गुणांक सबसे निश्चित रूप से एक अर्थ है। कुछ सॉफ्टवेयर पैकेजों में मॉडल को दो प्रकार के गुणांक में से किसी एक के उत्पादन के लिए दो तरीकों से निर्देशित किया जा सकता है। उदाहरण के लिए, स्टैटा में, कोई भी लॉजिस्टिक कमांड या लॉजिट कमांड का उपयोग कर सकता है; एक का उपयोग करने में, मॉडल पारंपरिक गुणांक देता है, जबकि दूसरे का उपयोग करने में, मॉडल बाधाओं को देता है।
आप पा सकते हैं कि एक दूसरे की तुलना में आपके लिए अधिक सार्थक है।
आपके प्रश्न के बारे में कि "... गुणांक संवेदनशीलता पर निर्भर करता है ..."।
क्या आप कह रहे हैं कि परिणाम इस बात पर निर्भर करते हैं कि आपने मॉडल में कौन से चर डाले हैं?
यदि हां, तो यह प्रतिगमन विश्लेषण करते समय जीवन का एक तथ्य है। इसका कारण यह है कि प्रतिगमन विश्लेषण संख्याओं का एक गुच्छा देख रहा है और उन्हें स्वचालित तरीके से क्रंच कर रहा है।
परिणाम इस बात पर निर्भर करते हैं कि चर एक दूसरे से कैसे संबंधित हैं और किन चर नहीं मापा जाता है। यह एक विज्ञान जितना ही एक कला है।
इसके अलावा, अगर मॉडल में नमूना आकार की तुलना में बहुत अधिक भविष्यवाणियां हैं, तो संकेत पागल तरीके से चारों ओर घूम सकते हैं - मुझे लगता है कि यह कह रहा है कि मॉडल उन चर का उपयोग कर रहा है, जिनके प्रभाव को "समायोजित" करने के लिए एक छोटा सा प्रभाव है इसका बड़ा प्रभाव पड़ता है (जैसे छोटे अंशों को छोटा अंश बनाने के लिए)। जब ऐसा होता है, तो मैं छोटे प्रभावों के साथ चर पर भरोसा नहीं करता हूं।
दूसरी ओर, यह हो सकता है कि जब आप नए भविष्यवक्ताओं को जोड़ते हैं तो संकेत शुरू में बदल जाते हैं, क्योंकि आप कारण सत्य के करीब हो रहे हैं।
उदाहरण के लिए, यह कल्पना करने देता है कि ग्रीनलैंड ब्रांडी किसी के स्वास्थ्य के लिए खराब हो सकती है लेकिन आय किसी के स्वास्थ्य के लिए अच्छी है। यदि आय छोड़ी जाती है, और अधिक अमीर लोग ब्रांडी पीते हैं, तो मॉडल छोड़े गए आय प्रभाव को "उठा" सकता है और यह कह सकता है कि शराब आपके स्वास्थ्य के लिए अच्छा है।
इसके बारे में कोई संदेह नहीं है, यह जीवन का एक तथ्य है कि गुणांक अन्य चर पर निर्भर करता है जो शामिल हैं। अधिक जानने के लिए, "लोप किए गए परिवर्तनशील पूर्वाग्रह" और "सहज संबंध" देखें। यदि आपने पहले इन विचारों का सामना नहीं किया है, तो अपनी आवश्यकताओं को पूरा करने वाले सांख्यिकी पाठ्यक्रमों का परिचय खोजने का प्रयास करें - यह मॉडल करने में बहुत बड़ा अंतर ला सकता है।