লাভ:
- কৃত্রিম বুদ্ধিমত্তা সমর্থন সহ ডায়াগনস্টিক পরীক্ষা এবং গ্রাফিক্সের সাথে মাল্টিকলিনিয়ারিটি, হেটেরোসেডেস্টিসিটি এবং অটোকোরিলেশনের মতো লঙ্ঘন সনাক্ত করার ক্ষমতা
- প্রতিটি লঙ্ঘন সহগ অনুমান বা স্ট্যান্ডার্ড ত্রুটিগুলিকে বিকৃত করে কিনা তা আলাদা করার ক্ষমতা এবং উপযুক্ত সংশোধন (দৃঢ় মানক ত্রুটি, রূপান্তর, মডেল সংশোধন) বেছে নেওয়ার ক্ষমতা
- যাচাই করার ক্ষমতা যে AI দ্বারা প্রস্তাবিত সংশোধনগুলি এটিকে লুকিয়ে রাখার পরিবর্তে সমস্যার সমাধান করে এবং নির্ণয়টি ডেটা তৈরি করে এমন প্রক্রিয়ার বোঝার উপর ভিত্তি করে
রিগ্রেশনের আউটপুট পড়া সহজ; তাকে বিশ্বাস করা কঠিন। কারণ সহগগুলি নিরপেক্ষ, মানক ত্রুটিগুলি সঠিক, এবং পি-মানগুলি বৈধ, পূর্ববর্তী ইউনিটে আমরা যে অনুমানগুলি প্রবর্তন করেছি তার উপর নির্ভর করে পূরণ হয়েছে৷ এই ইউনিটে, আমরা তিনটি সবচেয়ে সাধারণ লঙ্ঘনগুলিকে কভার করব: মাল্টিকোলাইন্যারিটি, হেটেরোসেডেস্টিসিটি এবং স্বয়ংক্রিয় সম্পর্ক। আমরা প্রতিটির জন্য তিনটি প্রশ্নের উত্তর দেব: কীভাবে এটি নির্ণয় করা যায়, এটি কী ভেঙে যায় (গুণ বা মানক ত্রুটি), এবং কীভাবে এটি ঠিক করা যায়। কৃত্রিম বুদ্ধিমত্তা (AI) ডায়াগনস্টিক পরীক্ষা এবং সংশোধনের জন্য কোড তৈরি করে; কিন্তু আপনি সিদ্ধান্ত নিন কোন লঙ্ঘনটি আসলেই সমস্যা এবং সমাধানটি সমস্যার সমাধান করে কিনা।
আসুন সামনে সবচেয়ে গুরুত্বপূর্ণ পার্থক্য করা যাক: একটি লঙ্ঘন কি সহগ অনুমানকে বিকৃত করে নাকি শুধুমাত্র মানক ত্রুটিগুলিকে? এই পার্থক্য সমাধান নির্ধারণ করে। একটি সমস্যা যা সহগকে বিকৃত করে (যেমন, বহির্মুখীতা লঙ্ঘন) মডেলটি পুনর্বিবেচনার প্রয়োজন; একটি সমস্যা যা শুধুমাত্র স্ট্যান্ডার্ড ত্রুটিকে বিকৃত করে (Heteroscedasticity, autocorrelation) প্রায়শই স্ট্যান্ডার্ড ত্রুটি সংশোধনের মাধ্যমে সমাধান করা হয়। AI এর একটি সাধারণ ভুল হল এমন একটি কৌশল প্রয়োগ করা যা স্ট্যান্ডার্ড ত্রুটি সংশোধন করে এবং তারপর সমস্যাটিকে "সমাধান" ঘোষণা করে; যদিও অন্তর্নিহিত কাঠামো এখনও সেখানে থাকতে পারে।
লঙ্ঘন 1: মাল্টিকোলিনিয়ারিটি
কেন? দুই বা ততোধিক ব্যাখ্যামূলক ভেরিয়েবল একে অপরের সাথে দৃঢ়ভাবে সম্পর্কিত; উদাহরণস্বরূপ, মডেলটিতে "মোট বছরের অভিজ্ঞতা" এবং "বয়স" উভয়ই রাখা। যেহেতু এই ভেরিয়েবলগুলি প্রায় একই তথ্য বহন করে, মডেলের তাদের আলাদা করতে অসুবিধা হয়৷
এটা কি ভেঙ্গে যায়? সহগ অনুমান নিরপেক্ষ থাকে কিন্তু অস্থির হয়ে ওঠে: মানক ত্রুটিগুলি স্ফীত হয়, আত্মবিশ্বাসের ব্যবধান প্রশস্ত হয়, পৃথক সহগগুলি তুচ্ছ হতে পারে যখন মডেলটি সামগ্রিকভাবে উল্লেখযোগ্য হতে পারে (এফ-টেস্ট)। একটি ছোট ডেটা পরিবর্তন সহগকে উল্লেখযোগ্যভাবে স্থানান্তরিত করে।
এটা কিভাবে নির্ণয় করা হয়? VIF (ভ্যারিয়েন্স ইনফ্লেশন ফ্যাক্টর): প্রতিটি ভেরিয়েবলের জন্য, এটি পরিমাপ করে যে সেই ভেরিয়েবলটি অন্যদের দ্বারা কতটা ব্যাখ্যা করা হয়েছে। একটি মোটামুটি থ্রেশহোল্ড হিসাবে, VIF > 5 (কিছু 10) সতর্কতা ওয়ারেন্ট করে৷ উপরন্তু, ব্যাখ্যামূলক ভেরিয়েবলের মধ্যে পারস্পরিক সম্পর্ক ম্যাট্রিক্স পরীক্ষা করা হয়।
কিভাবে ঠিক করবেন? পারস্পরিক সম্পর্কযুক্ত ভেরিয়েবলগুলির একটি বাদ দেওয়া, তাদের একত্রিত করা (একটি সূচক তৈরি করা), বা (তত্ত্বের প্রয়োজন হলে) উভয়ই রাখা এবং পৃথক সহগ ব্যাখ্যা করা এড়ানো। কোন পরিবর্তনশীল থাকবে তা একটি তাত্ত্বিক সিদ্ধান্ত, পরিসংখ্যানগত নয় — এআই বাদ দেওয়ার পরামর্শ দেয়, আপনি ন্যায্যতা প্রদান করেন।
লঙ্ঘন 2: Heteroscedasticity
কেন? ত্রুটি শব্দের পার্থক্য পর্যবেক্ষণ জুড়ে ধ্রুবক নয়। সাধারণ উদাহরণ: আয় বৃদ্ধির সাথে সাথে ব্যয়ের চারপাশে ছড়িয়ে পড়ে; একটি "ফানেল" প্যাটার্ন গঠিত হয়, কম আয়ের ক্ষেত্রে সংকীর্ণ এবং উচ্চ আয়ের ক্ষেত্রে প্রশস্ত।
এটা কি ভেঙ্গে যায়? সহগ অনুমান আবার নিরপেক্ষ - এটি গুরুত্বপূর্ণ। যা বিকৃত হয় তা হল স্ট্যান্ডার্ড ত্রুটি: সেগুলি ভুলভাবে গণনা করা হয়, তাই পি-মান এবং আত্মবিশ্বাসের ব্যবধানগুলি অবিশ্বস্ত হয়। সুতরাং আপনার সহগ সঠিক কেন্দ্রে রয়েছে, তবে "আপনি কতটা আত্মবিশ্বাসী" প্রশ্নের উত্তরটি ভুল।
এটা কিভাবে নির্ণয় করা হয়? অবশিষ্টাংশের স্ক্যাটার প্লট বনাম পূর্বাভাসিত মান (ফানেল প্যাটার্ন চাওয়া) এবং আনুষ্ঠানিক পরীক্ষা: ব্রুশ-প্যাগান পরীক্ষা, সাদা পরীক্ষা। ছোট p-মান বলে "কোন ধ্রুবক বৈচিত্র্য নেই"।
কিভাবে ঠিক করবেন? সবচেয়ে সাধারণ এবং ব্যবহারিক সমাধান হল শক্তিশালী স্ট্যান্ডার্ড ত্রুটিগুলি ব্যবহার করা (দৃঢ় / হেটেরোস্কেড্যাস্টিসিটি-সামঞ্জস্যপূর্ণ, HC স্ট্যান্ডার্ড ত্রুটি): এটি সহগ পরিবর্তন করে না, এটি লঙ্ঘনের জন্য মানক ত্রুটি সংশোধন করে। বিকল্প: নির্ভরশীল পরিবর্তনশীল (যেমন লগ) বা ওজনযুক্ত LCM রূপান্তরিত করা। শক্তিশালী মান ত্রুটিগুলি আজ অভিজ্ঞতামূলক কাজে প্রায় ডিফল্ট হয়ে গেছে।
লঙ্ঘন 3: স্বতঃসম্পর্ক
কেন? ত্রুটি পদ একে অপরের থেকে স্বাধীন নয়; এটি টাইম সিরিজে সবচেয়ে সাধারণ: একটি পিরিয়ডের ত্রুটি পরবর্তীকে প্রভাবিত করে (যেমন, শক হওয়ার পর পিরিয়ডের ক্ষেত্রে অবশিষ্টাংশ ইতিবাচক থাকে)।
এটা কি ভেঙ্গে যায়? আবার, এটি প্রাথমিকভাবে স্ট্যান্ডার্ড ত্রুটিগুলিকে বিকৃত করে (প্রায়শই তাদের ছোট করে, মিথ্যা তাৎপর্য তৈরি করে); সহগগুলি LCC-তে নিরপেক্ষ থাকে কিন্তু তাদের কার্যকারিতা হারায়।
এটা কিভাবে নির্ণয় করা হয়? ডারবিন-ওয়াটসন পরীক্ষা (প্রথম-ক্রমের স্বতঃসম্পর্কের জন্য), ব্রুশ-গডফ্রে পরীক্ষা (আরও সাধারণ), এবং পিছিয়ে থাকা মানগুলির প্লটগুলির অবশিষ্টাংশ।
কিভাবে ঠিক করবেন? নিউই-ওয়েস্ট (এইচএসি — অটোকোরিলেশন এবং হেটেরোস্কেড্যাস্টিসিটি প্রতিরোধী) স্ট্যান্ডার্ড ত্রুটি, মডেলে পিছিয়ে থাকা পদ যোগ করা, বা উপযুক্ত সময় সিরিজ মডেলে স্যুইচ করা (ইউনিট 8)।
সতর্কতা: Heteroscedasticity এবং autocorrelation মান ত্রুটি বিকৃত করে, গুণাঙ্ক নয়। অতএব, "সহগ তাৎপর্যপূর্ণ" বলার আগে নিশ্চিত করুন যে মান ত্রুটি সঠিকভাবে গণনা করা হয়েছে; অন্যথায় অর্থপূর্ণতা একটি বিভ্রম হতে পারে।
তুলনা চার্ট
লঙ্ঘন
কি ভেঙ্গে যায়
রোগ নির্ণয়
সাধারণ সমাধান
মাল্টি-লিঙ্ক
মানক ত্রুটিগুলিকে স্ফীত করে, সহগকে অস্থির করে তোলে
VIF, পারস্পরিক সম্পর্ক ম্যাট্রিক্স
পরিবর্তনশীল বিয়োগ/সংযোজন (তত্ত্ব দ্বারা)
heteroscedasticity
স্ট্যান্ডার্ড ত্রুটি (সহগ নিরপেক্ষ)
ব্রুশ-প্যাগান, সাদা, অবশিষ্ট প্লট
শক্তিশালী (HC) স্ট্যান্ডার্ড ত্রুটি, রূপান্তর
স্বতঃসম্পর্ক
স্ট্যান্ডার্ড ত্রুটি (সহগ নিরপেক্ষ)
ডারবিন-ওয়াটসন, ব্রুশ-গডফ্রে
Newey-West (HAC), বিলম্বিত মেয়াদ
চারটি অনুলিপিযোগ্য প্রম্পট
1. সম্পূর্ণ ডায়াগনস্টিক প্যাকেজ:
আপনার ভূমিকা: রিগ্রেশন ডায়গনিস্টিক সহকারী। আমি আর কোড চাই, আমি ডেটা শেয়ার করি না। মডেল: lm (ব্যয় ~ আয় + বয়স + অঞ্চল, ডেটা = ডেটা)। টাস্ক: (1) ভিআইএফ গণনা করুন, (2) ব্রুশ-প্যাগান এবং অবশিষ্ট-অনুমান প্লটের সাথে হেটেরোস্কেড্যাস্টিসিটি পরীক্ষা করুন, (3) ডারবিন-ওয়াটসনের সাথে স্বয়ংক্রিয় সম্পর্ক পরীক্ষা করুন। মন্তব্য লাইনে ব্যাখ্যা করুন প্রতিটি পরীক্ষা কি লঙ্ঘন পরিমাপ করে এবং কীভাবে পি-মানকে ব্যাখ্যা করতে হয়। সংশোধন আবেদন; রোগ নির্ণয় করা।
2. শক্তিশালী স্ট্যান্ডার্ড ত্রুটি:
R কোড লিখুন যা একই মডেলের (স্যান্ডউইচ + lmtest প্যাকেজগুলি) জন্য হেটেরোস্কডেস্টিসিটি-রবাস্ট (HC3) স্ট্যান্ডার্ড ত্রুটি সহ সহগ সারণী পুনরুত্পাদন করে। শাস্ত্রীয় এবং শক্তিশালী স্ট্যান্ডার্ড ত্রুটিগুলি পাশাপাশি দেখানো একটি টেবিল তৈরি করুন যাতে আমি পার্থক্য দেখতে পারি। মন্তব্য লাইনে জোর দিন যে সহগগুলি পরিবর্তন হয় না, শুধুমাত্র মানক ত্রুটিগুলি করে।
3. মাল্টি-লিঙ্ক পর্যালোচনা:
আমাকে উচ্চ ভিআইএফ সহ ভেরিয়েবলের একটি থিঙ্ক তালিকা দিন: কোন ভেরিয়েবলগুলি তাত্ত্বিকভাবে একই জিনিসকে পরিমাপ করতে পারে, কোনটি তাদের রাখার জন্য একটি শক্তিশালী কেস রয়েছে৷ স্বয়ংক্রিয় যোগ্যতা অর্জন করবেন না; আমি তত্ত্বের ভিত্তিতে সিদ্ধান্ত নেব। শুধু VIF দেখতে এবং ভেরিয়েবল বরাদ্দ করা কেন ভুল হতে পারে তাও ব্যাখ্যা করুন।
4. স্বয়ংক্রিয় সম্পর্ক সংশোধন:
আমার টাইম সিরিজ রিগ্রেশনে, Breusch-Godfrey p-মান ছিল 0.001। নিউই-ওয়েস্ট (এইচএসি) স্ট্যান্ডার্ড ত্রুটি সহ সহগ সারণী তৈরি করে এমন R কোড লিখুন এবং কীভাবে ল্যাগ নির্বাচন করবেন তা ব্যাখ্যা করুন। মনে রাখবেন যে এই সংশোধনটি স্বতঃসম্পর্কের কারণকে সমাধান করে না, এটি কেবল অনুমানকে সংশোধন করে।
দুর্বল প্রম্পট / শক্তিশালী প্রম্পট
দুর্বল প্রম্পট:
আমার রিগ্রেশন সঙ্গে একটি সমস্যা আছে? যদি তাই হয়, এটা ঠিক করুন.
এই প্রম্পটটি AI-কে একটি অন্ধ "ফিক্স" মোডে রাখে: এটি পরীক্ষাগুলি এড়িয়ে যেতে পারে এবং কোন লঙ্ঘনটি আসলে বিদ্যমান এবং কী ভেঙেছে তা আপনাকে না দেখিয়ে সরাসরি রূপান্তর বা পরিবর্তনশীল নির্মূল প্রয়োগ করতে পারে।
শক্তিশালী প্রম্পট:
আপনার ভূমিকা: ডায়াগনস্টিক সহকারী, স্বয়ংক্রিয় সংশোধনকারী নয়। তিনটি লঙ্ঘনের জন্য আলাদাভাবে প্রথম পরীক্ষা (মাল্টিকলিনিয়ারিটি, হেটেরোসেডেস্টিসিটি, অটোকোরিলেশন) এবং প্রতিটির জন্য: কোন পরীক্ষা, কীভাবে ফলাফল পড়তে হবে, এটি কি গুণাগুণ বা স্ট্যান্ডার্ড ত্রুটি ভঙ্গ করে। তারপরে শুধুমাত্র লঙ্ঘনের জন্য একটি সমাধানের পরামর্শ দিন যা প্রকৃতপক্ষে সনাক্ত করা হয়েছিল এবং ব্যাখ্যা করুন কিভাবে আমি যাচাই করতে পারি যে ফিক্সটি সমস্যার সমাধান করেছে৷
পার্থক্য: দৃঢ় ইচ্ছাশক্তি সংশোধনের আগে রোগ নির্ণয় করতে বাধ্য করে এবং "এটি কী ভেঙে যায়" এর মধ্যে স্পষ্ট পার্থক্য দাবি করে।
তিনটি মিনি কেস
কেস 1 - অযৌক্তিক তাত্পর্য (বিষমধর্মীতা)। একজন বিশ্লেষক ব্যয় ~ রাজস্ব মডেলে রাজস্ব সহগকে p=0.01 এ "উল্লেখযোগ্য" বলে মনে করেছেন। কিন্তু এখন তার চার্টে একটি স্বতন্ত্র ফানেল প্যাটার্ন ছিল। যখন শক্তিশালী স্ট্যান্ডার্ড ত্রুটি প্রয়োগ করা হয়, তখন p-মান 0.09-এ বৃদ্ধি পায়; অর্থবহতা হারিয়ে গেছে। প্রথম ফলাফল একটি ভুল গণনা করা মান ত্রুটি দ্বারা তৈরি একটি বিভ্রম ছিল. পাঠ: মানক ত্রুটি সংশোধন না করে তাত্পর্য বিশ্বাস করা যায় না।
কেস 2 — অন্ধ পরিবর্তনশীল নির্মূল। একজন ছাত্র মডেল থেকে "অভিজ্ঞতা" ভেরিয়েবল বাদ দিয়েছে কারণ তার ভিআইএফ উচ্চ ছিল; সহগগুলি "পরিষ্কার করা হয়েছিল" কিন্তু মডেলটির তাত্ত্বিক অর্থ বিকৃত হয়েছিল কারণ অভিজ্ঞতা ছিল আগ্রহের প্রধান পরিবর্তনশীল। সঠিক উপায়: বয়স বিয়োগ করুন এবং অভিজ্ঞতা রাখুন, অথবা দুটি একত্রিত করুন। পাঠ: একা ভিআইএফ থ্রেশহোল্ড নির্মূলের ভিত্তি নয়; তত্ত্ব নির্ধারণ করে।
কেস 3 - স্বতঃসম্পর্কের দ্বারা লুকানো অনিশ্চয়তা। একটি টাইম সিরিজ স্টাডিতে, ডারবিন-ওয়াটসনকে উপেক্ষা করা হয়েছিল; সহগটি খুব "সুনির্দিষ্ট" বলে মনে হয়েছিল (সংকীর্ণ আত্মবিশ্বাসের ব্যবধান)। যখন নিউই-ওয়েস্ট স্ট্যান্ডার্ড ত্রুটিগুলি প্রয়োগ করা হয়, তখন আস্থার ব্যবধান দ্বিগুণ হয় এবং নীতির সুপারিশ অনেক বেশি রক্ষণশীল হয়ে ওঠে। পাঠ: স্বতঃসম্পর্ক অনিশ্চয়তাকে অবমূল্যায়ন করতে পারে।
সাধারণ ভুল
- লঙ্ঘনকে ভুল করা যা মানক ত্রুটিকে সহগ সমস্যা হিসাবে বিকৃত করে। Heteroscedasticity এবং autocorrelation সহগকে বিকৃত করে না; আতঙ্কিত হবেন না এবং অপ্রয়োজনীয়ভাবে মডেলটি পুনর্নির্মাণ করবেন না, প্রথমে আদর্শ ত্রুটি সংশোধন করুন।
- ভিআইএফের দিকে তাকিয়ে অন্ধভাবে ভেরিয়েবল বরাদ্দ করা। VIF উচ্চ হওয়ার কারণে একটি তাত্ত্বিকভাবে প্রয়োজনীয় পরিবর্তনশীল অপসারণ করা মডেলটিকে অর্থহীন করে তোলে।
- ফিক্স যাচাই করা হচ্ছে না। শক্তিশালী স্ট্যান্ডার্ড ত্রুটি প্রয়োগ করার পরে, লঙ্ঘন আসলে অনুমান সংশোধন করে কিনা তা পরীক্ষা করুন; বলবেন না "আমি এটি প্রয়োগ করেছি, এটি হয়ে গেছে"।
- নির্ণয় ছাড়াই ঠিক করুন। কোন লঙ্ঘন বিদ্যমান তা পরীক্ষা না করে রূপান্তর/বর্জন প্রয়োগ করা সমস্যাটির "সমাধান" করতে পারে যেখানে এটি বিদ্যমান নেই এবং যেটি আছে সেটিকে আড়াল করতে পারে।
- জায়গায় ফিক্স নির্বাণ কেন. নিউই-ওয়েস্ট স্বতঃসম্পর্কের কারণ সমাধান করে না; এটা শুধু অনুমান ঠিক করে। যদি একটি কাঠামোগত সমস্যা হয়, মডেল পরিবর্তন করা আবশ্যক.
টিপ: প্রতিটি লঙ্ঘনের জন্য, নিজেকে জিজ্ঞাসা করুন "এটি কি সহগ নষ্ট করছে নাকি এতে আমার আস্থা আছে?" যদি উত্তরটি "আস্থা" হয়, তাহলে সমাধানটি প্রায় সবসময়ই আদর্শ ত্রুটি সংশোধন, মডেলটিকে পুনর্নির্মাণ না করে।
সংক্ষেপে
আউটপুট বিশ্বাস করার জন্য রিগ্রেশন ডায়গনিস্টিক একটি পূর্বশর্ত। তিনটি সাধারণ লঙ্ঘনের মধ্যে, মাল্টিকোলিনিয়ারিটি সহগকে অস্থির করে তোলে এবং মানক ত্রুটিকে স্ফীত করে; অন্যদিকে, হেটেরোস্কেড্যাস্টিসিটি এবং স্বতঃসম্পর্ক, গুণাঙ্কটিকে নিরপেক্ষভাবে ছেড়ে দিন এবং শুধুমাত্র মানক ত্রুটিটিকে বিকৃত করে। এআই ডায়াগনস্টিক এবং ফিক্স কোড তৈরি করে, তবে আপনি সিদ্ধান্ত নেন কোন লঙ্ঘনটি আসল সমস্যা, কোনটি বৈকল্পিক তাত্ত্বিক রয়ে গেছে এবং সমাধানটি সমস্যার সমাধান করে কিনা। "কী ভাঙছে" এর মধ্যে পার্থক্য স্পষ্ট না করে আতঙ্ক বা অন্ধ সংশোধন উভয়ই সঠিক নয়।
আবেদন টাস্ক
একটি মাল্টিভেরিয়েট রিগ্রেশন সেট আপ করুন এবং AI-কে এমন একটি কোড জিজ্ঞাসা করুন যা শুধুমাত্র রোগ নির্ণয় করে (কোনও সংশোধন নেই): VIF, Breusch-Pagan/White, এবং Durbin-Watson/Breusch-Godfrey। প্রতিটি পরীক্ষার জন্য, ফলাফলের ব্যাখ্যা করুন এবং নির্দেশ করুন যে লঙ্ঘন সহগ বিকৃত করে নাকি মানক ত্রুটি। একটি বাস্তব লঙ্ঘনের জন্য আপনি শনাক্ত করেন (যেমন, হেটেরোসেড্যাস্টিসিটি), শক্তিশালী স্ট্যান্ডার্ড ত্রুটিগুলি প্রয়োগ করুন এবং শাস্ত্রীয় এবং শক্তিশালী ফলাফলগুলি জুক্সটাপোজ করুন; দেখান যে সহগ পরিবর্তিত হয় না কিন্তু আদর্শ ত্রুটি পরিবর্তিত হয়। একটি অনুচ্ছেদে, আপনার তাত্পর্য ফলাফল সংশোধন দ্বারা প্রভাবিত হয়েছে কিভাবে রিপোর্ট.
চেকলিস্ট
- আমি আলাদাভাবে তিনটি লঙ্ঘন পরীক্ষা করেছি (মাল্টিকলিনিয়ারিটি, হেটেরোস্কেড্যাস্টিসিটি, অটোকোরিলেশন)।
- [ ] প্রতিটি লঙ্ঘনের জন্য, আমি পার্থক্য করেছি যে এটি সহগকে বিকৃত করে নাকি মানক ত্রুটি।
- [ ] আমি শুধুমাত্র VIF নয়, তত্ত্বের মাল্টিকলিনিয়ারিতে পরিবর্তনশীল নির্মূলের উপর ভিত্তি করে।
- আমি হেটেরোসেডেস্টিসিটি/অটোকোরিলেশন (HC/HAC) থেকে দৃঢ়তার সাথে স্ট্যান্ডার্ড ত্রুটি ব্যবহার করেছি।
- [ ] সংশোধন করার পরে, আমি আমার অনুমানের উপর লঙ্ঘনের প্রভাব পরীক্ষা করে যাচাই করেছি৷
- [ ] আমি রিপোর্ট করি যে কিভাবে আমার তাৎপর্য ফলাফল স্ট্যান্ডার্ড ত্রুটি সংশোধন দ্বারা প্রভাবিত হয়েছিল৷