Puan – İstatistik Alanları- İstatistik Fiyatları – Ücretli İstatistik – İstatistik Yaptırma
Model (2, 2, 2). (9.1) ‘de bu model TX1 = TY2 = 2 ve I (12) = L (12) = 2 ile belirtilmiştir. Aynı zamanda model (2, 2, 1) ile benzerdir ve X1’in korelasyonunun eşleşmesine ek olarak ve Y 2’nin ham verilerdeki korelasyonlarına ek olarak, üç ek uydurulmuş çapraz an da gözlemlenen verilerdeki karşıtları ile eşleştirilir. Bu üç çapraz moment, X1 ile (Y 2) 2, (X1) 2 ve Y 2 arasında ve (X1) 2 ile (Y 2) 2 arasında olanlardır.
Modellere (3, 3, 1) ve (2, 2, 2) olan ilgimiz, bu örnekteki çok seyrek verileri temsil etmek için en basit modelin (2, 2, 1) yeterliliğini kontrol etmekti. Tablo 9.3 ve 9.4, her veri dizisi için üç model için olasılık oranı (LR) ki-kare istatistiklerini ve bunların nominal serbestlik derecelerini (df) verir.
Veriler bu kadar seyrek olduğunda, bu istatistiklerin bu serbestlik derecelerine sahip ki-kare dağılımları yoktur, ancak farklılıkları bu konuda genellikle daha iyi davranılır. Bu, log-lineer modelin ek parametreleri sıfırdan önemli ölçüde farklı değilse, modele daha fazla parametre ekledikçe LR’deki değişikliklerin, serbestlik derecelerindeki değişikliklerle aynı sırada olması gerektiği anlamına gelir.
P (12) için, modelin karmaşıklığını artırdıkça LR’deki azalma çarpıklık için 592.53’ten 592.09’a (yani model (3, 3, 1)) ve çapraz için 592.53’ten 590.04’e düştü. anlar (yani model (2, 2, 2)). Bu değişikliklerin her ikisi de, serbestlik derecelerindeki karşılık gelen değişikliklerin boyut sırasına göre değişir (çarpıklık için 2 ve çapraz anlar için 3). Bu sonuçlar modelin (2, 2, 1) bu veriler için yeterli olduğunu göstermektedir.
Çarpıklık ekleme sonucu, model (3, 3, 1), Tablo 9.1’de gördüklerimizle uyumludur. Orada takılan model (2, 2, 1) ve uyan çarpıklık değerlerinin gözlemlenenlerle neredeyse aynı olduğunu görüyoruz. Aynısı, dördüncü momentlere dayanan uydurulmuş basıklık değerleri için de geçerlidir. Verilerin hem çarpıklık hem de basıklık değerleri model (2, 2, 1) tarafından iyi tanımlanmıştır.
Bilgisayar Mühendisliği Taban Puanları
İstatistik Taban Puanları 2019
Sayısal Bölümler
İstatistik ve Bilgisayar Bilimleri Taban Puanları
İstatistik Taban Puanları 2020
İstatistik Taban Puanları 2021
İşletme sıralama
Matematik Bölümü sıralama
Bu, P (12) ‘nin üçüncü ve dördüncü marjinal momentlerinin neredeyse ortalama ve varyans ve log-lineer modelin (2, 2, 1) formu tarafından belirlendiği anlamına gelir. Bu sonuçlardan, modelin (2, 2, 1) P (12) ‘den gelen veriler için yeterli olduğuna karar verdik.
P (21) için, çarpıklık eklemenin sonuçları, az önce P (12) için tartıştığımıza benzer. LR’deki azalma 647,92’den 646,47’ye küçük bir değişikliktir. Bu aynı zamanda, takılan dağılımın model (2, 2, 1) olduğu Tablo 9.2’de gördüklerimizle de uyumludur. Öngörülen çarpıklık ve basıklık değerleri, gözlemlenen değerlerine oldukça benzerdir.
Bununla birlikte, çapraz momentlerin eklenmesi LR’de P (12) için gördüğümüzden daha büyük bir azalmaya sahipti. Düşüş 647,92’den 633,14’e veya 14,78’lik bir değişiklik, ancak df’de yalnızca 3’lük bir değişiklik oldu. Bu değişiklik değeri, 3 df’deki ki-kare dağılımındaki% 1 puanı aşıyor, bu nedenle birçok kişi tarafından istatistiksel olarak anlamlı kabul edilecektir.
Bununla birlikte, model (2, 2, 2) verilere biraz daha iyi uysa bile, P (21) için model (2, 2, 1) ile kalmaya karar verdik. Sebebimiz, iki model arasındaki temel farkın iki değişkenli dağılımın korelasyon yapısında olmasıdır.
Bu fark, SG Tasarımında olduğu gibi, CB Tasarımında, post-tabakalaşma yöntemlerinin koşullu dağılımlara bağlı olduğu NEAT Tasarımında önemli olabilirken, eşitleme işlevi, X ve Y’nin tam ortak dağılımı. Model (2, 2, 1), en azından ilk dört ana kadar marjinal dağılımları uydurmak için yeterli bir iş yapıyor gibi görünmektedir, bkz. P (21) Tablo 9.2.
P (21) için modelin (2, 2, 2) kullanılması, bu örnekte CB Tasarımının SEE’si üzerinde daha fazla etkiye sahip olabilir, ancak bu olasılığı araştırmadık.
Her iki veri seti için model (2, 2, 1) kullanılarak X1 ve Y 2 ile X2 ve Y 1’in gözlemlenen ve uydurulan marjinal frekansları Şekil 9.1 ila Şekil 9.4’te çizilmiştir. Bu grafikler, verilerin ne kadar seyrek olduğunu ve bu örnekte ön düzeltmenin ne kadar önemli olduğunu gösterir. Uydurulan frekansların makul bir şekilde ham frekansların saçılmasından geçtiğini not ediyoruz.
Şekil 9.1-9.4’e ek olarak, modelin (2, 2, 1) P (12) ve Y 1’den X1’e verilen Y 2’nin koşullu dağılımlarını tanımlama yeteneği hakkında bazı bilgiler veren iki grafiği de ekledik. P (21) ‘den X2 verildi. Şekil 9.5’te, P (12) ‘den Y 2’ye karşı X1’in dağılım grafiğini gösteriyoruz. Ek olarak, uydurulmuş koşullu beklenti E (Y 2 | X1 = x) etrafındaki iki “2-sigma eğrisi” ile birlikte çizeriz.
Üst eğri, E (Y 2 | X1 = x) + 2SD (Y 2 | X1 = x) eğri iken, alttaki E (Y 2 | X1 = x) – 2SD (Y 2 | X1 = x) eğrisidir. ). Standart istatistiksel analizlerden, veri noktalarının yaklaşık% 95’inin iki 2 sigma eğrisi arasında olmasını bekleriz. Şekil 9.6, P (21) için aynı grafiği göstermektedir. Şekil 9.6’da dağılım, P (21) ‘den X2’ye karşı Y1 içindir ve diğer eğriler koşullu beklenti ve iki 2-sigma eğrisidir.
Aslında, her iki durumda da verilerin% 95’e çok yakını iki 2-sigma eğrisi arasında yer alır. Bu grafikler hem P (12) hem de P (21) için model (2, 2, 1) kullanımını desteklemektedir.
Tahmin edilen ortak olasılıklara ek olarak, pˆ (12) jk ve pˆ (21) jk, tatmin edici bir log-lineer model programının çıktısı, standart hataları hesaplamak için gereken temel bilgiler olan “C matrislerini” içerecektir. pˆ (12) jk ve pˆ (21) jk, ve Bölüm 5’te açıklanan SEE ve SEED’i hesaplamak için kullanılır.
Bu örnekte, iki C-matrisi vardır, C (12) ve C (21), çünkü örneklerin alındığı yalnızca bir popülasyon olan P olmasına rağmen tahmin edilecek iki iki değişkenli dağılım vardır. Model (2, 2, 1) için, C (12) ve C (21), her ikisi de (5852 × 5) dizileridir ve bu nedenle burada rapor edilmemiştir.
V (Pˆ (12)) ‘nin tahmini kovaryansı, yani Σv (Pˆ (12)),
Σv (Pˆ (12)) = C (12) Ct (12).
Puan Olasılıklarının Tahmini
SG Tasarımında olduğu gibi, CB Tasarımı için rˆ ve sˆ’yi elde etmek için yumuşatılmış pˆ ve pˆ’yi daha da dönüştürmemiz gerekir. Özellikle, “iki bağımsız SG Tasarımı yaklaşımında” (2.20) ‘de tanımlanan ve burada tekrarlanan sentetik X-skor olasılıklarını, rj’yi kullanıyoruz;
rj = Prob {X = xj | T}
= wXProb {X1 = xj | T} + (1 − wX) Prob {X2 = xj | T},
