লাভ:
- রিগ্রেশন আউটপুট সঠিকভাবে পড়ার ক্ষমতা (গুণ, মান ত্রুটি, পি-মান, আর-বর্গ) এবং কৃত্রিম বুদ্ধিমত্তা ব্যাখ্যাকে সমালোচনামূলকভাবে মূল্যায়ন করা
- পারস্পরিক সম্পর্ক-কারণ পার্থক্য, অন্তঃসত্ত্বা, বাদ দেওয়া ভেরিয়েবল এবং নকল রিগ্রেশনের মতো ত্রুটিগুলি সনাক্ত করার ক্ষমতা এবং কৃত্রিম বুদ্ধিমত্তার অত্যধিক কার্যকারণ ভাষাকে রোধ করার ক্ষমতা
- মডেল সেটআপ, কোড এবং ডায়াগনস্টিক পরীক্ষার খসড়া তৈরির জন্য কৃত্রিম বুদ্ধিমত্তা ব্যবহার করার ক্ষমতা, মডেল নির্বাচন এবং ব্যাখ্যার দায়িত্ব মানুষের উপর ছেড়ে দেওয়া
ইকোনোমেট্রিক্স হল ডেটা সহ অর্থনৈতিক তত্ত্ব পরীক্ষা করার শৃঙ্খলা, এবং রিগ্রেশন হল এর মৌলিক হাতিয়ার। "আয় বাড়লে খরচ কতটা বাড়ে?", "সুদ এবং বিনিয়োগের মধ্যে সম্পর্ক কি?" এই ধরনের প্রশ্ন রিগ্রেশন দ্বারা পরিমাপ করা হয়. এআই এই ক্ষেত্রে খুব দরকারী এবং খুব বিপজ্জনক উভয়ই: এটি সেকেন্ডের মধ্যে মডেল কোড এবং ডায়াগনস্টিক পরীক্ষাগুলি লিখে, কিন্তু আউটপুট ব্যাখ্যা করার সময় প্রায়শই অত্যধিক কার্যকারণ এবং অত্যধিক সুনির্দিষ্ট হয়। "X বৃদ্ধি করে Y" বাক্যটি সাবলীলভাবে বলে; যখন বেশিরভাগ রিগ্রেশন শুধুমাত্র একটি সম্পর্ক পরিমাপ করে। এই ইউনিটের সারাংশ হল: মডেল সেটআপ, কোড এবং ডায়াগনস্টিক পরীক্ষার জন্য AI ব্যবহার করুন; কিন্তু মডেল নির্বাচন, কার্যকারণ বিচার, এবং ব্যাখ্যার দায়িত্ব মানুষের উপর রাখুন।
রিগ্রেশন আউটপুট পড়া
একটি সাধারণ রিগ্রেশনের আউটপুট চারটি জিনিসের জন্য দেখায়:
- সহগ। ব্যাখ্যামূলক চলকটি যখন এক একক দ্বারা বৃদ্ধি পায় তখন নির্ভরশীল পরিবর্তনশীল কতটা পরিবর্তিত হয় তার একটি অনুমান। চিহ্ন (প্লাস/মাইনাস) এবং বিশালতার অবশ্যই অর্থনৈতিক অর্থ থাকতে হবে।
- স্ট্যান্ডার্ড ত্রুটি। সহগ অনুমানের অনিশ্চয়তা; যদি এটি ছোট হয়, অনুমান আরো সঠিক।
- p-মান। "আসলে শূন্য" এই অনুমানের অধীনে সহগটির সম্ভাবনা এত বড় দেখা যাচ্ছে। ছোট পি (<0.05) কে "পরিসংখ্যানগতভাবে তাৎপর্যপূর্ণ" বলা হয় — তবে এটি অর্থনৈতিক গুরুত্ব বা কার্যকারণকে বোঝায় না।
- আর-বর্গীয়। নির্ভরশীল ভেরিয়েবলের কতটা পরিবর্তন মডেলটি ব্যাখ্যা করে। একটি উচ্চ R-স্কোয়ার মানে "সঠিক মডেল" নয়; এটি জাল রিগ্রেশনের ক্ষেত্রেও বেশি হতে পারে।
পরামর্শ: পরিসংখ্যানগত তাত্পর্যকে অর্থনৈতিক তাত্পর্যের সাথে গুলিয়ে ফেলবেন না। এমনকি একটি খুব ছোট, কার্যত নগণ্য প্রভাব একটি বড় নমুনায় "গুরুত্বপূর্ণ" (ছোট p) হতে পারে। প্রথমত, "এই সহগটির আকার কি অর্থনৈতিকভাবে গুরুত্বপূর্ণ?" ', তারপর তাৎপর্য সন্ধান করুন।
পারস্পরিক সম্পর্ক কারণ নয়: ক্লাসিক ক্ষতি
এটি অর্থনীতির কেন্দ্রবিন্দুতে সতর্কতা। রিগ্রেশন দ্বারা পাওয়া সম্পর্ক প্রায়শই কার্যকারণ হয় না। প্রধান অসুবিধা:
- বাদ দেওয়া পরিবর্তনশীল। একটি তৃতীয় ফ্যাক্টর যা X এবং Y উভয়কেই প্রভাবিত করে কিন্তু মডেলে নেই সেটি X এবং Y-এর মধ্যে একটি বানোয়াট সম্পর্ক তৈরি করে।
- বিপরীত কার্যকারণ (এন্ডোজেনিটি)। যদিও এটা মনে করা হয় যে X Y কে প্রভাবিত করে, হয়তো Y X কে প্রভাবিত করে বা দুটি পারস্পরিক। (পুলিশ সংখ্যা এবং অপরাধ: অপরাধ বেড়েছে বলে কি পুলিশ বেড়েছে?)
- সিউডো রিগ্রেশন। দুটি নন-স্টেশনারি (ট্রেন্ডিং) সিরিজ উচ্চ R-বর্গক্ষেত্র এবং উল্লেখযোগ্য সহগ প্রদান করতে পারে যদিও তাদের মধ্যে কোনো বাস্তব সম্পর্ক নেই। শুধু কারণ তারা উভয় সময়ের সাথে বেড়ে ওঠে।
- নির্বাচনের পক্ষপাতিত্ব। যদি নমুনা এলোমেলো না হয়, সম্পর্কটি তির্যকভাবে পরিমাপ করা হয়।
কার্যকারণ দাবি শুধুমাত্র একটি উপযুক্ত নকশা (পদ্ধতি যেমন নিয়ন্ত্রিত পরীক্ষা, প্রাকৃতিক পরীক্ষা, যন্ত্র পরিবর্তনশীল, পার্থক্যের মধ্যে পার্থক্য) এবং স্পষ্ট অনুমান দ্বারা প্রতিষ্ঠিত করা যেতে পারে। কৃত্রিম বুদ্ধিমত্তা প্রায়শই এই সূক্ষ্মতা মিস করে।
সতর্কতা: যদি AI বলে "এই ভেরিয়েবলটি বাড়ায়/কমায়", অবিলম্বে ব্রেক করুন। সমস্যা: কোন ভেরিয়েবল বাদ দেওয়া আছে? বিপরীত কার্যকারণ সম্ভব? সিরিজ কি স্থির? এই তিনটি প্রশ্ন না করা পর্যন্ত কোনো কার্যকারণ বাক্য প্রতিবেদনে প্রবেশ করে না।
ডায়াগনস্টিক পরীক্ষা
একটি রিগ্রেশন নির্ভরযোগ্য হওয়ার জন্য, এর অনুমানগুলি পরীক্ষা করা হয়: অবশিষ্টাংশের প্যাটার্ন (ত্রুটির শর্তাবলী) (স্বতঃসম্পর্ক), হেটেরোস্কডেস্টিসিটি (হেটেরোস্কেড্যাস্টিসিটি), মাল্টিকলিনিয়ারিটি (ব্যাখ্যামূলক ভেরিয়েবল একে অপরের সাথে খুব মিল), স্বাভাবিক বন্টন। কৃত্রিম বুদ্ধিমত্তা এই পরীক্ষার জন্য কোড লিখে; কিন্তু ফলাফল ব্যাখ্যা করা এবং সেই অনুযায়ী মডেল সামঞ্জস্য করা অর্থনীতিবিদদের কাজ।
তিনটি মিনি কেস
কেস 1 - স্ফুরিয়াস রিগ্রেশন। একজন গবেষক দুটি প্রবণতা সিরিজ (একটি নামমাত্র ব্যয়, একটি নামমাত্র অন্য পরিমাণ); আর-বর্গ ছিল 0.98, সহগটি অত্যন্ত তাৎপর্যপূর্ণ। AI "একটি শক্তিশালী সম্পর্ক," তিনি বলেছিলেন। গবেষক স্থিরতার জন্য পরীক্ষা করেছেন: উভয় সিরিজই অস্থির ছিল। একবার তারা আলাদা হয়ে গেলে, সম্পর্কটি মূলত অদৃশ্য হয়ে যায়। উচ্চ R-স্কোয়ার্ড ছিল শুধুমাত্র কারণ তারা উভয় সময়ের সাথে বেড়েছে। জাল রিগ্রেশন ধরা.
কেস 2 — বাদ দেওয়া পরিবর্তনশীল। একটি বিশ্লেষণে দেখা গেছে যে "বিজ্ঞাপন ব্যয় বিক্রয় বৃদ্ধি করে।" অর্থনীতিবিদ জিজ্ঞাসা করলেন: মডেলটিতে একটি ঋতু প্রভাব আছে? ছিল না. ছুটির আগে বিজ্ঞাপন এবং বিক্রি উভয়ই বাড়তে থাকে; সম্পর্কের অংশ ছিল মৌসুমীতা। যখন সিজন ডামি ভেরিয়েবল যোগ করা হয়, তখন বিজ্ঞাপনের সহগ ছোট হয়ে যায়। কার্যকারণ দাবি নরম করা হয়েছে।
কেস 3 - তাৎপর্যপূর্ণ কিন্তু নগণ্য। একটি বড় মাইক্রোডেটা সেটে, একটি সহগ ছিল p<0.001; এআই "শক্তিশালী প্রভাব," তিনি বলেন. কিন্তু সহগের মাত্রা কার্যত নগণ্য ছিল (আয়তে একটি বড় পরিবর্তন ফলাফলটিকে এক হাজার ভাগে নিয়ে গেছে)। অর্থনীতিবিদ সঠিকভাবে এটিকে "পরিসংখ্যানগতভাবে তাৎপর্যপূর্ণ কিন্তু অর্থনৈতিকভাবে নগণ্য।" তাৎপর্য গুরুত্বের বিকল্প ছিল না।
মন্তব্য সংযম টেবিল
কৃত্রিম বুদ্ধিমত্তা বলে
প্রশ্ন করেন অর্থনীতিবিদ
"X বাড়ায় Y"
পরিবর্তনশীল বাদ? বিপরীত কার্যকারণ?
"আর-বর্গ উচ্চ, মডেল ভাল"
সিরিজ কি স্থির? জাল রিগ্রেশন?
"পি <0.05, উল্লেখযোগ্য"
আকার অর্থনৈতিকভাবে গুরুত্বপূর্ণ?
"সহগ 0.3"
এর সাইন এবং ইউনিট কি তত্ত্বের সাথে সামঞ্জস্যপূর্ণ?
"সম্পর্ক শক্তিশালী"
নমুনা নির্বাচন পক্ষপাতদুষ্ট?
চারটি অনুলিপিযোগ্য টেমপ্লেট
1) মডেল ইনস্টলেশন স্কেচ:
আমি নিম্নলিখিত অর্থনৈতিক প্রশ্ন পরীক্ষা করব: [প্রশ্ন]। নির্ভরশীল পরিবর্তনশীল: [Y]। প্রার্থীর বর্ণনাকারী: [X's]। আমাকে একটি উপযুক্ত প্রাথমিক রিগ্রেশন সেটআপের পরামর্শ দিন (স্ট্যাটস মডেল কোড)। কোন নিয়ন্ত্রণ ভেরিয়েবল প্রয়োজন এবং কেন ব্যাখ্যা করুন। কার্যকারণ দাবি করবেন না; সম্পর্কের ভাষা ব্যবহার করুন।
2) ডায়াগনস্টিক পরীক্ষা:
আমি যে রিগ্রেশন সেট আপ করেছি তার জন্য ডায়াগনস্টিক পরীক্ষাগুলি কোডে লিখুন: অটোকোরিলেশন, হেটেরোসেডেস্টিসিটি, মাল্টিকোলাইন্যারিটি, রেসিডুয়ালগুলির বিচ্ছুরণ এবং স্থিরতা (যদি এটি একটি টাইম সিরিজ হয়)। প্রতিটি পরীক্ষার ফলাফল কীভাবে ব্যাখ্যা করতে হবে এবং সমস্যা হলে কী করতে হবে তা সংক্ষেপে লিখুন।
3) কার্যকারণ নিয়ন্ত্রণ:
এই রিগ্রেশন ফলাফলটি ব্যাখ্যা করুন, তবে প্রথমে এই তিনটি ত্রুটি পরীক্ষা করুন: (1) একটি বাদ দেওয়া পরিবর্তনশীল হতে পারে এবং কোনটি, (2) বিপরীত কার্যকারণ সম্ভব, (3) সিরিজগুলি কি স্থির / নকল রিগ্রেশনের ঝুঁকি আছে? ফলাফলটিকে কার্যকারণ বা নিছক সম্পর্কযুক্ত হিসাবে ব্যাখ্যা করা উচিত কিনা তা স্পষ্টভাবে বলুন।
4) তাৎপর্য-গুরুত্বের পার্থক্য:
নিম্নলিখিত সহগ ব্যাখ্যা করুন: মান [x], মান ত্রুটি [y], p-মান [z]। পৃথকভাবে পরিসংখ্যানগত তাত্পর্য মূল্যায়ন করুন, আলাদাভাবে অর্থনৈতিক তাত্পর্য: এই সহগটির মাত্রা কি কার্যত উল্লেখযোগ্য প্রভাব? একটি উদাহরণ দৃশ্যকল্পে প্রভাবের মাত্রা কংক্রিট করুন।
দুর্বল প্রম্পট / শক্তিশালী প্রম্পট
দুর্বল প্রম্পট:
এই ভেরিয়েবলগুলির সাথে একটি রিগ্রেশন করুন এবং ফলাফলটি ব্যাখ্যা করুন।
কৃত্রিম বুদ্ধিমত্তা এটিকে কার্যকারণ ভাষায় ব্যাখ্যা করে, ডায়াগনস্টিক পরীক্ষা না করে বা স্থিরতা পরীক্ষা না করেই; জাল রিগ্রেশন বা বাদ দেওয়া পরিবর্তনশীল মিস করা হয়েছে।
শক্তিশালী প্রম্পট:
নির্ভরশীল পরিবর্তনশীল হল ভোগ, ব্যাখ্যামূলক আয়; মাসিক, ট্রেন্ডিং সিরিজ। প্রথমে স্থিরতা পরীক্ষা করুন; প্রয়োজনে পার্থক্য পান। রিগ্রেশন সেট আপ করুন, ডায়াগনস্টিক পরীক্ষা চালান (অটোকোরিলেশন, হেটেরোসেডেস্টিসিটি)। ফলাফল ব্যাখ্যা করার সময় বাদ দেওয়া ভেরিয়েবলের ঝুঁকি এবং বিপরীত কার্যকারণ সম্পর্কে স্পষ্টভাবে আলোচনা করুন; কার্যকারণ ভাষার পরিবর্তে সম্পর্কযুক্ত ব্যবহার করুন। আলাদাভাবে তাৎপর্য এবং অর্থনৈতিক তাৎপর্য মূল্যায়ন করুন এবং প্রতিটি ধাপের জন্য কোড দিন।
সাধারণ ভুল
- কার্যকারণ জন্য ভুল পারস্পরিক সম্পর্ক. সবচেয়ে সাধারণ এবং সবচেয়ে ব্যয়বহুল ভুল।
- মানের জন্য একটি উচ্চ R-স্কোয়ারকে ভুল করা। এটি নকল রিগ্রেশনের ক্ষেত্রেও বেশি।
- স্ট্যাসিস চেক বাইপাস. প্রবণতা সিরিজ মিথ্যা সম্পর্ক তৈরি করে।
- তাৎপর্যের সাথে অর্থপূর্ণতা বিভ্রান্তিকর। ছোট পি মানে বড় প্রভাব নয়।
- ডায়াগনস্টিক পরীক্ষা এড়িয়ে যাওয়া। লঙ্ঘিত অনুমান সমগ্র অনুমানকে পরাজিত করে।
- AI-এর কার্যকারণ ভাষাকে যেমন আছে মেনে নেওয়া। বিচার মানুষেরই।
সংক্ষেপে
রিগ্রেশন একটি শক্তিশালী কিন্তু পিটফ্যালেন টুল। পঠন সহগ, আদর্শ ত্রুটি, পি-মান এবং R-বর্গ সঠিকভাবে; পারস্পরিক সম্পর্ক এবং কার্যকারণ মধ্যে পার্থক্য; বাদ দেওয়া ভেরিয়েবল, বিপরীত কার্যকারণ, এবং নকল রিগ্রেশন ক্ষতির জন্য পরীক্ষা করা; তাৎপর্য এবং অর্থনৈতিক গুরুত্বের মধ্যে পার্থক্য করা প্রয়োজন। AI কোড এবং ডায়াগনসিস জেনারেশনে ত্বরান্বিত হচ্ছে, কিন্তু এটি খুব কার্যকারণে কথা বলে; মডেল নির্বাচন এবং কার্যকারণ বিচার অর্থনীতিবিদ উপর নির্ভর করে.
আবেদন টাস্ক
আপনার কাছে থাকা ডেটা দিয়ে একটি সাধারণ রিগ্রেশন সেট আপ করুন (যেমন খরচ-আয়)। 1ম টেমপ্লেটের সাথে সেটআপ তৈরি করুন এবং 2য় টেমপ্লেট দিয়ে ডায়াগনস্টিক পরীক্ষা তৈরি করুন৷ তারপরে টেমপ্লেট 3 দিয়ে কার্যকারণ পরীক্ষা করুন, অন্তত একটি সম্ভাব্য বাদ দেওয়া পরিবর্তনশীল এবং একটি বিপরীত কার্যকারণ দৃশ্যের নামকরণ করুন। AI এর প্রাথমিক ব্যাখ্যা থেকে একটি কার্যকারণ বাক্যকে রিলেশনাল ভাষায় অনুবাদ করুন এবং পরিবর্তনটি নোট করুন।
চেকলিস্ট
- [ ] আমি সহগ, মানক ত্রুটি, পি-মান এবং R-বর্গ সঠিকভাবে পড়ি।
- [ ] আমি সিরিজের স্থিরতা পরীক্ষা করে দেখেছি এবং নকল রিগ্রেশনের ঝুঁকি বাদ দিয়েছি।
- [ ] আমি বাদ দেওয়া পরিবর্তনশীল এবং বিপরীত কার্যকারণ সম্ভাবনার নাম দিয়েছি।
- [ ] আমি ডায়াগনস্টিক পরীক্ষা চালিয়েছি এবং লঙ্ঘনের মূল্যায়ন করেছি।
- আমি পরিসংখ্যানগত তাৎপর্য এবং অর্থনৈতিক তাৎপর্য আলাদাভাবে মূল্যায়ন করেছি।
- [ ] আমি কৃত্রিম বুদ্ধিমত্তার কার্যকারণ ভাষাকে রিলেশনাল ভাষায় এঁকেছি।
- [ ] আমি বজায় রেখেছিলাম যে মডেলের পছন্দ এবং কার্যকারণের বিচার আমার ছিল।