Section author: Danielle J. Navarro and David R. Foxcroft

பின்னடைவின் அனுமானங்கள்

நான் விவாதிக்கும் நேரியல் பின்னடைவு மாதிரி பல அனுமானங்களை நம்பியுள்ளது. பிரிவில்: டாக்: CH12_REGRESSION_11 இந்த அனுமானங்கள் எவ்வாறு நிறைவு செய்யப்படுகின்றன என்பதை எவ்வாறு சரிபார்க்கலாம் என்பது பற்றி நாங்கள் அதிகம் பேசுவோம், ஆனால் முதலில் அவை ஒவ்வொன்றையும் பார்ப்போம்.

• இயல்புநிலை. புள்ளிவிவரங்களில் உள்ள பல மாதிரிகளைப் போலவே, அடிப்படை எளிய அல்லது பல நேரியல் பின்னடைவு இயல்புநிலையின் அனுமானத்தை நம்பியுள்ளது. குறிப்பாக, * எச்சங்கள் * பொதுவாக விநியோகிக்கப்படுகின்றன என்று அது கருதுகிறது. முன்னறிவிப்பாளர்கள் * ஃச் * மற்றும் விளைவு * ஒய் * ஆகியவை இயல்பானவை அல்ல, எஞ்சியவை இயல்பானவை வரை அது உண்மையில் பரவாயில்லை. பிரிவு: ref ஐப் பார்க்கவும்: எச்சங்களின் இயல்பான தன்மையை சரிபார்க்கிறது <checking_normality_residuals>.

• நேரியல். நேரியல் பின்னடைவு மாதிரியின் ஒரு அழகான அடிப்படை அனுமானம் என்னவென்றால், * ஃச் * மற்றும் * ஒய் * க்கு இடையிலான உறவு உண்மையில் நேரியல்! இது ஒரு எளிய பின்னடைவு அல்லது பல பின்னடைவு என்பதைப் பொருட்படுத்தாமல், சம்பந்தப்பட்ட உறவுகள் நேரியல் என்று நாங்கள் கருதுகிறோம்.

• மாறுபாட்டின் ஒருமைப்பாடு. கண்டிப்பாகச் சொல்வதானால், பின்னடைவு மாதிரி ஒவ்வொரு மீதமுள்ள ε : துணை: நான் ஒரு சாதாரண விநியோகத்திலிருந்து சராசரி 0 உடன் உருவாக்கப்படுகிறது, மற்றும் (மிக முக்கியமாக தற்போதைய நோக்கங்களுக்காக) ஒரு நிலையான விலகலுடன் σ இது ஒவ்வொரு எஞ்சியத்திற்கும் ஒன்றாகும் . நடைமுறையில், ஒவ்வொரு எச்சமும் ஒரே மாதிரியாக விநியோகிக்கப்படுகிறது என்ற அனுமானத்தை சோதிக்க முடியாது. அதற்கு பதிலாக, நாம் அக்கறை கொள்வது என்னவென்றால், மீதமுள்ளவற்றின் நிலையான விலகல் *ŷ *இன் அனைத்து மதிப்புகளுக்கும் ஒரே மாதிரியாக இருக்கும், மேலும் (நாம் குறிப்பாக சித்தப்பிரமையாக இருந்தால்) மாதிரியில் உள்ள ஒவ்வொரு முன்கணிப்பாளரின் அனைத்து மதிப்புகளும்.

• தொடர்பில்லாத முன்னறிவிப்பாளர்கள். இங்கே சிந்தனை என்னவென்றால், பல பின்னடைவு மாதிரியில், உங்கள் முன்னறிவிப்பாளர்கள் ஒருவருக்கொருவர் மிகவும் வலுவாக தொடர்புபடுத்தப்படுவதை நீங்கள் விரும்பவில்லை. இது பின்னடைவு மாதிரியின் அனுமானம் “தொழில்நுட்ப ரீதியாக” அல்ல, ஆனால் நடைமுறையில் அது தேவைப்படுகிறது. ஒருவருக்கொருவர் மிகவும் வலுவாக தொடர்புபடுத்தப்பட்டுள்ள முன்னறிவிப்பாளர்கள் (“கோலினரிட்டி” என்று குறிப்பிடப்படுகிறார்கள்) மாதிரியை மதிப்பிடும்போது சிக்கல்களை ஏற்படுத்தும். பிரிவு: ref ஐப் பார்க்கவும்: COLINEARITY ஐச் சரிபார்க்கிறது <checking_colleinhity>.

• எச்சங்கள் ஒருவருக்கொருவர் சுயாதீனமாக உள்ளன. இது உண்மையில் ஒரு “அனைத்தையும் பிடிக்கவும்” அனுமானமாகும், இதன் விளைவாக “மீதமுள்ளவற்றில் வேறு எதுவும் இல்லை”. வித்தியாசமான ஒன்று இருந்தால் (எ.கா., எச்சங்கள் அனைத்தும் வேறு சில அளவிடப்படாத மாறியைப் பொறுத்தது) நடந்து கொண்டால், அது விசயங்களைத் திருகக்கூடும்.

• “மோசமான” வெளிநாட்டவர்கள் இல்லை. மீண்டும், உண்மையில் மாதிரியின் தொழில்நுட்ப அனுமானம் அல்ல (அல்லது மாறாக, இது மற்றவர்கள் அனைவராலும் குறிக்கப்பட்டுள்ளது), ஆனால் உங்கள் பின்னடைவு மாதிரி ஒன்று அல்லது இரண்டு முரண்பாடான தரவு புள்ளிகளால் மிகவும் வலுவாக பாதிக்கப்படவில்லை என்ற மறைமுக அனுமானம் உள்ளது, ஏனெனில் இது சில சந்தர்ப்பங்களில் மாதிரியின் போதுமான தன்மை மற்றும் தரவின் நம்பகத்தன்மை குறித்த கேள்விகளை எழுப்புகிறது. பிரிவு: ref ஐப் பார்க்கவும்: மூன்று வகையான முரண்பாடான தரவு <ஒழுங்கற்ற_டா>.