমূলকভাবে "ক্রোধ পরিচালনার সমস্যাগুলির" মধ্যে সম্পর্কের দিকে তাকানোর চেষ্টা করছি এবং যৌক্তিক প্রতিরোধে তালাক (হ্যাঁ / না) বলি এবং আমার 100 টির বাইরে দুটি আলাদা ক্রোধ পরিচালনার স্কোর ব্যবহার করার বিকল্প রয়েছে have
স্কোর 1 প্রশ্নাবলী রেটিং উপকরণ 1 এবং আমার অন্যান্য পছন্দ থেকে আসে; স্কোর 2 ভিন্ন প্রশ্নাবলী থেকে আসে। হাইপোথিটিক্যালি, আমাদের পূর্ববর্তী কাজ থেকে বিশ্বাস করার কারণ রয়েছে যে রাগ পরিচালনার বিষয়গুলি বিবাহবিচ্ছেদের জন্ম দেয়।
যদি, আমার 500 জন লোকের নমুনায়, স্কোর 1 এর বৈকল্পিকতা স্কোর 2 এর তুলনায় অনেক বেশি, তবে এই বিশ্বাসের কোনও কারণ আছে যে স্কোর 1 তার বিবর্তনের উপর ভিত্তি করে তালাকের পূর্বাভাসক হিসাবে ব্যবহার করার জন্য আরও ভাল স্কোর হবে?

আমার কাছে, এটি সহজাতভাবে সঠিক বলে মনে হচ্ছে, তবে এটি কি তাই?

regression logistic

— N26
সূত্র

মজাদার প্রশ্ন, আমি বিশ্বাস করি হোবারের উত্তর এটি পুরোপুরি ভালভাবে ব্যাখ্যা করেছে। এই প্রশ্নের প্রথম আমার প্রতিক্রিয়া ছিল: 'বর্ধিত বৈচিত্র্য উচ্চ বর্গ-বৈষম্যমূলক তথ্য প্রেরণা দেয় না'।

— ঝুবার্ব

11

কয়েকটি দ্রুত পয়েন্ট:

আপনার ভেরিয়েবলের জন্য আলাদা স্কেল অবলম্বন করে ভেরিয়েন্স নির্বিচারে বৃদ্ধি বা হ্রাস করা যেতে পারে। একের বেশি ধ্রুবক দ্বারা স্কেলকে গুণিত করা তারতম্য বাড়িয়ে তুলবে, তবে পরিবর্তনকের ভবিষ্যদ্বাণীপূর্ণ শক্তি পরিবর্তন করবে না।
আপনি নির্ভরযোগ্যতার সাথে বিভ্রান্তিকর বৈকল্পিক হতে পারে। অন্য সকল সমান (এবং ধরে নেওয়া যায় যে এখানে কমপক্ষে সত্যিকারের স্কোরের পূর্বাভাস রয়েছে), নির্ভরযোগ্যতা বৃদ্ধি করে যা আপনি কোন নির্মাণকে পরিমাপ করেন তার ভবিষ্যদ্বাণীপূর্ণ শক্তি বৃদ্ধি করা উচিত। মনোযোগের জন্য সংশোধন করার এই আলোচনাটি দেখুন ।
ধরে নিই যে উভয় স্কেলটি পঁচিশ-পয়েন্টের আইটেম দ্বারা তৈরি হয়েছিল এবং এর মধ্যে মোট স্কোর ছিল যা 20 থেকে 100 অবধি রয়েছে, তবে বৃহত্তর বৈচিত্রের সংস্করণটি আরও নির্ভরযোগ্য হবে (অন্তত অভ্যন্তরীণ সামঞ্জস্যের ক্ষেত্রে) terms
অভ্যন্তরীণ ধারাবাহিকতা নির্ভরযোগ্যতা একমাত্র মানদণ্ডই নয় যার দ্বারা একটি মনস্তাত্ত্বিক পরীক্ষার বিচার করা উচিত এবং এটি কেবলমাত্র একটি কারণই নয় যে কোনও নির্দিষ্ট কাঠামোর জন্য একটি স্কেল বনাম অন্যের স্কোরের ভবিষ্যদ্বাণীী শক্তিটিকে পৃথক করে।

— জেরোমি অ্যাংলিম
সূত্র

9

একটি সাধারণ উদাহরণ আমাদের প্রয়োজনীয় জিনিসগুলি সনাক্ত করতে সহায়তা করে।

যাক

Y = C + γ X_{1} + ε

$Y = C + \gamma X_1 + \varepsilon$

যেখানে এবং পরামিতি হয়, প্রথম যন্ত্র (অথবা স্বতন্ত্র ভেরিয়েবলের) এ স্কোর হল, এবং পক্ষপাতিত্বহীন IID ত্রুটির সৃষ্টি করে। দ্বিতীয় উপকরণের স্কোরটি প্রথমটির সাথে সম্পর্কিত হোক $C$ $\gamma$ $X_1$ $\varepsilon$

X_{1} = α X_{2} + β .

$X_1 = \alpha X_2 + \beta.$

উদাহরণস্বরূপ, দ্বিতীয় উপকরণের স্কোরগুলি 25 থেকে 75 এবং সহ প্রথম থেকে 0 থেকে 100 পর্যন্ত স্কোর হতে পারে । ভ্যারিয়েন্স হয় বার ভ্যারিয়েন্স । তবুও, আমরা আবার লিখতে পারি $X_1 = 2 X_2 - 50$ $X_1$ $\alpha^2$ $X_2$

Y = C + γ (α X_{2} + β) = (C + β γ) + (γ α) X_{2} + ε = C^{'} + γ^{'} X_{2} + ε .

$Y = C + \gamma(\alpha X_2 + \beta) = (C + \beta \gamma) + (\gamma \alpha) X_2 + \varepsilon = C' + \gamma' X_2 + \varepsilon.$

প্যারামিটারগুলি পরিবর্তিত হয় এবং স্বতন্ত্র পরিবর্তনশীলগুলির পরিবর্তিত হয় , তবুও মডেলটির ভবিষ্যদ্বাণীপূর্ণ ক্ষমতা অপরিবর্তিত থাকে ।

সাধারণভাবে এবং মধ্যে সম্পর্ক অরৈখিক হতে পারে। কোনটি আরও ভাল ভবিষ্যদ্বাণী তার উপর নির্ভর করবে যা সাথে নিবিড় লিনিয়ার সম্পর্ক রয়েছে । সুতরাং সমস্যাটি স্কেলগুলির মধ্যে একটি নয় (যেমনটি এর বৈকল্পিকতা দ্বারা প্রতিফলিত হয়েছে ) তবে যন্ত্রগুলির মধ্যে সম্পর্ক এবং তারা ভবিষ্যদ্বাণী করতে কী ব্যবহার করা হচ্ছে তা সিদ্ধান্ত নিতে হবে। এই ধারণাটি রিগ্রেশন-এ স্বতন্ত্র ভেরিয়েবল নির্বাচন করা সম্পর্কে সাম্প্রতিক প্রশ্নে অন্বেষণ করা একজনের সাথে নিবিড়ভাবে সম্পর্কিত । $X_1$ $X_2$ $Y$ $Y$ $X_i$

প্রশমিতকরণের কারণ থাকতে পারে। উদাহরণস্বরূপ, যদি আপনার এবং বিযুক্ত ভেরিয়েবল এবং উভয় সমানভাবে ভাল সাথে সম্পর্কিত হয় , তারপর বড় ভ্যারিয়েন্স সঙ্গে এক শক্তি (যদি এটি পর্যাপ্ত অবিশেষে বিছানো হয়েছে) তার মান মধ্যে তীক্ষ্ণ স্বরূপ প্রভেদ জন্য অনুমতি এবং যার ফলে আরও স্পষ্টতা সামর্থ্য। যেমন , যদি উভয় যন্ত্র একটি 1-5 লাইকআর্ট স্কেলে প্রশ্নাবলীর, উভয় সমানভাবে ভাল সঙ্গে সম্পর্কিত হয় , এবং উত্তর সব 2 এবং 3 ও উত্তর হয় 5 1 থেকে মধ্যে বিস্তার করা হয়, উপর বিশেষ সুবিধাপ্রাপ্ত করা যেতে পারে এই ভিত্তিতে $X_1$ $X_2$ $Y$ $Y$ $X_1$ $X_2$ $X_2$

— whuber
সূত্র

1

আপনি যে স্ট্যাটিস্টিকাল টেস্ট ব্যবহার করছেন তার জন্য অনুমানগুলি সর্বদা পরীক্ষা করে দেখুন!

লজিস্টিক রিগ্রেশন এর একটি অনুমান হ'ল ত্রুটির স্বাধীনতা যার অর্থ এই যে ডেটাগুলির ক্ষেত্রে সম্পর্কিত হওয়া উচিত নয়। যেমন। আপনি একই সময়ে একই সময়ে বিভিন্ন পয়েন্টগুলিতে পরিমাপ করতে পারবেন না যা আমি আশঙ্কা করি আপনি নিজের ক্রোধ পরিচালনার সমীক্ষায় করেছেন।

আমি আরও উদ্বিগ্ন হব যে 2 ক্রোধ পরিচালনার সমীক্ষার মাধ্যমে আপনি মূলত একই জিনিসটি পরিমাপ করছেন এবং আপনার বিশ্লেষণ বহুবিধ লম্বা হতে পারে।

— Parbury
সূত্র

1

আমি মনে করি N26 একটি চিন্তার পরীক্ষার পরামর্শ দিচ্ছে। উদাহরণস্বরূপ, একটি অধ্যয়নের নকশা করার সময় যদি আপনার দুটি স্কেলের মধ্যে একটি পছন্দ থাকে তবে আপনি কি পছন্দ করতে পারেন, প্রাইম ফ্যাসি, যা আরও বেশি বৈকল্পিক। এছাড়াও, দুটি পূর্বাভাসকারী যা একই নির্মাণের প্রতিনিধিত্ব করে, তবে আলাদাভাবে পরিমাপ করা পর্যবেক্ষণের স্বাধীনতার অনুমান লঙ্ঘন করে না।

— জেরোমি অ্যাংলিম