मेरे द्वारा सुझाए गए पहले चरण में प्रत्येक कक्षा के लिए एक डमी चर पेश किया जाएगा (देखें https://www.google.com/url?sa=t&source=web&rct=j&ei=B9r5U67pH8v8ASwq4GADQ&url=http://www.uta .edu / संकाय / kunovich / Soci5304_Handouts / विषय% 25208_Dummy% 2520Variables.doc और सीडी = 2 & वेद = 0CCAQFjAB और यूएसजी = AFQjCNEX-TD7RjSYZ-ej32_5tgPTxVVdvQ और sig2 = 9hkDU6Y2mpKcGzBTIK8jog ) और डमी चर प्रतिगमन विश्लेषण से संबंधित साधन साजिश। आप स्वयं डमी चर में एक प्रवृत्ति के लिए भी परीक्षण कर सकते हैं। यदि आप ऐसा करने के लिए एक पूर्व (वर्तमान डेटा को देखने के लिए) औचित्य है, तो आप बाद के विश्लेषण के लिए डमी चर के संबंधित अनुमानित परिमाण के अनुसार क्रमिक चर श्रेणी को भी फिर से आदेश देते हैं।
पूर्व विश्लेषण मानते हुए एक बढ़ती प्रवृत्ति प्रभाव (आवश्यक रूप से रैखिक नहीं) को याद कर रहा है और किसी भी सहायक क्रम को क्रमिक चर में ही समाहित कर रहा है, एक दिलचस्प दृष्टिकोण जो संभव सामान्यता के मुद्दों को भी संबोधित करता है, एक प्रतिगमन विश्लेषण करना है जिसमें सभी चर को सौंपा गया है, क्रमिक चर सहित। स्पीयरमैन के रैंक सहसंबंध गुणांक (लिंक: http://en.m.wikipedia.org/wiki/Spearman 's_rank_correlation_coefficient: इस पागलपन के लिए एक तर्क, विकिपीडिया से उद्धृत करने के लिए
"स्पीयरमैन का गुणांक, किसी भी सहसंबंध की गणना की तरह, निरंतर और असतत चर दोनों के लिए उपयुक्त है, जिसमें मुख्य चर भी शामिल हैं। [1] [2]"
विकिपीडिया एक उदाहरण और परीक्षण के लिए गणना रैंक सहसंबंध की मानक त्रुटि का आकलन करने के कई तरीके प्रस्तुत करता है। ध्यान दें, यदि यह शून्य से सांख्यिकीय रूप से भिन्न नहीं है, तो रैंक के आधार पर एक गणना प्रतिगमन की तरह, एक स्केल संस्करण, समान रूप से महत्वपूर्ण नहीं है।
मैं इन रैंकों को और सामान्य करूँगा (अवलोकनों की संख्या से विभाजित करना), संभव नमूना मात्रात्मक व्याख्या देना (ध्यान दें, प्रश्न में डेटा के लिए अनुभवजन्य वितरण के निर्माण में संभव परिशोधन हैं)। मैं y और किसी दिए गए रूपांतरित परिवर्तनशील चर के बीच एक सरल सहसंबंध भी करूँगा ताकि आपकी चयनित रैंकिंग की दिशा (उदाहरण के लिए, 1 से 4 बनाम 4 से 1), रैंक सहसंबंध के लिए एक संकेत पैदा करे, जिसका संदर्भ में सहज अर्थ हो। अपने अध्ययन के
[संपादित करें] कृपया ध्यान दें कि एनोवा मॉडल उचित डिजाइन मैट्रिक्स के साथ प्रतिगमन प्रारूप में प्रस्तुत किया जा सकता है, और आप जो भी मानक प्रतिगमन मॉडल की जांच करते हैं, केंद्रीय विषय वाई दिया एक्स का एक मतलब आधारित विश्लेषण है। हालांकि, पारिस्थितिकी जैसे कुछ विषयों में, मध्यिका सहित विभिन्न मात्राओं पर निहित प्रतिगमन संबंधों पर एक अलग ध्यान केंद्रित फलदायी साबित हुआ है। पारिस्थितिकी में स्पष्ट रूप से प्रभाव छोटे हो सकते हैं, लेकिन जरूरी नहीं कि अन्य मात्राओं में भी ऐसा हो। इस क्षेत्र को मात्रात्मक प्रतिगमन कहा जाता है। मेरा सुझाव है कि आप इसे अपने वर्तमान विश्लेषण के पूरक के रूप में नियोजित करेंगे। संदर्भ के रूप में, आपको एसएएस इंस्टीट्यूट में कॉलिन (लिन) चेन द्वारा पेपर 213-30, "एन इंट्रोडक्शन टू क्वांटाइल रिग्रेशन एंड क्वांट्रीग प्रोसेस" मिल सकता है।
यहां रोनाल्ड एल। इमान और डब्लू जे कोन द्वारा रैंक ट्रांसफॉर्म के उपयोग पर एक स्रोत है: "रैंक ट्रांसफॉर्मेशन ऑफ रिग्रेशन", टेक्नोमेट्रिक्स, वॉल्यूम 21, नंबर 4, नवंबर, 1979 में प्रकाशित। लेख में इस नोट्स को शामिल किया गया है: नियोजित रैंक परिवर्तन, मोनोटोनिक डेटा पर काफी अच्छी तरह से काम करते हैं। यह राय विश्वसनीयता पेशेवरों द्वारा भी साझा की जाती है, जो एक ऑनलाइन पत्रिका पर राज्य करते हैं, उद्धृत करने के लिए: "रैंक प्रतिगमन अनुमान विधि उन कार्यों के लिए काफी अच्छी है जिन्हें रैखिक किया जा सकता है"। स्रोत: "विश्वसनीयता हॉटवायर, अंक 10, दिसंबर, 2010।