રીગ્રેસન ડાયગ્નોસ્ટિક્સ અને ઉલ્લંઘન: સમકક્ષતા, હેટરોસેડેસ્ટીસીટી, સ્વતઃસંબંધ

નફો:

• કૃત્રિમ બુદ્ધિ આધાર સાથે ડાયગ્નોસ્ટિક પરીક્ષણો અને ગ્રાફિક્સ સાથે મલ્ટિકોલિનિયરિટી, હેટરોસેડેસ્ટીસીટી અને ઓટોકોરિલેશન જેવા ઉલ્લંઘનોને શોધવાની ક્ષમતા
• દરેક ઉલ્લંઘન ગુણાંક અંદાજ અથવા પ્રમાણભૂત ભૂલોને વિકૃત કરે છે કે કેમ તે અલગ કરવાની ક્ષમતા અને યોગ્ય કરેક્શન પસંદ કરો (મજબૂત માનક ભૂલ, રૂપાંતર, મોડલ પુનરાવર્તન)
• એ ચકાસવાની ક્ષમતા કે AI દ્વારા સૂચવવામાં આવેલા સુધારાઓ તેને છુપાવવાને બદલે સમસ્યાનું નિરાકરણ લાવે છે અને નિદાન ડેટા ઉત્પન્ન કરતી પ્રક્રિયાની સમજ પર આધારિત છે.

રીગ્રેસનનું આઉટપુટ વાંચવું સરળ છે; તેના પર વિશ્વાસ કરવો મુશ્કેલ છે. કારણ કે ગુણાંકો નિષ્પક્ષ છે, પ્રમાણભૂત ભૂલો સાચી છે, અને p-મૂલ્યો માન્ય છે, અમે અગાઉના એકમમાં રજૂ કરેલી ધારણાઓ પૂરી થાય છે તેના આધારે. આ એકમમાં, અમે ત્રણ સૌથી સામાન્ય ઉલ્લંઘનોને આવરી લઈશું: મલ્ટિકોલિનરીટી, હેટરોસેડેસ્ટીસીટી અને ઓટોકોરિલેશન. અમે દરેક માટે ત્રણ પ્રશ્નોના જવાબ આપીશું: તેનું નિદાન કેવી રીતે કરવું, તે શું ભંગ કરે છે (ગુણાંક અથવા પ્રમાણભૂત ભૂલ), અને તેને કેવી રીતે ઠીક કરવું. આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) ડાયગ્નોસ્ટિક ટેસ્ટિંગ અને કરેક્શન માટે કોડ જનરેટ કરે છે; પરંતુ તમે નક્કી કરો છો કે કયું ઉલ્લંઘન ખરેખર સમસ્યા છે અને શું ફિક્સ સમસ્યા હલ કરે છે.

ચાલો સૌથી મહત્વપૂર્ણ તફાવત આગળ કરીએ: શું ઉલ્લંઘન ગુણાંક અંદાજને વિકૃત કરે છે અથવા ફક્ત પ્રમાણભૂત ભૂલોને? આ ભેદ ઉકેલ નક્કી કરે છે. એક સમસ્યા જે ગુણાંકને વિકૃત કરે છે (દા.ત. એક્ઝોજેનિટી ઉલ્લંઘન) માટે મોડેલ પર પુનર્વિચાર કરવાની જરૂર છે; એક સમસ્યા કે જે માત્ર પ્રમાણભૂત ભૂલને વિકૃત કરે છે (હેટરોસેડેસ્ટીસીટી, સ્વતઃસંબંધ) ઘણીવાર પ્રમાણભૂત ભૂલ સુધારણા દ્વારા ઉકેલવામાં આવે છે. AI ની સામાન્ય ભૂલ એ એવી તકનીક લાગુ કરવી છે જે પ્રમાણભૂત ભૂલને સુધારે છે અને પછી સમસ્યાને "ઉકેલાયેલી" જાહેર કરે છે; જ્યારે અંતર્ગત માળખું હજી પણ ત્યાં હોઈ શકે છે.

ઉલ્લંઘન 1: મલ્ટિકોલિનિયરિટી

શા માટે? બે અથવા વધુ સમજૂતીત્મક ચલો એકબીજા સાથે મજબૂત રીતે સંબંધિત છે; ઉદાહરણ તરીકે, મોડેલમાં "કુલ વર્ષનો અનુભવ" અને "વય" બંનેને મૂકવું. આ ચલો લગભગ સમાન માહિતી વહન કરતા હોવાથી, મોડેલને તેમને અલગ કરવામાં મુશ્કેલી પડે છે.

તે શું તૂટી જાય છે? ગુણાંકના અંદાજો નિષ્પક્ષ રહે છે પરંતુ અસ્થિર બને છે: પ્રમાણભૂત ભૂલો વધી જાય છે, આત્મવિશ્વાસના અંતરાલ વિસ્તરે છે, વ્યક્તિગત ગુણાંક નજીવા બની શકે છે જ્યારે મોડલ એકંદરે નોંધપાત્ર હોઈ શકે છે (F-ટેસ્ટ). એક નાનો ડેટા ફેરફાર ગુણાંકને નોંધપાત્ર રીતે ખસેડે છે.

તેનું નિદાન કેવી રીતે થાય છે? VIF (વેરિઅન્સ ઇન્ફ્લેશન ફેક્ટર): દરેક ચલ માટે, તે માપે છે કે તે ચલ અન્ય લોકો દ્વારા કેટલું સમજાવવામાં આવ્યું છે. રફ થ્રેશોલ્ડ તરીકે, VIF > 5 (કેટલાક 10) સાવધાની આપે છે. વધુમાં, સમજૂતીત્મક ચલો વચ્ચેના સહસંબંધ મેટ્રિક્સની તપાસ કરવામાં આવે છે.

કેવી રીતે ઠીક કરવું? સહસંબંધિત ચલોમાંના એકને છોડવું, તેમને જોડવું (અનુક્રમણિકા બનાવવી), અથવા (જો સિદ્ધાંતની જરૂર હોય તો) બંનેને રાખવા અને વ્યક્તિગત ગુણાંકનું અર્થઘટન કરવાનું ટાળવું. કયું ચલ રહે છે તે સૈદ્ધાંતિક નિર્ણય છે, આંકડાકીય નિર્ણય નથી — AI નાબૂદીનું સૂચન કરે છે, તમે વાજબીતા પ્રદાન કરો છો.

ઉલ્લંઘન 2: હેટરોસેડેસ્ટીસીટી

શા માટે? અવલોકનોમાં ભૂલ શબ્દનો તફાવત સ્થિર નથી. લાક્ષણિક ઉદાહરણ: જેમ જેમ આવક વધે છે, તેમ ખર્ચની આસપાસ વિખેરાઈ જાય છે; "ફનલ" પેટર્ન રચાય છે, ઓછી આવક પર સાંકડી અને ઊંચી આવક પર પહોળી.

તે શું તૂટી જાય છે? ગુણાંકના અંદાજો ફરીથી નિષ્પક્ષ છે - આ મહત્વપૂર્ણ છે. જે વિકૃત થાય છે તે પ્રમાણભૂત ભૂલો છે: તે ખોટી રીતે ગણવામાં આવે છે, તેથી p-મૂલ્યો અને આત્મવિશ્વાસ અંતરાલ અવિશ્વસનીય બની જાય છે. તેથી તમારો ગુણાંક સાચા કેન્દ્રમાં છે, પરંતુ "તમે કેટલા આત્મવિશ્વાસ ધરાવો છો" પ્રશ્નનો જવાબ ખોટો છે.

તેનું નિદાન કેવી રીતે થાય છે? અનુમાનિત મૂલ્યો વિરુદ્ધ અવશેષોના સ્કેટર પ્લોટ (ફનલ પેટર્ન માંગી) અને ઔપચારિક પરીક્ષણો: બ્રુશ-પેગન ટેસ્ટ, વ્હાઇટ ટેસ્ટ. નાનું p-વેલ્યુ કહે છે "કોઈ કોન્સ્ટન્ટ વેરિઅન્સ નથી".

કેવી રીતે ઠીક કરવું? સૌથી સામાન્ય અને વ્યવહારુ ઉકેલ એ છે કે મજબૂત પ્રમાણભૂત ભૂલો (મજબૂત / હેટરોસ્કેડસ્ટીસીટી-સતત, HC માનક ભૂલો): તે ગુણાંકમાં ફેરફાર કરતું નથી, તે ઉલ્લંઘન માટે પ્રમાણભૂત ભૂલને સુધારે છે. વૈકલ્પિક: આશ્રિત ચલ (જેમ કે લોગ) અથવા ભારિત LCM નું પરિવર્તન. મજબૂત પ્રમાણભૂત ભૂલો આજે પ્રયોગમૂલક કાર્યમાં લગભગ મૂળભૂત બની ગઈ છે.

ઉલ્લંઘન 3: સ્વતઃસંબંધ

શા માટે? ભૂલની શરતો એકબીજાથી સ્વતંત્ર નથી; તે સમય શ્રેણીમાં સૌથી સામાન્ય છે: એક સમયગાળાની ભૂલ બીજાને અસર કરે છે (દા.ત. આંચકા પછીના સમયગાળામાં શેષ હકારાત્મક રહે છે).

તે શું તૂટી જાય છે? ફરીથી, તે પ્રાથમિક રીતે પ્રમાણભૂત ભૂલોને વિકૃત કરે છે (ઘણી વખત તેમને અલ્પોક્તિ કરે છે, ખોટું મહત્વ બનાવે છે); ગુણાંક LCC માં નિષ્પક્ષ રહે છે પરંતુ તેમની અસરકારકતા ગુમાવે છે.

તેનું નિદાન કેવી રીતે થાય છે? ડર્બિન-વોટસન ટેસ્ટ (પ્રથમ ક્રમના સ્વતઃસંબંધ માટે), બ્રુશ-ગોડફ્રે ટેસ્ટ (વધુ સામાન્ય), અને અવશેષોના પ્લોટ્સ વિરુદ્ધ લેગ્ડ મૂલ્યો.

કેવી રીતે ઠીક કરવું? Newey-West (HAC — ઓટોકોરિલેશન અને હેટરોસ્કેડસ્ટીસીટી માટે પ્રતિરોધક) પ્રમાણભૂત ભૂલો, મોડલમાં લેગડ ટર્મ્સ ઉમેરીને, અથવા યોગ્ય સમય શ્રેણી મોડલ (એકમ 8) પર સ્વિચ કરવું.

સાવધાન: હેટરોસેડેસ્ટીસીટી અને ઓટોકોરિલેશન પ્રમાણભૂત ભૂલને વિકૃત કરે છે, ગુણાંકને નહીં. તેથી, "ગુણાંક નોંધપાત્ર હતો" કહેતા પહેલા, ખાતરી કરો કે પ્રમાણભૂત ભૂલની ગણતરી યોગ્ય રીતે કરવામાં આવી છે; અન્યથા અર્થપૂર્ણતા એક ભ્રમણા હોઈ શકે છે.

સરખામણી ચાર્ટ

ઉલ્લંઘન

શું તૂટે છે

નિદાન

સામાન્ય ઉકેલ

બહુ-લિંક

પ્રમાણભૂત ભૂલોને ફૂલે છે, ગુણાંકને અસ્થિર બનાવે છે

VIF, સહસંબંધ મેટ્રિક્સ

ચલ બાદબાકી/સંયોજિત કરો (સિદ્ધાંત દ્વારા)

વિજાતીયતા

માનક ભૂલો (ગુણાંક નિષ્પક્ષ)

Breusch-મૂર્તિપૂજક, સફેદ, શેષ પ્લોટ

મજબૂત (HC) પ્રમાણભૂત ભૂલ, રૂપાંતરણ

સ્વયંસંબંધ

માનક ભૂલો (ગુણાંક નિષ્પક્ષ)

ડર્બિન-વોટસન, બ્રુશ-ગોડફ્રે

Newey-વેસ્ટ (HAC), વિલંબિત મુદત

ચાર નકલ કરી શકાય તેવા સંકેતો

1. સંપૂર્ણ ડાયગ્નોસ્ટિક પેકેજ:

તમારી ભૂમિકા: રીગ્રેશન ડાયગ્નોસ્ટિક સહાયક. મને આર કોડ જોઈએ છે, હું ડેટા શેર કરતો નથી. મોડલ: lm(ખર્ચ ~ આવક + ઉંમર + પ્રદેશ, ડેટા = ડેટા). કાર્ય: (1) VIF ની ગણતરી કરો, (2) બ્રુશ-પેગન અને શેષ-અંદાજ પ્લોટ સાથે હેટરોસ્કેડસ્ટીસીટીનું પરીક્ષણ કરો, (3) ડર્બિન-વોટસન સાથે સ્વતઃસંબંધનું પરીક્ષણ કરો. ટિપ્પણી લાઇનમાં સમજાવો કે દરેક પરીક્ષણ કયા ઉલ્લંઘનને માપે છે અને p-મૂલ્યનું અર્થઘટન કેવી રીતે કરવું. સુધારણા અરજી; નિદાન ઉત્પન્ન કરો.

2. મજબૂત માનક ભૂલ:

સમાન મોડલ (સેન્ડવીચ + lmtest પેકેજો) માટે હેટરોસ્કેડેસ્ટીસીટી-રોબસ્ટ (HC3) પ્રમાણભૂત ભૂલો સાથે ગુણાંક કોષ્ટકનું પુનઃઉત્પાદન કરતું R કોડ લખો. શાસ્ત્રીય અને મજબૂત પ્રમાણભૂત ભૂલો સાથે સાથે દર્શાવતું કોષ્ટક બનાવો જેથી હું તફાવત જોઈ શકું. કોમેન્ટ લાઇનમાં ભાર આપો કે ગુણાંક બદલાતા નથી, માત્ર પ્રમાણભૂત ભૂલો જ કરે છે.

3. મલ્ટી-લિંક સમીક્ષા:

મને ઉચ્ચ VIF વાળા ચલોની થિંક લિસ્ટ આપો: કયા ચલ સૈદ્ધાંતિક રીતે સમાન વસ્તુને માપી શકે છે, જે તેમને રાખવા માટે મજબૂત કેસ છે. ઓટો-ક્વોલિફાય કરશો નહીં; હું સિદ્ધાંતના આધારે નિર્ણય લઈશ. તે પણ સમજાવો કે શા માટે ફક્ત VIF ને જોવું અને વેરીએબલ સોંપવું ખોટું હોઈ શકે.

4. સ્વતઃસંબંધ સુધારણા:

મારી ટાઈમ સીરીઝ રીગ્રેશનમાં, બ્રુશ-ગોડફ્રે પી-વેલ્યુ 0.001 હતી. R કોડ લખો કે જે Newey-West (HAC) પ્રમાણભૂત ભૂલો સાથે ગુણાંક કોષ્ટક બનાવે છે અને લેગ કેવી રીતે પસંદ કરવો તે સમજાવો. નોંધ કરો કે આ કરેક્શન સ્વતઃસંબંધના કારણને હલ કરતું નથી, તે માત્ર અનુમાનને સુધારે છે.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

શું મારા રીગ્રેશનમાં કોઈ સમસ્યા છે? જો એમ હોય, તો તેને ઠીક કરો.

આ પ્રોમ્પ્ટ એઆઈને અંધ "ફિક્સ" મોડમાં મૂકે છે: તે પરીક્ષણોને છોડી શકે છે અને સીધું રૂપાંતર અથવા વેરિયેબલ એલિમિનેશન લાગુ કરી શકે છે, તમને બતાવ્યા વિના કે ખરેખર કયું ઉલ્લંઘન અસ્તિત્વમાં છે અને તે શું તૂટી ગયું છે.

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: ડાયગ્નોસ્ટિક સહાયક, સ્વતઃ સુધારક નહીં. ત્રણ ઉલ્લંઘનો માટે અલગથી પ્રથમ કસોટી (મલ્ટીકોલીનિયરીટી, હેટરોસેડેસ્ટીસીટી, ઓટોકોરિલેશન) અને દરેક માટે: કઈ કસોટી, પરિણામ કેવી રીતે વાંચવું, શું તે ગુણાંક અથવા ધોરણની ભૂલને તોડે છે. પછી ખરેખર જે ઉલ્લંઘન શોધવામાં આવ્યું હતું તેના માટે માત્ર એક ફિક્સ સૂચવો અને સમજાવો કે હું કેવી રીતે ચકાસી શકું કે ફિક્સે સમસ્યાને ઠીક કરી.

તફાવત: મજબૂત ઇચ્છા સુધારણા પહેલા નિદાનને દબાણ કરે છે અને "તે શું તૂટે છે" વચ્ચે સ્પષ્ટ તફાવતની માંગ કરે છે.

ત્રણ નાના કેસો

કેસ 1 - બનાવટી મહત્વ (વિષમ-વિષયકતા). એક વિશ્લેષકને ખર્ચ ~ આવકના મોડેલમાં આવક ગુણાંક p=0.01 પર "નોંધપાત્ર" હોવાનું જણાયું છે. પરંતુ હવે તેના ચાર્ટ પર એક અલગ ફનલ પેટર્ન હતી. જ્યારે મજબૂત પ્રમાણભૂત ભૂલો લાગુ કરવામાં આવી હતી, ત્યારે p-મૂલ્ય વધીને 0.09 થયું હતું; અર્થપૂર્ણતા ખોવાઈ ગઈ છે. પ્રથમ પરિણામ એ ખોટી ગણતરી કરેલ પ્રમાણભૂત ભૂલ દ્વારા બનાવેલ ભ્રમણા હતી. પાઠ: પ્રમાણભૂત ભૂલને સુધાર્યા વિના મહત્વ પર વિશ્વાસ કરી શકાતો નથી.

કેસ 2 - બ્લાઇન્ડ વેરિયેબલ એલિમિનેશન. એક વિદ્યાર્થીએ મોડેલમાંથી "અનુભવ" વેરીએબલ છોડી દીધું કારણ કે તેનું VIF ઊંચું હતું; ગુણાંક "સાફ" કરવામાં આવ્યા હતા પરંતુ મોડેલનો સૈદ્ધાંતિક અર્થ વિકૃત હતો કારણ કે અનુભવ એ રસનું મુખ્ય ચલ હતું. સાચી રીત: ઉંમર બાદ કરો અને અનુભવ રાખો, અથવા બે ભેગા કરો. પાઠ: VIF થ્રેશોલ્ડ એકલા નાબૂદી માટેનું કારણ નથી; સિદ્ધાંત નક્કી કરે છે.

કેસ 3 - સ્વતઃસંબંધ દ્વારા છુપાયેલી અનિશ્ચિતતા. સમય શ્રેણીના અભ્યાસમાં, ડર્બિન-વોટસનની અવગણના કરવામાં આવી હતી; ગુણાંક ખૂબ જ "ચોક્કસ" લાગતો હતો (સંકુચિત આત્મવિશ્વાસ અંતરાલ). જ્યારે Newey-West સ્ટાન્ડર્ડ ભૂલો લાગુ કરવામાં આવી હતી, ત્યારે આત્મવિશ્વાસનો અંતરાલ બમણો થયો હતો અને નીતિની ભલામણ વધુ રૂઢિચુસ્ત બની હતી. પાઠ: સ્વયંસંબંધ અનિશ્ચિતતાને ઓછો અંદાજ આપી શકે છે.

સામાન્ય ભૂલો

• પ્રમાણભૂત ભૂલને ગુણાંકની સમસ્યા તરીકે વિકૃત કરતા ઉલ્લંઘનને ભૂલવું. હેટરોસેડેસ્ટીસીટી અને સ્વતઃસંબંધ ગુણાંકને વિકૃત કરતા નથી; ગભરાશો નહીં અને બિનજરૂરી રીતે મોડેલને ફરીથી બનાવો, પહેલા પ્રમાણભૂત ભૂલને સુધારો.
• VIF ને જોવું અને આંધળી રીતે વેરીએબલ સોંપવું. સૈદ્ધાંતિક રીતે જરૂરી વેરીએબલને દૂર કરવાથી માત્ર VIF ઊંચું છે તે મોડેલને અર્થહીન બનાવે છે.
• સુધારાની ચકાસણી કરી રહ્યાં નથી. મજબૂત પ્રમાણભૂત ભૂલ લાગુ કર્યા પછી, તપાસો કે ઉલ્લંઘન ખરેખર અનુમાનને સુધારે છે; "મેં લાગુ કર્યું, થઈ ગયું" એમ ન કહો.
• નિદાન વિના ઠીક કરો. કયું ઉલ્લંઘન અસ્તિત્વમાં છે તેની ચકાસણી કર્યા વિના પરિવર્તન/નાબૂદી લાગુ કરવાથી સમસ્યા જ્યાં અસ્તિત્વમાં નથી ત્યાં "ઉકેલ" શકે છે અને જે કરે છે તેને છુપાવી શકે છે.
• શા માટે જગ્યાએ ફિક્સ મૂકી. Newey-વેસ્ટ સ્વયંસંબંધના કારણને ઉકેલતું નથી; તે માત્ર અનુમાનને ઠીક કરે છે. જો કોઈ માળખાકીય સમસ્યા હોય, તો મોડેલ બદલવું આવશ્યક છે.

ટીપ: દરેક ઉલ્લંઘન માટે, તમારી જાતને પૂછો "શું આ ગુણાંકને નષ્ટ કરી રહ્યું છે કે મારો તેના પરનો વિશ્વાસ?" જો જવાબ "આત્મવિશ્વાસ" છે, તો ઉકેલ લગભગ હંમેશા પ્રમાણભૂત ભૂલ સુધારણા છે, મોડેલને ફરીથી બનાવવું નહીં.

સારાંશમાં

રીગ્રેશન ડાયગ્નોસ્ટિક્સ એ આઉટપુટ પર વિશ્વાસ કરવા માટેની પૂર્વશરત છે. ત્રણ સામાન્ય ઉલ્લંઘનોમાંથી, મલ્ટિકોલિનિયરિટી ગુણાંકને અસ્થિર બનાવે છે અને પ્રમાણભૂત ભૂલને વધારે છે; બીજી બાજુ, હેટરોસ્કેડસ્ટીસીટી અને સ્વતઃસંબંધ, ગુણાંકને નિષ્પક્ષ છોડી દો અને માત્ર પ્રમાણભૂત ભૂલને વિકૃત કરે છે. AI ડાયગ્નોસ્ટિક અને ફિક્સ કોડ જનરેટ કરે છે, પરંતુ તમે નક્કી કરો છો કે કયું ઉલ્લંઘન વાસ્તવિક સમસ્યા છે, કયો પ્રકાર સૈદ્ધાંતિક રહે છે અને શું ફિક્સ સમસ્યા હલ કરે છે. "શું તૂટી રહ્યું છે" વચ્ચેના ભેદને સ્પષ્ટ કર્યા વિના ગભરાટ કે આંધળી સુધારણા યોગ્ય નથી.

એપ્લિકેશન કાર્ય

મલ્ટિવેરિયેટ રીગ્રેશન સેટ કરો અને AI ને એવા કોડ માટે પૂછો કે જે ફક્ત નિદાન ઉત્પન્ન કરે છે (કોઈ સુધારણા નથી): VIF, Breusch-Pagan/White, અને Durbin-Watson/Breusch-Godfrey. દરેક પરીક્ષણ માટે, પરિણામનું અર્થઘટન કરો અને સૂચવો કે ઉલ્લંઘન ગુણાંકને વિકૃત કરે છે કે પ્રમાણભૂત ભૂલ. વાસ્તવિક ઉલ્લંઘન માટે તમે શોધો છો (દા.ત. હેટરોસેડેસ્ટીસીટી), મજબૂત પ્રમાણભૂત ભૂલો લાગુ કરો અને ક્લાસિકલ અને મજબૂત પરિણામોનો સામનો કરો; બતાવો કે ગુણાંક બદલાતો નથી પરંતુ પ્રમાણભૂત ભૂલ બદલાય છે. એક ફકરામાં, સુધારણા દ્વારા તમારા મહત્વના પરિણામને કેવી રીતે અસર થઈ તેની જાણ કરો.

ચેકલિસ્ટ

• [ ] મેં ત્રણ ઉલ્લંઘનો (મલ્ટિકોલિનિયરિટી, હેટરોસ્કેડેસ્ટિસિટી, ઑટોકોરિલેશન) અલગથી ચકાસ્યા.
• [ ] દરેક ઉલ્લંઘન માટે, મેં ભેદ કર્યો કે તે ગુણાંકને વિકૃત કરે છે કે પ્રમાણભૂત ભૂલ.
• [ ] મેં થિયરી પર મલ્ટીકોલીનરીટીમાં વેરીએબલ એલિમિનેશન પર આધારિત છે, માત્ર VIF પર નહીં.
• [ ] મેં હેટરોસેડેસ્ટીસીટી/ઓટોકોરિલેશન (HC/HAC) માટે મજબૂતાઈ સાથે પ્રમાણભૂત ભૂલનો ઉપયોગ કર્યો.
• [ ] સુધારણા પછી, મેં મારા અનુમાન પર ઉલ્લંઘનની અસર તપાસી અને ચકાસ્યું.
• [ ] હું જાણ કરું છું કે પ્રમાણભૂત ભૂલ સુધારણા દ્વારા મારું મહત્વ પરિણામ કેવી રીતે પ્રભાવિત થયું હતું.