Exponentiate - कमांड - इन - stata - विदेशी मुद्रा

डिजिटल रिसर्च और एजुकेशन स्टेटा इंस्टीट्यूट फॉर डिजिटल इंस्टीट्यूट्स के लिए आपका स्वागत है उपस्कर पुनरावृत्ति संस्करण जानकारी: इस पेज के लिए स्ट्रैट 12 में कोड का परीक्षण किया गया था। तर्कसंगत प्रतिगमन, जिसे लेटीट मॉडल कहा जाता है, का उपयोग द्विरूपता परिणाम चर मॉडल के लिए किया जाता है। लॉगिट मॉडल में परिणाम के लॉग बाधाओं को भविष्यवाचक चर का एक रैखिक संयोजन के रूप में देखा जाता है। कृपया ध्यान दें: इस पृष्ठ का उद्देश्य यह दिखा रहा है कि विभिन्न डेटा विश्लेषण आदेशों का उपयोग कैसे करें। इसमें अनुसंधान प्रक्रिया के सभी पहलुओं को शामिल नहीं किया जाता है जो शोधकर्ताओं को करना अपेक्षित है। विशेष रूप से, इसमें डेटा सफाई और जांच, मान्यताओं का सत्यापन, मॉडल निदान और संभावित अनुवर्ती विश्लेषण शामिल नहीं हैं। रिक्तिगत प्रतिगमन के उदाहरण उदाहरण 1: मान लीजिए कि हम उन कारकों में रुचि रखते हैं जो एक राजनीतिक उम्मीदवार को चुनाव जीतते हैं या नहीं। परिणाम (प्रतिक्रिया) चर द्विआधारी (01) जीत या हार है ब्याज की भविष्यवाचक चर इस अभियान पर खर्च किए गए धन की राशि है, नकारात्मक खर्च करने के लिए समय व्यतीत किया गया है और चाहे उम्मीदवार एक पदाधिकारी है या नहीं। उदाहरण 2: स्नातक विद्यालय में प्रवेश के लिए स्नातक संस्थान की प्रतिष्ठा, जीआरए (ग्रेजुएट रिकॉर्ड एग्जाम स्कोर), जीपीए (ग्रेड पॉइंट औसत) और प्रतिष्ठा, चर के रूप में कैसे एक शोधकर्ता रुचि रखता है प्रतिक्रिया चर, admitdont प्रवेश, एक द्विआधारी चर है डेटा का विवरण नीचे हमारे डेटा विश्लेषण के लिए, हम स्नातक विद्यालय में आने के बारे में उदाहरण 2 पर विस्तार करने जा रहे हैं। हमने काल्पनिक डेटा तैयार किया है, जो हमारी वेबसाइट से प्राप्त किया जा सकता है। इस डेटा सेट में बाइनरी रिस्पॉन्स (परिणाम, आश्रित) चर नामांकित है तीन भविष्यवक्ता चर: ग्रीक हैं। जीपीए और रैंक हम वैरिएबल ग्रीक और जीपीए को सतत के रूप में मानेंगे। चर रैंक 1 से 4 के मूल्यों पर ले जाता है। 1 के रैंक वाले संस्थानों में सर्वोच्च प्रतिष्ठा है, जबकि 4 रैंक वाले लोग सबसे कम हैं। जिन विश्लेषण विधियों पर आप विचार कर सकते हैं, वे नीचे दिए गए कुछ विश्लेषण विधियों की सूची है सूचीबद्ध कुछ विधियां काफी उचित हैं, जबकि अन्य ने या तो पक्षपात से बाहर हो या सीमाएं हैं उपन्यास प्रतिगमन, इस पृष्ठ का फ़ोकस। प्रतिगमन को चालू करें प्रोबिट विश्लेषण से परिणाम समान रसद प्रतिगमन उत्पन्न होगा। प्रॉफिट बनाम लॉगटी का विकल्प व्यक्तिगत प्राथमिकताएं पर निर्भर करता है। ओएलएस प्रतिगमन जब द्विआधारी प्रतिक्रिया चर के साथ प्रयोग किया जाता है, तो यह मॉडल एक रैखिक संभावना मॉडल के रूप में जाना जाता है और सशर्त संभावनाओं का वर्णन करने के लिए एक तरीका के रूप में उपयोग किया जा सकता है। हालांकि, रैखिक संभावना मॉडल से त्रुटियों (अर्थात शेष) ओएलएस प्रतिगमन के गलतियों की गलतियों के समरूपता और सामान्यता का उल्लंघन करती है, जिसके परिणामस्वरूप अमान्य मानक त्रुटियों और परिकल्पना परीक्षण होते हैं। रैखिक संभावना मॉडल के साथ इन और अन्य समस्याओं की अधिक गहन चर्चा के लिए, लांग (1997, पृष्ठ 38-40) देखें। दो-समूह भेदभाव समारोह विश्लेषण द्विपातिक परिणाम चर के लिए एक बहुभिन्नरूपी विधि Hotellings T 2. 01 परिणाम समूह चर में बदल गया है, और पूर्व predictors परिणाम चर में बदल रहे हैं। यह महत्व का एक समग्र परीक्षण का उत्पादन करेगा, लेकिन प्रत्येक चर के लिए अलग-अलग गुणांक नहीं देगा, और यह स्पष्ट नहीं है कि प्रत्येक उद्धरण चिह्न को अन्य उद्धरणकर्ताओं के प्रभाव के लिए समायोजित किया जाता है। प्रश्नोत्तर उप-प्रतिगमन नीचे हम अनुमान लगाने के लिए लॉगिट कमांड का उपयोग करते हैं रसद प्रतिगमन मॉडल मैं रैंक से पहले यह इंगित करता है कि रैंक एक कारक वैरिएबल (यानि स्पष्ट वैरिएबल) है, और यह मॉडल में सूचक चर की एक श्रृंखला के रूप में शामिल किया जाना चाहिए। ध्यान दें कि यह सिंटैक्स स्टैटा 11 में पेश किया गया था। ऊपर दिए गए आउटपुट में, हम पहले चलने वाले लॉग को देखते हैं, यह इंगित करता है कि मॉडल को कितनी तेजी से इकट्ठा किया गया। लॉग संभावना (-22 9.25875) नेस्टेड मॉडलों की तुलना में इस्तेमाल किया जा सकता है, लेकिन हम इसके उदाहरण का एक उदाहरण नहीं दिखाते हैं। इसके अलावा आउटपुट के शीर्ष पर हम देखते हैं कि हमारे डेटा सेट के सभी 400 निरीक्षणों का उपयोग विश्लेषण में किया गया था (हमारे अवलोकनों में से कोई भी वैल्यू नहीं है अगर कम अवलोकन प्रयोग किया गया होता) 0.000101 की पी-मान के साथ 41.46 की संभावना अनुपात ची स्क्वायर हमें बताता है कि एक पूरे के रूप में हमारा मॉडल खाली मॉडल (यानी कोई पूर्वानुमान नहीं वाला मॉडल) से काफी बेहतर फिट बैठता है। तालिका में हम गुणांक, उनकी मानक त्रुटियों, जेड-आंकड़े, संबद्ध पी-मान, और गुणकों के 95 आत्मविश्वास अंतराल को देखते हैं। दोनों ग्रे और जीपीए सांख्यिकीय रूप से महत्वपूर्ण हैं, क्योंकि रैंक के लिए तीन सूचक चर हैं। तर्कसंगत प्रतिगमन गुणांक, भविष्यवाचक चर में एक इकाई वृद्धि के लिए परिणाम के लॉग बाधाओं में परिवर्तन देता है। हर एक यूनिट में बदलाव के लिए gre प्रवेश के प्रवेश अंतर (बनाम गैर-प्रवेश) 0.002 से बढ़ता है। जीपीए में एक इकाई की वृद्धि के लिए 0.804 से ग्रैजुएट स्कूल बढ़ने के लिए भर्ती होने की लॉग बाधाएं रैंक के लिए सूचक चर एक थोड़ा अलग व्याख्या है। उदाहरण के लिए, 2 के रैंक के साथ एक स्नातक संस्था में भाग लेना, 1 की रैंक वाली संस्था बनाम, 0.675 से प्रवेश के बावजूद प्रवेश घटता है। हम टेस्ट कमान का उपयोग करके रैंक के संपूर्ण प्रभाव के लिए परीक्षण कर सकते हैं। नीचे हम देखते हैं कि रैंक का समग्र प्रभाव सांख्यिकीय रूप से महत्वपूर्ण है। हम रैंक के विभिन्न स्तरों के लिए गुणांकों में अंतर के बारे में अतिरिक्त अनुमानों का परीक्षण भी कर सकते हैं। नीचे हम परीक्षण करते हैं कि रैंक 2 के गुणांक रैंक 3 के लिए गुणांक के बराबर है। (ध्यान दें कि यदि हम इस अंतर का अनुमान लगा देना चाहते हैं, तो हम लिंक्स कमांड का उपयोग करके ऐसा कर सकते हैं।) आप गुणांकों को भी व्याख्या कर सकते हैं और उन्हें अंतर के रूप में व्याख्या कर सकते हैं - ratios। यदि आप या विकल्प का उपयोग करते हैं तो स्ताट आपके लिए यह गणना करेगा, नीचे सचित्र। आप लॉजिस्टिक कमांड का भी उपयोग कर सकते हैं अब हम यह कह सकते हैं कि जीपीए में एक यूनिट में वृद्धि। स्नातक विद्यालय में भर्ती होने के बावजूद (भ्रामक नहीं होने के कारण) 2.23 कारक की वृद्धि हुई। बाधाओं के अनुपात की व्याख्या के बारे में अधिक जानकारी के लिए हमारा सामान्य प्रश्न पृष्ठ देखें मैं तर्कसंगत प्रतिगमन में अंतर अनुपात कैसे समझाऊँ? मॉडल को समझने में आपकी सहायता के लिए आप अनुमानित संभाव्यताओं का भी उपयोग कर सकते हैं। आप मार्जिन कमांड का उपयोग करके भविष्यवाणी की संभावनाओं की गणना कर सकते हैं, जो स्टेटा 11 में पेश किया गया था। नीचे हम रैंक के प्रत्येक स्तर पर प्रवेश की भविष्यवाणी की संभावना की गणना के लिए मार्जिन कमांड का उपयोग करते हैं। मॉडल में अपने सभी तरीकों को अपने साधनों पर रखते हुए पूर्वानुमानित संभावनाओं की गणना करने के लिए मार्जिन कमांड का उपयोग करने के बारे में अधिक जानकारी के लिए, हमारे पेज को भविष्यवाणी की संभावनाओं के लिए मार्जिन का उपयोग करना देखें। उपरोक्त आउटपुट में हम देखते हैं कि स्नातक कार्यक्रम में स्वीकार किए जाने की भविष्यवाणी की संभाव्यता उच्चतम प्रतिष्ठा स्नातक संस्थानों (रैंक 1) के लिए 0.51 है, और निम्नतम रैंक वाली संस्थानों (रैंक 4) के लिए 0.18 है, जो उनके माध्यम से ग्रीक और जीपी को धारण करती है नीचे हम ग्रेट के मूल्यों के लिए 200 से 800 की वृद्धि के लिए भविष्यवाणी की संभावनाएं उत्पन्न करते हैं। क्योंकि हमने या तो अन्य अनुमान वाले चर के साथ मान निर्दिष्ट करने के लिए या तो atmeans निर्दिष्ट नहीं किए हैं या प्रयोग किया जाता है, तालिका में मान हैं औसत अनुमानित संभाव्यता, अन्य पूर्वानुमानकर्ता चर के नमूना मूल्यों का उपयोग करके गणना की गई है। उदाहरण के लिए, औसत पूर्वानुमानित संभावना की गणना करने के लिए जब gre 200, अनुमानित संभावना प्रत्येक मामले के लिए गणना की गई थी, उस स्थिति का उपयोग करके रैंक और जीपीए के मान उपरोक्त तालिका में हम देख सकते हैं कि स्वीकार्य होने की संभावना का मतलब केवल 0.167 है अगर जीआरई स्कोर 200 है और 0.414 हो जाता है, यदि जीआरई स्कोर 800 (जीपीए और रैंक के नमूना मूल्यों में औसत )। मॉडल को प्रस्तुत करने और समझने के लिए पूर्वानुमानित संभावनाओं के ग्राफ का उपयोग करने के लिए भी उपयोगी हो सकता है। हम यह भी देख सकते हैं कि हमारे मॉडल को कितनी अच्छी तरह फिट बैठता है। प्रतिस्पर्धा मॉडल की तुलना करते समय यह विशेष रूप से उपयोगी हो सकता है उपयोगकर्ता द्वारा लिखित कमान फिटस्टैट विभिन्न प्रकार के फिट आँकड़े बनाती है Findst fitstat टाइप करके फिटस्टेट पर अधिक जानकारी प्राप्त कर सकते हैं (देखें कि मैं प्रोग्राम को खोजने के लिए कैसे खोजी कमांड का उपयोग कर सकता हूं और खोज के उपयोग के बारे में अधिक जानकारी के लिए अतिरिक्त सहायता प्राप्त कर सकता हूं)। रिक्त कोशिकाओं या छोटे कक्षों पर विचार करने के लिए चीजें: स्पष्ट पूर्वानुमानियों और परिणाम चर के बीच क्रॉसस्टैब करके खाली या छोटे कक्षों की जांच करनी चाहिए। यदि एक कक्ष में बहुत कम मामलों (एक छोटा सेल) है, तो मॉडल अस्थिर हो सकता है या यह बिल्कुल भी नहीं चल सकता है। पृथक्करण या अर्ध-पृथक्करण (जिसे पूर्ण भविष्यवाणी भी कहा जाता है), ऐसी स्थिति जिसमें परिणाम स्वतंत्र चर के कुछ स्तरों पर भिन्न नहीं होता है। हमारा पृष्ठ अक्सर पूछे जाने वाले प्रश्न: लॉगिस्टिकप्रोबिट प्रतिगमन में पूरा या अर्ध-पूर्ण जुदाई क्या है और हम सही भविष्यवाणियों के साथ मॉडल के बारे में जानकारी के लिए कैसे व्यवहार करते हैं। नमूना आकार: लॉजिट और प्रोबिट मॉडल दोनों में ओएलएस प्रतिगमन की तुलना में अधिक मामलों की आवश्यकता होती है क्योंकि वे अधिकतम संभावना अनुमान तकनीकों का उपयोग करते हैं। डेटासेट में द्विआधारी परिणामों के लिए मॉडल का अनुमान लगाने के लिए कभी-कभी संभव है, सटीक रिक्तियां रिग्रेसन (एक्सलोगिस्टिक कमांड का उपयोग करके) का उपयोग करके केवल कुछ ही मामलों में। अधिक जानकारी के लिए सटीक रसद प्रतिगमन के लिए हमारा डेटा विश्लेषण उदाहरण देखें। यह भी ध्यान में रखना महत्वपूर्ण है कि जब परिणाम दुर्लभ होता है, भले ही संपूर्ण डाटासेट बड़ा हो, तो लॉग-इन मॉडल का आकलन करना मुश्किल हो सकता है। छद्म - R - वर्ग: psuedo-R - squared के कई अलग-अलग उपाय मौजूद हैं। वे सभी को ओएलएस प्रतिगमन में आर-स्क्ववर्ड द्वारा प्रदान की गई जानकारी के समान जानकारी प्रदान करने का प्रयास करते हैं, हालांकि उनमें से कोई भी ठीक से व्याख्या नहीं की जा सकती है क्योंकि ओएलएस प्रतिगमन में आर-स्क्वायर व्याख्या की गई है। विभिन्न छद्म-आर-स्क्वेर के बारे में चर्चा के लिए लांग एंड फ्रेज़ (2006) या हमारे अकसर किये गए पृष्ठ देखें छद्म आर-स्क्वेयर डायग्नॉस्टिक्स क्या हैं: ओलएस प्रतिगमन के लिए उन लोगों से अलग-अलग तर्कसंगत प्रतिगमन निदान है रिक्तिगत प्रतिगमन के लिए मॉडल निदान के बारे में चर्चा के लिए, होस्मर और लेमेसो (2000, अध्याय 5) देखें। नोट करें कि तर्कविद् प्रतिगमन के लिए किए गए नैदानिक ​​प्रोबेट प्रतिगमन के लिए किए गए समान हैं। स्ताट में, 0 के मान को परिणाम वैरिएबल के एक स्तर के रूप में माना जाता है, और अन्य सभी गैर-अनुपलब्ध मान को परिणाम के दूसरे स्तर के रूप में माना जाता है। क्लस्टर डाटा: कभी-कभी टिप्पणियों के समूह में क्लस्टर होता है (उदाहरण के लिए, परिवारों के भीतर, कक्षाओं के अंदर के छात्र)। ऐसे मामलों में, आप क्लस्टर के अंतर्गत हमारे पेज को गैर-आजादी पर देखना चाह सकते हैं। सन्दर्भ होस्मर, डी। लेमेसो, एस (2000)। व्यावहारिक उपस्कर प्रतिगमन (द्वितीय संस्करण) न्यूयॉर्क: जॉन विले सन्स, इंक लांग, जे स्कॉट, फ्रेज़, जेरेमी (2006)। स्टेटा (सेकेंड एडीशन) का उपयोग करते हुए कम्पेरिस्ट आश्रित चर के लिए प्रतिगमन मॉडल कॉलेज स्टेशन, टेक्सास: स्टेटा प्रेस लांग, जे स्कॉट (1 99 7) श्रेणीबद्ध और सीमित निर्भर चर के लिए प्रतिगमन मॉडल हजार ओक्स, सीए: ऋषि प्रकाशन इस वेब साइट की सामग्री को कैलिफ़ोर्निया विश्वविद्यालय द्वारा किसी विशेष वेब साइट, किताब या सॉफ़्टवेयर उत्पाद के समर्थन के रूप में नहीं समझा जाना चाहिए। डिजिटल रिसर्च और एजुकेशन स्टेटा इंस्टीट्यूट फॉर डिजिटल रिसर्च के उदाहरणों में आपका स्वागत है पॉसॉन रिग्रेसन संस्करण जानकारी: कोड के लिए यह पृष्ठ स्टेटा 12 में परीक्षण किया गया था। पॉसॉन प्रतिगमन गिनती चर को मॉडल के लिए प्रयोग किया जाता है। कृपया ध्यान दें: इस पृष्ठ का उद्देश्य यह दिखाना है कि विभिन्न डेटा विश्लेषण आदेशों का उपयोग कैसे करें। इसमें अनुसंधान प्रक्रिया के सभी पहलुओं को शामिल नहीं किया जाता है जो शोधकर्ताओं को करना अपेक्षित है। विशेष रूप से, इसमें डेटा की सफाई और जांच, मान्यताओं का सत्यापन, मॉडल निदान या संभावित अनुवर्ती विश्लेषण शामिल नहीं हैं पॉसों प्रतिगमन के उदाहरण उदाहरण 1। प्रति वर्ष प्रशियाई सेना में खच्चर या घोड़े की मार से मारने वाले व्यक्तियों की संख्या। लादीस्लाव ब्रॉटेकॉइसिक्स ने प्रीज़िसचेन स्टेटिस्टिक के 20 खंडों से डेटा एकत्र किया। ये आंकड़े 20 वर्ष के अंत में 1800 के अंत में प्रशिया सेना के 10 कोर पर एकत्र किए गए थे। उदाहरण 2. किराने की दुकान पर आपके सामने लाइन में लोगों की संख्या। भविष्यवाणियों में वर्तमान में एक विशेष रियायती कीमत पर की जाने वाली वस्तुओं की संख्या शामिल हो सकती है और क्या एक विशेष कार्यक्रम (उदा। एक अवकाश, एक बड़ा स्पोर्टिंग इवेंट) तीन या उससे कम दिन दूर है। उदाहरण 3. एक उच्च विद्यालय में छात्रों द्वारा अर्जित पुरस्कारों की संख्या। अर्जित किए गए पुरस्कारों की संख्या के आधार पर प्रोग्राम का प्रकार शामिल है जिसमें छात्र को नामांकित किया गया था (जैसे, व्यावसायिक, सामान्य या अकादमिक) और गणित की अपनी अंतिम परीक्षा में स्कोर। डेटा का विवरण उदाहरण के प्रयोजन के लिए, हमने उपरोक्त उदाहरण 3 के लिए एक डेटा सेट सिम्युलेटेड किया है। इस उदाहरण में, numawards परिणाम चर है और एक साल में एक हाई स्कूल में छात्रों द्वारा अर्जित पुरस्कार की संख्या इंगित करता है, गणित एक सतत भविष्यवक्ता चर और उनके गणित अंतिम परीक्षा में छात्रों के स्कोर का प्रतिनिधित्व करता है, और ठेला एक स्पष्ट भविष्यवक्ता चर है तीन स्तरों के कार्यक्रम के प्रकार को इंगित करते हुए जिसमें छात्रों को नामांकित किया गया था डेटा को लोड करने और कुछ वर्णनात्मक आँकड़े देखकर शुरू करते हैं। प्रत्येक चर 200 मान्य टिप्पणियां हैं और उनके वितरण काफी उचित लगते हैं। इस विशेष रूप से हमारे परिणाम चर का बिना शर्त अर्थ और विचरण अत्यंत अलग नहीं हैं। इस डेटासेट में वेरिएबल्स के हमारे विवरण के साथ जारी रखें। नीचे दी गई तालिका प्रोग्राम प्रकार से औसत संख्या के पुरस्कारों को दिखाती है और लगता है कि कार्यक्रम का प्रकार पुरस्कारों की संख्या का अनुमान लगाने के लिए एक अच्छा उम्मीदवार है, हमारा परिणाम चर, क्योंकि परिणाम का मतलब मूल्य ठेस से भिन्न होता है जिन विश्लेषण विधियों पर आप विचार कर सकते हैं, वे नीचे दिए गए कुछ विश्लेषण विधियों की सूची है सूचीबद्ध कुछ विधियां काफी उचित हैं, जबकि अन्य ने या तो पक्षपात से बाहर हो या सीमाएं हैं पॉसों का प्रतिगमन - पॉसॉन प्रतिगमन अक्सर मॉडलिंग गणना डेटा के लिए उपयोग किया जाता है। पॉसों का प्रतिगमन गिनती मॉडल के लिए उपयोगी कई एक्सटेंशन है। नकारात्मक द्विपदीय प्रतिगमन - नकारात्मक द्विपदीय प्रतिगमन को अधिक फैलाने वाले गिनती आंकड़ों के लिए इस्तेमाल किया जा सकता है, ऐसा तब होता है जब सशर्त विचरण सशर्त माध्य से अधिक हो जाता है। इसे पॉसॉन प्रतिगमन के सामान्यीकरण के रूप में माना जा सकता है क्योंकि पॉसों प्रतिगमन के समान ही इसका मतलब संरचना है और इसमें अधिक फैलाव के मॉडल के लिए एक अतिरिक्त पैरामीटर है। यदि परिणाम चर का सशर्त वितरण अधिक से अधिक फैला हुआ है, तो नकारात्मक द्विपदीय प्रतिगमन के लिए आत्मविश्वास अंतराल संकुचित होने की संभावना है क्योंकि पॉसों प्रतिगमन से उन लोगों की अपेक्षा होती है। ज़ीरो-फुलाए हुए प्रतिगमन मॉडल - शून्य-फुलाए गए मॉडलों में अतिरिक्त शून्य के लिए खाते का प्रयास किया जाता है। दूसरे शब्दों में, दो प्रकार के शून्य को डेटा में मौजूद माना जाता है, क्वोट्रू ज़िरोस्क्ॉट और कोटेट्क्स्यूस ज़ोरोस्क्ॉट। शून्य-फुलाया मॉडल एक साथ दो समीकरण का अनुमान लगाते हैं, गिन मॉडल के लिए एक और अतिरिक्त शून्य के लिए एक है। ओएलएस प्रतिगमन - कभी-कभी परिणाम चर को गणना करते हैं, कभी-कभी ओएलएस प्रतिगमन का उपयोग करके लॉग-ट्रांसएण्ड और विश्लेषण किया जाता है। कई दृष्टिकोण इस दृष्टिकोण से उत्पन्न होते हैं, जिसमें शून्य के लॉग (जो अपरिभाषित है) और पक्षपाती अनुमानों द्वारा उत्पन्न अपरिभाषित मूल्यों के कारण डेटा के नुकसान शामिल हैं। पॉसों का प्रतिगमन नीचे हम एक पॉसॉन प्रतिगमन मॉडल का अनुमान लगाने के लिए poisson कमांड का उपयोग करें। मैं इससे पहले कि ठेला इंगित करता है कि यह एक कारक वैरिएबल (यानि स्पष्ट वैरिएबल) है, और यह मॉडल में सूचक चर की एक श्रृंखला के रूप में शामिल किया जाना चाहिए। हम कैमरन और त्रिवेदी (200 9) द्वारा अनुशंसित पैरामीटर अनुमानों के लिए मजबूत मानक त्रुटियों को प्राप्त करने के लिए vce (मजबूत) विकल्प का उपयोग करते हैं ताकि अंतर्निहित मान्यताओं के हल्के उल्लंघन को नियंत्रित किया जा सके। आउटरेशन लॉग-इन थ्रेशन लॉग के साथ शुरू होता है, जो नल मॉडल के साथ शुरू होने वाले छद्मकायलीयॉग के लॉग के मूल्य देता है। पुनरावृत्ति लॉग का अंतिम मान पूर्ण मॉडल के लिए छद्मोग्यता के लॉग के अंतिम मूल्य है और इसे फिर से प्रदर्शित किया जाता है। क्योंकि हमने मजबूत मानक त्रुटियों के लिए पूछा, अधिकतम संभावना वास्तव में एक छद्म है मापदंडों का अनुमान अधिकतम संभावना अनुमान है और पैरामीटर अनुमान के विचरण-सहप्रसरण मैट्रिक्स का आकलन छद्म कीलता की ओर जाता है। लॉग इन करें छद्म विकार वाले मूल्यों को मॉडल की तुलना करने के लिए उपयोग किया जा सकता है हेडर की जानकारी को आगे प्रस्तुत किया गया है दाएं हाथ की ओर, विश्लेषण में उपयोग किए गए टिप्पणियों की संख्या (200) दी गई है, वाल्ड ची-स्क्वायर आँकड़ों के साथ-साथ पूर्ण मॉडल के लिए तीन डिग्री स्वतंत्रता के साथ, ची-स्क्वायर के लिए पी-मान । यह एक परीक्षा है कि सभी अनुमानित गुणांक शून्य के बराबर हैं - एक संपूर्ण मॉडल के एक परीक्षण पी-मूल्य से, हम देख सकते हैं कि मॉडल सांख्यिकीय रूप से महत्वपूर्ण है। शीर्ष लेख में एक छद्म-आर 2 भी शामिल है। इस उदाहरण में 0.21 है। हेडर के नीचे आपको गुणांक के लिए प्रत्येक मानक के लिए पॉसॉन प्रतिगमन गुणांक मिलेगा, साथ ही मजबूत मानक त्रुटियों, जेड-स्कोर, पी-वैल्यू और 95 आत्मविश्वास अंतराल मिलेगा। गणित के गुणांक .07 है। इसका मतलब है कि गणित में एक-इकाई वृद्धि के लिए लॉग गणना में अपेक्षित वृद्धि .07 है। सूचक चर 2.प्रोग समूह 2 (प्रोग्राम 2) और संदर्भ समूह (प्रोग्राम 1) के बीच लॉग संख्या में अपेक्षित अंतर है। ठेला के स्तर 1 की तुलना में। के बारे में 1.1 के द्वारा प्रगति के स्तर 2 के लिए अपेक्षित लॉग संख्या बढ़ जाती है सूचक चर 3.प्रोग समूह 3 (ठेला 3) और संदर्भ समूह (प्रोग्राम 1) के बीच लॉग संख्या में अपेक्षित अंतर है। ठेला के स्तर 1 की तुलना में। के बारे में 37 के द्वारा प्रगति के स्तर 3 के लिए अपेक्षित लॉग संख्या बढ़ जाती है। यह निर्धारित करने के लिए कि क्या ठेग खुद ही, सांख्यिकीय रूप से महत्वपूर्ण है, हम इस चर के दो डिग्री स्वतंत्रता परीक्षण प्राप्त करने के लिए परीक्षण कमांड का उपयोग कर सकते हैं। दो डिग्री स्वतंत्रता ची स्क्वायर परीक्षा इंगित करती है कि ठेला एक साथ लिया, संख्यात्मक रूप से महत्वपूर्ण आंकड़ों का एक महत्वपूर्ण सूचक है मॉडल के फिट का आकलन करने में मदद करने के लिए, एस्टाट गेफ कमांड का इस्तेमाल ईमानदारी से फिट ची स्क्वायर टेस्ट प्राप्त करने के लिए किया जा सकता है। यह मॉडल गुणांक का परीक्षण नहीं है (जो हमने हैडर सूचना में देखा था), लेकिन मॉडल फॉर्म की एक परीक्षा: क्या पॉसिंन मॉडल फॉर्म हमारे डेटा में फ़िट होता है हम यह निष्कर्ष निकालते हैं कि मॉडल काफी अच्छी तरह फिट बैठता है क्योंकि भलाई की योग्यता ची स्क्वायर परीक्षण सांख्यिकीय रूप से महत्वपूर्ण नहीं है यदि परीक्षण सांख्यिकीय रूप से महत्वपूर्ण था, तो यह संकेत करता है कि डेटा मॉडल को अच्छी तरह फिट नहीं करता है। उस परिस्थिति में, हम यह निर्धारित करने की कोशिश कर सकते हैं कि क्या भविष्यवाचक चर को छोड़ दिया गया है, यदि हमारे अतिव्यापी विघटन का कोई मुद्दा है, तो हमारी लाइनारीिटी धारणा धारण हो जाती है। कभी-कभी, हम अपमान दर के अनुपात के रूप में प्रतिगमन के परिणाम पेश करना चाह सकते हैं, हम सिर्ज़ विकल्प का उपयोग कर सकते हैं। ये आईआरआर मूल्य हमारे गुणांकों के समकक्ष एक्सपोनेंटीएटेड उपरोक्त आउटपुट से हैं। उपरोक्त आउटपुट इंगित करता है कि 2.prog के लिए घटना दर संदर्भ समूह (1.प्रोग) के लिए घटना दर 2.96 गुना है। इसी तरह, 3.प्रोग की घटना दर अन्य चर निरंतर रखने वाले संदर्भ समूह के लिए घटना दर के 1.45 गुना है। गणित की घटना दर में प्रतिशत परिवर्तन गणित में प्रत्येक इकाई वृद्धि के लिए 7 की वृद्धि है। हमारे मॉडल समीकरण के रूप को याद करें: लॉग (संख्यावार) इंटरसेप्ट बी 1 (प्रॉग 2) बी 2 (प्रोजे 3) बी 3 गणित इसका तात्पर्य: संख्याओं का विस्तार (इंटरसेप्ट बी 1 (प्रोग 2) बी 2 (प्रोजे 3) बी 3 मैथ) एक्सपी (इंटरसेप्ट) एक्सपी (बी 1 (प्रोग 2)) एक्सपी (बी 2 (प्रोजे 3)) एक्सपी (बी 3 मैथ) गुणांक लॉग (वाई) स्केल में एक योगात्मक प्रभाव और आईआरआर में y स्केल में एक गुणात्मक प्रभाव होता है। विभिन्न मेट्रिक्स के बारे में अतिरिक्त जानकारी के लिए जिसके परिणाम परिणाम प्रस्तुत किए जा सकते हैं, और इस तरह की व्याख्या, कृपया जेटा स्कॉट लांग और जेरेमी फ्रेज़ (2006) द्वारा स्टेटा का दूसरा संस्करण, सीडी का उपयोग करते हुए सीरिप्रैलिक आश्रित चर के लिए प्रतिगमन मॉडल देखें। बेहतर मॉडल को समझने के लिए, हम मार्जिन कमांड का उपयोग कर सकते हैं। नीचे हम ठेके के प्रत्येक स्तर पर अनुमानित गणना की गणना करने के लिए मार्जिन कमांड का उपयोग करते हैं। मॉडल में उनके अन्य मूल्यों (इस उदाहरण में, गणित) को उनके औसत मूल्यों पर रखते हुए। उपरोक्त आउटपुट में, हम देखते हैं कि प्रोग्राम के स्तर 1 के लिए घटनाओं की भविष्यवाणी की गई संख्या 21 के बारे में है। प्रोग्राम के स्तर 2 के लिए घटनाओं की अनुमानित संख्या .62 पर उच्च है, और प्रोग्राम के स्तर 3 के लिए घटनाओं की अनुमानित संख्या के बारे में है .31 ध्यान दें कि ठेका के स्तर 2 की अनुमानित संख्या (.624 9 446.211411) 2. ठेला के स्तर 1 के लिए अनुमानित गिनती से 2.96 गुना अधिक है। यह आईआरआर आउटपुट तालिका में हमने जो मैच देखा है नीचे हम गणित के मूल्यों के लिए अनुमानित संख्याओं को प्राप्त करेंगे जो कि 10 से 10 की बढ़त के बीच 35 से 75 तक बढ़ेगा। ऊपर दी गई तालिका में दिखाया गया है कि ठेला के मूल्यों और गणित के साथ 35 में सभी टिप्पणियों के लिए, औसत अनुमानित गणना (या औसत संख्या का पुरस्कार) 13.1 है, जब गणित 75, औसत अनुमानित संख्या लगभग 2.17 है। यदि हम गणित 35 और गणित 45 में अनुमानित संख्याओं की तुलना करते हैं, तो हम देख सकते हैं कि अनुपात (.2644714.1311326) 2.017 है। यह 10 यूनिट परिवर्तन के लिए 1.0727 के आईआरआर से मेल खाता है: 1.072710 2.017 उपयोगकर्ता द्वारा लिखित फिटस्टेट कमांड (साथ ही स्टेटस इस्टेट कमांड) का उपयोग अतिरिक्त जानकारी प्राप्त करने के लिए किया जा सकता है जो उपयोगी हो सकता है यदि आप मॉडलों की तुलना करना चाहते हैं आप इस प्रोग्राम को डाउनलोड करने के लिए findst fitstat टाइप कर सकते हैं (देखें कि मैं प्रोग्राम को खोजने के लिए findit कमांड का उपयोग कैसे कर सकता हूं और अधिक जानकारी के लिए Findit का उपयोग करने के लिए अतिरिक्त सहायता प्राप्त कर सकता हूं)। आप नीचे दिए गए आदेशों के साथ ईवेंट की भविष्यवाणी संख्या को ग्राफ़ कर सकते हैं। ग्राफ दर्शाता है कि शैक्षणिक कार्यक्रम (प्रोग्राम 2) में उन लोगों के लिए सबसे पुरस्कार दिए गए हैं, खासकर अगर छात्र के पास उच्च गणित स्कोर है सामान्य कार्यक्रम (प्रोग्राम 1) में उन छात्रों के लिए अनुमानित पुरस्कारों की सबसे कम संख्या है। विचार करने के लिए हालात अगर अतिदेय एक मुद्दा लगता है, तो हमें पहले यह जांचना चाहिए कि हमारे मॉडल को उचित रूप से निर्दिष्ट किया गया है, जैसे छोड़े गए चर और कार्यात्मक रूप उदाहरण के लिए, यदि हम उपर्युक्त उदाहरण में प्रक्षेपक चर वाले प्रोग्राम को छोड़े, तो हमारे मॉडल में अधिक फैलाव के साथ समस्या हो सकती है। दूसरे शब्दों में, एक गलत निर्दिष्ट मॉडल एक अति-फैलाव समस्या जैसे लक्षण पेश कर सकता है। मान लें कि मॉडल ठीक से निर्दिष्ट है, आप ओवरडिसिशन के लिए जांचना चाह सकते हैं। ऐसा करने के कई तरीके हैं, जिसमें नकारात्मक द्विपद वितरण (एनबीआरजीआर) का उपयोग करते हुए समान प्रतिगमन मॉडल चलाकर अधिक-फैलाव पैरामीटर अल्फा की संभावना अनुपात परीक्षण शामिल है। अति-फैलाव का एक आम कारण अतिरिक्त शून्य है, जो बदले में एक अतिरिक्त डेटा जनरेटिंग प्रक्रिया द्वारा उत्पन्न होता है। इस स्थिति में, शून्य-फुलाया मॉडल पर विचार किया जाना चाहिए। अगर डेटा जनरेशन प्रक्रिया किसी भी 0 के लिए अनुमति नहीं देती है (जैसे कि अस्पताल में बिताए गए दिनों की संख्या), तो शून्य काटा गया मॉडल अधिक उपयुक्त हो सकता है। गणना डेटा में अक्सर एक एक्सपोजर वैरिएबल होता है, जो इंगित करता है कि ईवेंट कितनी बार हो सकता था। इस चर को एक्सआईपी () विकल्प के उपयोग के साथ पॉसॉन मॉडल में शामिल किया जाना चाहिए पॉसॉन प्रतिगमन में परिणाम चर एक नकारात्मक संख्या नहीं हो सकता है, और एक्सपोजर में 0s नहीं हो सकते। स्ताटा में, एक पॉसॉन मॉडल को लॉग लिंक और पॉसॉन परिवार के साथ glm कमांड के माध्यम से अनुमान लगाया जा सकता है। पॉसीन मॉडल की अन्य धारणाओं की जांच करने के लिए आपको अवशिष्ट प्राप्त करने के लिए ग्ल्म कमांड का उपयोग करना होगा (अधिक जानकारी के लिए कैमरून और त्रिवेदी (1 99 8) और ड्यूपॉन्ट (2002 देखें)। छद्म-आर-स्क्वायर के कई अलग-अलग उपाय मौजूद हैं। वे सभी को ओएलएस प्रतिगमन में आर-स्क्वायर द्वारा प्रदान की गई जानकारी के समान जानकारी प्रदान करने का प्रयास करते हैं, भले ही उनमें से किसी को ठीक से व्याख्या नहीं किया जा सकता है क्योंकि ओएलएस प्रतिगमन में आर-स्क्वायर व्याख्या की गई है। विभिन्न छद्म-आर-स्क्वायरों की चर्चा के लिए, लांग एंड फ्रेज़ (2006) या हमारे अकसर किये गए पृष्ठ देखें छद्म आर-स्क्वेरर्स क्या हैं। पॉसों का प्रतिगमन अधिकतम संभावना अनुमान के माध्यम से अनुमानित है आम तौर पर इसे बड़े नमूना आकार की आवश्यकता होती है सन्दर्भ कैमरून, ए सी और त्रिवेदी, पी.के. (2009)। स्टेटा का उपयोग करके माइक्रोएकोमेट्रिक्स कॉलेज स्टेशन, टेक्सास: स्टेटा प्रेस कैमरून, ए सी और त्रिवेदी, पी.के. (1 99 8)। गणना डेटा का प्रतिगमन विश्लेषण न्यू यॉर्क: कैम्ब्रिज प्रेस कैमरून, ए. सी. अग्रिम में गिनती डाटा रिग्रेशन टॉक फॉर द एप्लाइड स्टैटिस्टिक्स वर्कशॉप, 28 मार्च, 200 9। कैमरॉन. ईकॉन. उकडाविस. एडुरैकडकाउंट। ड्यूपॉन्ट, डब्ल्यू। डी। (2002) बायोमेडिकल शोधकर्ताओं के लिए सांख्यिकीय मॉडलिंग: जटिल डेटा के विश्लेषण का एक सरल परिचय न्यू यॉर्क: कैम्ब्रिज प्रेस लोंग, जे एस (1 99 7) श्रेणीबद्ध और सीमित निर्भर चर के लिए प्रतिगमन मॉडल हजार ओक्स, सीए: ऋषि प्रकाशन लांग, जे एस और फ्रीस, जे (2006)। स्टेटा, द्वितीय संस्करण का उपयोग करते हुए सीरिजेंट आश्रित चर के लिए प्रतिगमन मॉडल। कॉलेज स्टेशन, टेक्सास: स्टेटा प्रेस इस वेब साइट की सामग्री को कैलिफोर्निया विश्वविद्यालय द्वारा किसी विशेष वेब साइट, किताब या सॉफ़्टवेयर उत्पाद के समर्थन के रूप में नहीं समझा जाना चाहिए।