आपको यह सोचने की ज़रूरत है कि "सीमा" से आपका क्या मतलब है। सीमाएं हैं, जैसे कि जब आपके पास मामलों की तुलना में अधिक भविष्यवाणियां होती हैं, तो आप पैरामीटर अनुमान में मुद्दों में भाग लेते हैं (इस उत्तर के निचले हिस्से में थोड़ा आर सिमुलेशन देखें)।
हालांकि, मुझे लगता है कि आप सांख्यिकीय शक्ति और अच्छे सांख्यिकीय अभ्यास से संबंधित नरम सीमाओं के बारे में अधिक बात कर रहे हैं। इस मामले में "सीमा" की भाषा वास्तव में उचित नहीं है। बल्कि, बड़े नमूना आकार अधिक भविष्यवाणियों के लिए इसे और अधिक उचित बनाने के लिए करते हैं और कितने भविष्यवाणियों उचित है तर्क की निरंतरता पर पड़ता है। आप संबंधित कई प्रतिगमन में नमूना आकार के लिए अंगूठे के नियमों की चर्चा पा सकते हैं , क्योंकि अंगूठे के ऐसे कई नियम भविष्यवक्ताओं की संख्या का संदर्भ देते हैं।
कुछ बिंदु
- यदि आप व्यक्तिगत भविष्यवाणियों के सांख्यिकीय महत्व के साथ समग्र भविष्यवाणी के साथ अधिक चिंतित हैं, तो यह संभव है कि यदि आप व्यक्तिगत भविष्यवक्ताओं के सांख्यिकीय महत्व के साथ संबंध रखते हैं, तो इससे अधिक भविष्यवाणियों को शामिल करना उचित है।
- यदि आप एक विशिष्ट सांख्यिकीय मॉडल का परीक्षण करने से अधिक चिंतित हैं जो आपके शोध प्रश्न (जैसे, कई सामाजिक विज्ञान अनुप्रयोगों में आम है) से संबंधित है, तो संभवतः आपके पास विशेष भविष्यवक्ताओं सहित कारण हैं। हालाँकि, आपके पास चयनात्मक होने के अवसर भी हो सकते हैं जिनमें आप शामिल होने वाले भविष्यवक्ता होते हैं (जैसे, यदि आपके पास कई चर हैं जो एक समान निर्माण को मापते हैं, तो आप केवल उनमें से एक को शामिल कर सकते हैं)। सिद्धांत आधारित मॉडल परीक्षण करते समय, बहुत सारे विकल्प होते हैं, और निर्णय के बारे में जो भविष्यवाणी करने वालों को शामिल करने के लिए आपके सिद्धांत और अनुसंधान प्रश्न के बीच घनिष्ठ संबंध शामिल है।
- मैं अक्सर शोधकर्ताओं को प्रतिगमन गुणांक के महत्व परीक्षणों के लिए लागू किए जा रहे बोनफेरोनी सुधारों का उपयोग करते नहीं देखता। इसका एक वाजिब कारण यह हो सकता है कि शोधकर्ता मॉडल के समग्र गुणों को समझने में अधिक रुचि रखते हैं।
- यदि आप भविष्यवक्ताओं के सापेक्ष महत्व का आकलन करने में रुचि रखते हैं, तो मुझे भविष्यवक्ता और परिणाम के साथ-साथ भविष्यवक्ता और परिणाम के बीच संबंध का पता लगाने के लिए उपयोगी है, साथ ही साथ अन्य भविष्यवक्ताओं के लिए भविष्यवक्ता और परिणाम नियंत्रण के बीच संबंध भी। यदि आप कई भविष्यवाणियों को शामिल करते हैं, तो यह अक्सर अधिक संभावना है कि आप ऐसे पूर्वानुमानक शामिल करते हैं जो अत्यधिक अंतर्संबंधित हैं। ऐसे मामलों में, बीवरिएट और मॉडल आधारित महत्व सूचकांकों दोनों की व्याख्या उपयोगी हो सकती है, क्योंकि एक द्विभाजित अर्थ में एक चर महत्वपूर्ण अन्य सहसंबंधी भविष्यवक्ताओं द्वारा मॉडल में छिपा हो सकता है ( मैं लिंक के माध्यम से यहां इस पर अधिक विस्तार से बताता हूं )।
थोड़ा R सिमुलेशन
मैंने कई प्रतिगमन में नमूना आकार और पैरामीटर अनुमान के बीच संबंधों को उजागर करने के लिए यह छोटा सिमुलेशन लिखा था।
set.seed(1)
fitmodel <- function(n, k) {
# n: sample size
# k: number of predictors
# return linear model fit for given sample size and k predictors
x <- data.frame(matrix( rnorm(n*k), nrow=n))
names(x) <- paste("x", seq(k), sep="")
x$y <- rnorm(n)
lm(y~., data=x)
}
fitmodel
समारोह दो तर्क लेता n
नमूना आकार के लिए और k
भविष्यवक्ताओं की संख्या के लिए। मैं एक भविष्यवक्ता के रूप में निरंतर गिनती नहीं कर रहा हूं, लेकिन यह अनुमान है। मैं तो यादृच्छिक डेटा उत्पन्न करता है और एक प्रतिगमन मॉडल का अनुमान लगाता है जो k
पूर्ववर्ती चर से अय चर का अनुमान लगाता है और फिट लौटता है।
यह देखते हुए कि आपने अपने प्रश्न में उल्लेख किया है कि आप रुचि रखते थे कि क्या 10 भविष्यवाणियां बहुत अधिक हैं, निम्न फ़ंक्शन कॉल दिखाते हैं कि नमूना आकार 9, 10, 11 और 12 क्रमशः होने पर क्या होता है। यानी, नमूना आकार भविष्यवक्ताओं की संख्या की तुलना में दो से अधिक होने की संभावना से कम है
summary(fitmodel(n=9, k=10))
summary(fitmodel(n=10, k=10))
summary(fitmodel(n=11, k=10))
summary(fitmodel(n=12, k=10))
> सारांश (फिटमॉडल (n = 9, k = 10))
Call:
lm(formula = y ~ ., data = x)
Residuals:
ALL 9 residuals are 0: no residual degrees of freedom!
Coefficients: (2 not defined because of singularities)
Estimate Std. Error t value Pr(>|t|)
(Intercept) -0.31455 NA NA NA
x1 0.34139 NA NA NA
x2 -0.45924 NA NA NA
x3 0.42474 NA NA NA
x4 -0.87727 NA NA NA
x5 -0.07884 NA NA NA
x6 -0.03900 NA NA NA
x7 1.08482 NA NA NA
x8 0.62890 NA NA NA
x9 NA NA NA NA
x10 NA NA NA NA
Residual standard error: NaN on 0 degrees of freedom
Multiple R-squared: 1, Adjusted R-squared: NaN
F-statistic: NaN on 8 and 0 DF, p-value: NA
नमूना आकार भविष्यवक्ताओं की संख्या से कम है। केवल 9 मापदंडों का अनुमान लगाना संभव है, जिनमें से एक निरंतर है।
> सारांश (फिटमॉडल (n = 10, k = 10))
Call:
lm(formula = y ~ ., data = x)
Residuals:
ALL 10 residuals are 0: no residual degrees of freedom!
Coefficients: (1 not defined because of singularities)
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.1724 NA NA NA
x1 -0.3615 NA NA NA
x2 -0.4670 NA NA NA
x3 -0.6883 NA NA NA
x4 -0.1744 NA NA NA
x5 -1.0331 NA NA NA
x6 0.3886 NA NA NA
x7 -0.9886 NA NA NA
x8 0.2778 NA NA NA
x9 0.4616 NA NA NA
x10 NA NA NA NA
Residual standard error: NaN on 0 degrees of freedom
Multiple R-squared: 1, Adjusted R-squared: NaN
F-statistic: NaN on 9 and 0 DF, p-value: NA
नमूना आकार भविष्यवक्ताओं की संख्या के समान है। केवल 10 मापदंडों का अनुमान लगाना संभव है, जिनमें से एक निरंतर है।
> सारांश (फिटमॉडल (n = 11, k = 10))
Call:
lm(formula = y ~ ., data = x)
Residuals:
ALL 11 residuals are 0: no residual degrees of freedom!
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -0.9638 NA NA NA
x1 -0.8393 NA NA NA
x2 -1.5061 NA NA NA
x3 -0.4917 NA NA NA
x4 0.3251 NA NA NA
x5 4.4212 NA NA NA
x6 0.7614 NA NA NA
x7 -0.4195 NA NA NA
x8 0.2142 NA NA NA
x9 -0.9264 NA NA NA
x10 -1.2286 NA NA NA
Residual standard error: NaN on 0 degrees of freedom
Multiple R-squared: 1, Adjusted R-squared: NaN
F-statistic: NaN on 10 and 0 DF, p-value: NA
नमूना आकार भविष्यवक्ताओं की संख्या से एक अधिक है। सभी मापदंडों का अनुमान है जिसमें स्थिरांक शामिल है।
> सारांश (फिटमॉडल (n = 12, k = 10))
Call:
lm(formula = y ~ ., data = x)
Residuals:
1 2 3 4 5 6 7 8 9 10 11
0.036530 -0.042154 -0.009044 -0.117590 0.171923 -0.007976 0.050542 -0.011462 0.010270 0.000914 -0.083533
12
0.001581
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.14680 0.11180 1.313 0.4144
x1 0.02498 0.09832 0.254 0.8416
x2 1.01950 0.13602 7.495 0.0844 .
x3 -1.76290 0.26094 -6.756 0.0936 .
x4 0.44832 0.16283 2.753 0.2218
x5 -0.76818 0.15651 -4.908 0.1280
x6 -0.33209 0.18554 -1.790 0.3244
x7 1.62276 0.21562 7.526 0.0841 .
x8 -0.47561 0.18468 -2.575 0.2358
x9 1.70578 0.31547 5.407 0.1164
x10 3.25415 0.46447 7.006 0.0903 .
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 0.2375 on 1 degrees of freedom
Multiple R-squared: 0.995, Adjusted R-squared: 0.9452
F-statistic: 19.96 on 10 and 1 DF, p-value: 0.1726
नमूना आकार भविष्यवक्ताओं की संख्या से दो अधिक है, और अंत में समग्र मॉडल के फिट होने का अनुमान लगाना संभव है।