जब बातचीत प्रभाव महत्वपूर्ण नहीं है तो मुख्य प्रभावों की व्याख्या कैसे करें?


21

मैंने आर में एक सामान्यीकृत रैखिक मिश्रित मॉडल चलाया और दो भविष्यवक्ताओं के बीच एक बातचीत प्रभाव शामिल किया। बातचीत महत्वपूर्ण नहीं थी, लेकिन मुख्य प्रभाव (दो भविष्यवक्ता) दोनों थे। अब कई पाठ्यपुस्तक के उदाहरण मुझे बताते हैं कि यदि बातचीत का एक महत्वपूर्ण प्रभाव है, तो मुख्य प्रभावों की व्याख्या नहीं की जा सकती है। लेकिन क्या होगा यदि आपकी बातचीत महत्वपूर्ण नहीं है?

क्या मैं यह निष्कर्ष निकाल सकता हूं कि दो भविष्यवक्ताओं की प्रतिक्रिया पर प्रभाव है? या एक नया मॉडल चलाना बेहतर है जहां मैं बातचीत छोड़ देता हूं? मैं ऐसा नहीं करना पसंद करता हूं, क्योंकि मुझे कई परीक्षण के लिए नियंत्रित करना होगा।


हां मेरा मतलब महत्वपूर्ण नहीं है
rozemarijn

4
यदि इनमें से एक उत्तर आपके लिए काम करता है, तो शायद आप इसे स्वीकार करें या स्पष्टीकरण का अनुरोध करें।
संयुक्ताक्षरी

यदि बातचीत महत्वपूर्ण नहीं है, तो आपको इसे छोड़ देना चाहिए और इसके बिना प्रतिगमन चलाना चाहिए।
अक्कल

जवाबों:


21

थोडा कुहनी मारना

'अब कई पाठ्यपुस्तक के उदाहरण मुझे बताते हैं कि यदि बातचीत का एक महत्वपूर्ण प्रभाव है, तो मुख्य प्रभावों की व्याख्या नहीं की जा सकती है'

मुझे उम्मीद है कि यह सच नहीं है। उन्हें यह कहना चाहिए कि यदि X और Z के बीच XZ कहे जाने वाला कोई इंटरेक्शन टर्म है, तो X और Z के लिए अलग-अलग गुणांक की व्याख्या उसी तरह से नहीं की जा सकती है जैसे कि XZ मौजूद नहीं थी। आप निश्चित रूप से इसकी व्याख्या कर सकते हैं।

प्रश्न 2

यदि बातचीत सैद्धांतिक समझ में आती है, तो इसे छोड़ने का कोई कारण नहीं है, जब तक कि किसी कारण के लिए सांख्यिकीय दक्षता के लिए चिंताएं मिसकैरेज के बारे में चिंताओं को ओवरराइड नहीं करती हैं और आपके सिद्धांत और आपके मॉडल को विचलन की अनुमति देती हैं।

यह देखते हुए कि आपने इसे छोड़ दिया है, तो अपने मॉडल को उसी तरह से सीमांत प्रभावों का उपयोग करके व्याख्या करें जैसे कि बातचीत महत्वपूर्ण थी। संदर्भ के लिए, मैं ब्रैंबर, क्लार्क और गॉर्डर (2006) के लिए एक लिंक शामिल करता हूं जो समझाता है कि इंटरैक्शन मॉडल की व्याख्या कैसे करें और आम नुकसान से कैसे बचें।

इसे इस तरह से सोचें: आपके पास अक्सर एक मॉडल में नियंत्रण चर होते हैं जो महत्वपूर्ण नहीं होते हैं, लेकिन आप लापता सितारों के पहले संकेत पर उन्हें काट नहीं सकते (या नहीं)।

प्रश्न 1

आप पूछते हैं कि क्या आप यह निष्कर्ष निकाल सकते हैं कि दो भविष्यवक्ताओं की प्रतिक्रिया पर प्रभाव पड़ता है? जाहिरा तौर पर आप कर सकते हैं, लेकिन आप भी बेहतर कर सकते हैं। बातचीत अवधि के साथ मॉडल के लिए आपको रिपोर्ट कर सकते हैं क्या प्रभाव दो भविष्यवक्ताओं वास्तव में है एक तरीका है कि है कि क्या बातचीत महत्वपूर्ण है, या मॉडल में भी मौजूद है के प्रति उदासीन है में निर्भर चर (सीमांत प्रभाव) पर।

तल - रेखा

यदि आप इंटरैक्शन को हटाते हैं तो आप मॉडल को फिर से निर्दिष्ट कर रहे हैं। यह कई कारणों, कुछ सैद्धांतिक और कुछ सांख्यिकीय के लिए एक उचित बात हो सकती है, लेकिन गुणांक की व्याख्या करना आसान बनाना उनमें से एक नहीं है।


2
ज़रूर। और यदि आप आर में हैं तो आपको effectsगणित के माध्यम से अपना काम करने की तुलना में पैकेज आसान लग सकता है , और अधिक जटिल मॉडल के सामान्यीकरण के लिए भी।
संयुक्ताक्षरी

1
आपकी निचली पंक्ति में यह निर्भर करता है कि आप 'आसान' से क्या मतलब है।
जॉन

Brambor, क्लार्क और Golder (2006) संदर्भ के लिए बहुत बहुत धन्यवाद! यह इंटरैक्शन मॉडल की व्याख्या करने में बहुत समझदारी है। ऐसे मॉडल में गुणांक की व्याख्या (या नहीं) करने के तरीके को समझने में बहुत उपयोगी ... बीटीडब्लू, पेपर एक इंटरनेट परिशिष्ट के साथ आता है: बहुक्रियात्मक सहभागिता मॉडल , जो चर्चा के एक बहुत ही उपयोगी अवलोकन के रूप में आता है।
Landroni

11

यदि आप बिना शर्त मुख्य प्रभाव चाहते हैं, तो हाँ, आप इंटरैक्शन शब्द के बिना एक नया मॉडल चलाना चाहते हैं क्योंकि यह इंटरैक्शन शब्द आपको अपने बिना शर्त मुख्य प्रभावों को सही ढंग से देखने की अनुमति नहीं देता है। वर्तमान बातचीत के साथ गणना किए गए मुख्य प्रभाव मुख्य प्रभावों से भिन्न होते हैं क्योंकि एक आम तौर पर उन्हें एनोवा जैसे कुछ में व्याख्या करता है। उदाहरण के लिए, एक तुच्छ और गैर-सांकेतिक बातचीत करना संभव है जब बातचीत मॉडल में होती है तो मुख्य प्रभाव स्पष्ट नहीं होंगे।

मान लीजिए कि आपके पास दो भविष्यवाणियां हैं, ए और बी। जब आप इंटरैक्शन शब्द शामिल करते हैं तो ए के परिमाण को बी और इसके विपरीत भिन्न होने की अनुमति है। ए के लिए प्रतिगमन आउटपुट में रिपोर्ट किए गए बीटा गुणांक तो कई संभावित मूल्यों में से एक है। डिफ़ॉल्ट उस स्थिति के लिए A के गुणांक का उपयोग करना है जब B 0 है और इंटरैक्शन टर्म 0. है, लेकिन, जब प्रतिगमन केवल additive है तो A को B में भिन्न होने की अनुमति नहीं है और आपको A के स्वतंत्र प्रभाव का मुख्य प्रभाव मिलेगा B. ये एक बहुत अलग मूल्य हो सकते हैं भले ही बातचीत तुच्छ हो क्योंकि उनका मतलब अलग-अलग चीजों से है। Additive मॉडल वास्तव में मुख्य प्रभाव का आकलन करने का एकमात्र तरीका है। दूसरी ओर, जब आपकी बातचीत सार्थक होती है (सैद्धांतिक रूप से, सांख्यिकीय रूप से नहीं) और आप इसे अपने मॉडल में रखना चाहते हैं, तो ए का आकलन करने का एकमात्र तरीका बी के स्तरों के पार देख रहा है। वास्तव में इस तरह की चीज पर आपको बातचीत के संबंध में विचार करना होगा, न कि ए महत्वपूर्ण है। आप केवल यह देख सकते हैं कि एडिटिव मॉडल में ए का बिना शर्त प्रभाव है या नहीं।

इसलिए, मॉडल बहुत अलग चीजों को देख रहे हैं और यह कई परीक्षण का मुद्दा नहीं है। आपको इसे दोनों तरीकों से देखना होगा । आप महत्व के आधार पर निर्णय नहीं लेते हैं। रिपोर्ट करने के लिए सबसे अच्छा मुख्य प्रभाव एडिटिव मॉडल से है। आप सैद्धांतिक मुद्दों, या डेटा प्रस्तुति मुद्दों, आदि के आधार पर गैर महत्वपूर्ण बातचीत को शामिल या प्रस्तुत करने पर निर्णय लेते हैं।

(यह कहने के लिए नहीं है कि यहां कोई संभावित कई परीक्षण मुद्दे नहीं हैं। लेकिन उनका क्या मतलब है कि परीक्षण चलाने वाले सिद्धांत पर बहुत अधिक निर्भर करता है।)


मुझे लगता है कि @ rozemarijn की चिंता 'फिशिंग ट्रिप्स' के बारे में अधिक है, यानी बहुत सारे मॉडल चल रहे हैं, जो एक फ़ंक्शन को अलग करते हैं कि पिछले एक के सितारे तकनीकी अर्थों में कई परीक्षणों के बजाय कैसे बदल सकते हैं
संयुक्ताक्षर

1
आप अपने इच्छित सभी मॉडल चला सकते हैं। किसी मॉडल की गणना करना एक परीक्षा नहीं है। एक परीक्षा एक तार्किक प्रक्रिया है, गणितीय नहीं। तथ्य यह है कि डिफ़ॉल्ट रूप से बहुत सारे सॉफ्टवेयर पैरामीटर अनुमानों के लिए पी-मान देते हैं जैसे कि आपने किसी प्रकार का परीक्षण किया था इसका मतलब यह नहीं है कि एक था।
जॉन

और ऊपर जो कहा गया था, उसे जोड़ने के लिए, एक अक्सर अक्सर अच्छी तरह से जानते हैं कि वे असफल होंगे या पास होंगे। उन परीक्षणों की गणना केवल आंकड़ों के हिसाब से की जाती है।
जॉन

7

यदि मुख्य प्रभाव महत्वपूर्ण हैं, लेकिन बातचीत नहीं है तो आप मुख्य प्रभावों की व्याख्या करते हैं, जैसा कि आपने सुझाया था।

आपको इंटरैक्शन के बिना दूसरे मॉडल को चलाने की आवश्यकता नहीं है (यह आम तौर पर महत्व के आधार पर मापदंडों को बाहर करने के लिए सबसे अच्छी सलाह नहीं है, इस पर चर्चा करने वाले कई उत्तर हैं)। जैसा वे हैं वैसा ही परिणाम लें।


1
क्या आप दूसरे पैराग्राफ में भी यही सलाह देंगे यदि ओपी ने संकेत दिया कि बातचीत सैद्धांतिक रूप से होने की उम्मीद नहीं थी लेकिन फिट टेस्ट की अच्छाई के रूप में मॉडल में शामिल किया गया था?
whuber

इन त्वरित प्रतिक्रियाओं के लिए आप सभी का बहुत-बहुत धन्यवाद। हालांकि राय में कुछ मतभेद प्रतीत होते हैं ... जॉन का तर्क है कि मुझे इंटरैक्शन प्रभाव के बिना एक नया मॉडल चलाना है क्योंकि "बातचीत के वर्तमान के साथ गणना की गई मुख्य प्रभाव वास्तविक मुख्य प्रभावों से अलग हैं।"
रोज़मेरीजन

हालांकि, हेनरिक का तर्क है कि मुझे एक नया मॉडल नहीं चलाना चाहिए। शायद मैं एक निर्णय ले सकता हूं अगर मुझे पता है कि बातचीत शब्द के साथ गणना की गई मुख्य प्रभाव सही मुख्य प्रभावों से अलग क्यों हैं ...
rozemarijn

प्रतिक्रिया देने के लिए बातचीत को सैद्धांतिक रूप से होने की उम्मीद थी और इसे फिट परीक्षण की अच्छाई के रूप में शामिल नहीं किया गया था।
रोजमेरीजन

1
थोड़ा विस्तार करने के लिए: मुख्य अंतर मापदंडों से प्रभावों के विचार के बीच है । प्रभाव एक पूरे के रूप में मॉडल की विशेषताएं हैं, जो विशेष मापदंडों के रूप में पहचाने जाने योग्य भी हो सकती हैं या नहीं भी। जब मॉडल रैखिक होता है और ऐसी कोई बातचीत नहीं होती है जिसे वे पहचान सकते हैं, लेकिन जब बातचीत होती है तो वे नहीं कर सकते हैं। मेरा दावा मूल रूप से यह है कि यदि आपको चुनने के लिए मजबूर किया जाता है, जैसा कि आप हैं, तो आपको मापदंडों के बारे में प्रभावों के बारे में अधिक ध्यान रखना चाहिए। और यदि आप ऐसा करते हैं, तो आपको अब परवाह नहीं है कि पूर्व को उत्पन्न करने के लिए आपको कितने बाद की आवश्यकता है।
संयुग्मीपिटियर
हमारी साइट का प्रयोग करके, आप स्वीकार करते हैं कि आपने हमारी Cookie Policy और निजता नीति को पढ़ और समझा लिया है।
Licensed under cc by-sa 3.0 with attribution required.