ಎಕನಾಮೆಟ್ರಿಕ್ ಮಾದರಿ ಬೆಂಬಲ: ಹಿಂಜರಿತ, ಕಾರಣ ಮತ್ತು ವ್ಯಾಖ್ಯಾನ

ಲಾಭಗಳು:

• ರಿಗ್ರೆಷನ್ ಔಟ್‌ಪುಟ್ ಅನ್ನು ನಿಖರವಾಗಿ ಓದುವ ಸಾಮರ್ಥ್ಯ (ಗುಣಾಂಕ, ಪ್ರಮಾಣಿತ ದೋಷ, p-ಮೌಲ್ಯ, R- ಚೌಕ) ಮತ್ತು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ವ್ಯಾಖ್ಯಾನವನ್ನು ವಿಮರ್ಶಾತ್ಮಕವಾಗಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡುವುದು
• ಪರಸ್ಪರ ಸಂಬಂಧ-ಕಾರಣ ವ್ಯತ್ಯಾಸ, ಅಂತಃಸ್ರಾವಕತೆ, ಬಿಟ್ಟುಬಿಡಲಾದ ಅಸ್ಥಿರಗಳು ಮತ್ತು ನಕಲಿ ಹಿಂಜರಿತದಂತಹ ಮೋಸಗಳನ್ನು ಗುರುತಿಸುವ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಅತಿಯಾದ ಸಾಂದರ್ಭಿಕ ಭಾಷೆಯನ್ನು ನಿಗ್ರಹಿಸುವ ಸಾಮರ್ಥ್ಯ
• ಮಾದರಿಯ ಸೆಟಪ್, ಕೋಡ್ ಮತ್ತು ಡಯಾಗ್ನೋಸ್ಟಿಕ್ ಟೆಸ್ಟ್ ಡ್ರಾಫ್ಟಿಂಗ್‌ಗಾಗಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಬಳಸುವ ಸಾಮರ್ಥ್ಯ, ಮಾದರಿ ಆಯ್ಕೆ ಮತ್ತು ವ್ಯಾಖ್ಯಾನದ ಜವಾಬ್ದಾರಿಯನ್ನು ಮನುಷ್ಯರಿಗೆ ಬಿಟ್ಟುಬಿಡುತ್ತದೆ.

ಆರ್ಥಿಕ ಸಿದ್ಧಾಂತವು ದತ್ತಾಂಶದೊಂದಿಗೆ ಆರ್ಥಿಕ ಸಿದ್ಧಾಂತವನ್ನು ಪರೀಕ್ಷಿಸುವ ಶಿಸ್ತು, ಮತ್ತು ಹಿಂಜರಿತವು ಅದರ ಮೂಲ ಸಾಧನವಾಗಿದೆ. "ಆದಾಯ ಹೆಚ್ಚಾದಂತೆ ಬಳಕೆ ಎಷ್ಟು ಹೆಚ್ಚಾಗುತ್ತದೆ?", "ಬಡ್ಡಿ ಮತ್ತು ಹೂಡಿಕೆಯ ನಡುವಿನ ಸಂಬಂಧವೇನು?" ಈ ರೀತಿಯ ಪ್ರಶ್ನೆಗಳನ್ನು ಹಿಂಜರಿತದಿಂದ ಪ್ರಮಾಣೀಕರಿಸಲಾಗುತ್ತದೆ. ಈ ಪ್ರದೇಶದಲ್ಲಿ AI ತುಂಬಾ ಉಪಯುಕ್ತವಾಗಿದೆ ಮತ್ತು ತುಂಬಾ ಅಪಾಯಕಾರಿಯಾಗಿದೆ: ಇದು ಮಾದರಿ ಕೋಡ್ ಮತ್ತು ರೋಗನಿರ್ಣಯ ಪರೀಕ್ಷೆಗಳನ್ನು ಸೆಕೆಂಡುಗಳಲ್ಲಿ ಬರೆಯುತ್ತದೆ, ಆದರೆ ಔಟ್‌ಪುಟ್ ಅನ್ನು ಅರ್ಥೈಸುವಾಗ ಹೆಚ್ಚಾಗಿ ಹೆಚ್ಚು ಕಾರಣ ಮತ್ತು ಹೆಚ್ಚು ನಿಖರವಾಗಿರುತ್ತದೆ. "X ಹೆಚ್ಚಿಸುತ್ತದೆ Y" ಎಂಬ ವಾಕ್ಯವನ್ನು ನಿರರ್ಗಳವಾಗಿ ಹೇಳುತ್ತದೆ; ಆದರೆ ಹೆಚ್ಚಿನ ಹಿಂಜರಿಕೆಗಳು ಒಂದು ಸಂಬಂಧವನ್ನು ಮಾತ್ರ ಅಳೆಯುತ್ತವೆ. ಈ ಘಟಕದ ಸಾರಾಂಶವೆಂದರೆ: ಮಾದರಿ ಸೆಟಪ್, ಕೋಡ್ ಮತ್ತು ಡಯಾಗ್ನೋಸ್ಟಿಕ್ ಪರೀಕ್ಷೆಗಾಗಿ AI ಬಳಸಿ; ಆದರೆ ಮಾದರಿ ಆಯ್ಕೆ, ಕಾರಣ ನಿರ್ಣಯ ಮತ್ತು ಮಾನವನ ವ್ಯಾಖ್ಯಾನದ ಜವಾಬ್ದಾರಿಯನ್ನು ಇಟ್ಟುಕೊಳ್ಳಿ.

ರಿಗ್ರೆಶನ್ ಔಟ್‌ಪುಟ್ ಓದುವುದು

ಸರಳ ರಿಗ್ರೆಶನ್‌ನ ಔಟ್‌ಪುಟ್ ನಾಲ್ಕು ವಿಷಯಗಳನ್ನು ಹುಡುಕುತ್ತದೆ:

• ಗುಣಾಂಕ. ವಿವರಣಾತ್ಮಕ ವೇರಿಯಬಲ್ ಒಂದು ಘಟಕದಿಂದ ಹೆಚ್ಚಾದಾಗ ಅವಲಂಬಿತ ವೇರಿಯಬಲ್ ಎಷ್ಟು ಬದಲಾಗುತ್ತದೆ ಎಂಬುದರ ಅಂದಾಜು. ಚಿಹ್ನೆ (ಪ್ಲಸ್/ಮೈನಸ್) ಮತ್ತು ಪ್ರಮಾಣವು ಆರ್ಥಿಕ ಅರ್ಥವನ್ನು ಹೊಂದಿರಬೇಕು.
• ಪ್ರಮಾಣಿತ ದೋಷ. ಗುಣಾಂಕ ಅಂದಾಜಿನ ಅನಿಶ್ಚಿತತೆ; ಅದು ಚಿಕ್ಕದಾಗಿದ್ದರೆ, ಅಂದಾಜು ಹೆಚ್ಚು ನಿಖರವಾಗಿರುತ್ತದೆ.
• p-ಮೌಲ್ಯ. ಗುಣಾಂಕವು "ವಾಸ್ತವವಾಗಿ ಶೂನ್ಯ" ಎಂಬ ಊಹೆಯ ಅಡಿಯಲ್ಲಿ ಈ ದೊಡ್ಡದಾಗಿ ಕಾಣಿಸಿಕೊಳ್ಳುವ ಸಂಭವನೀಯತೆ. ಸಣ್ಣ p (< 0.05) "ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯವಾಗಿ ಮಹತ್ವದ್ದಾಗಿದೆ" ಎಂದು ಹೇಳಲಾಗುತ್ತದೆ - ಆದರೆ ಇದು ಆರ್ಥಿಕ ಮಹತ್ವ ಅಥವಾ ಕಾರಣವನ್ನು ಸೂಚಿಸುವುದಿಲ್ಲ.
• ಆರ್-ಸ್ಕ್ವೇರ್ಡ್. ಅವಲಂಬಿತ ವೇರಿಯಬಲ್‌ನಲ್ಲಿ ಎಷ್ಟು ಬದಲಾವಣೆಯನ್ನು ಮಾದರಿ ವಿವರಿಸುತ್ತದೆ. ಹೆಚ್ಚಿನ R-ಸ್ಕ್ವೇರ್ ಎಂದರೆ "ಸರಿಯಾದ ಮಾದರಿ" ಎಂದಲ್ಲ; ಇದು ನಕಲಿ ಹಿಮ್ಮೆಟ್ಟುವಿಕೆಗಳಲ್ಲಿ ಕೂಡ ಹೆಚ್ಚಿರಬಹುದು.

ಸಲಹೆ: ಸಂಖ್ಯಾಶಾಸ್ತ್ರದ ಮಹತ್ವವನ್ನು ಆರ್ಥಿಕ ಪ್ರಾಮುಖ್ಯತೆಯೊಂದಿಗೆ ಗೊಂದಲಗೊಳಿಸಬೇಡಿ. ಬಹಳ ಚಿಕ್ಕದಾದ, ಪ್ರಾಯೋಗಿಕವಾಗಿ ಅತ್ಯಲ್ಪ ಪರಿಣಾಮವು ದೊಡ್ಡ ಮಾದರಿಯಲ್ಲಿ "ಗಮನಾರ್ಹ" (ಸಣ್ಣ p) ಆಗಿ ಹೊರಹೊಮ್ಮಬಹುದು. ಮೊದಲನೆಯದಾಗಿ, "ಈ ಗುಣಾಂಕದ ಗಾತ್ರವು ಆರ್ಥಿಕವಾಗಿ ಮುಖ್ಯವಾಗಿದೆಯೇ?" ', ನಂತರ ಮಹತ್ವವನ್ನು ನೋಡಿ.

ಪರಸ್ಪರ ಸಂಬಂಧವು ಕಾರಣವಲ್ಲ: ಕ್ಲಾಸಿಕ್ ಮೋಸಗಳು

ಇದು ಅರ್ಥಶಾಸ್ತ್ರದ ಹೃದಯಭಾಗದಲ್ಲಿರುವ ಎಚ್ಚರಿಕೆ. ಹಿಂಜರಿತದಿಂದ ಕಂಡುಬರುವ ಸಂಬಂಧವು ಹೆಚ್ಚಾಗಿ ಕಾರಣವಲ್ಲ. ಪ್ರಮುಖ ದೋಷಗಳು:

• ಬಿಟ್ಟುಬಿಟ್ಟ ವೇರಿಯಬಲ್. X ಮತ್ತು Y ಎರಡರ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುವ ಆದರೆ ಮಾದರಿಯಲ್ಲಿಲ್ಲದ ಮೂರನೇ ಅಂಶವು X ಮತ್ತು Y ನಡುವೆ ನಕಲಿ ಸಂಬಂಧವನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ. (ಉದಾಹರಣೆ: ಶಿಕ್ಷಣ ಮತ್ತು ಆದಾಯದ ನಡುವಿನ ಸಂಬಂಧದಲ್ಲಿ "ಸಾಮರ್ಥ್ಯ" ಅನ್ನು ಬಿಟ್ಟುಬಿಟ್ಟರೆ, ಗುಣಾಂಕವು ತಪ್ಪುದಾರಿಗೆಳೆಯುತ್ತದೆ.)
• ರಿವರ್ಸ್ ಕಾಸ್ಯಾಲಿಟಿ (ಎಂಡೋಜೆನಿಟಿ). X Y ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ ಎಂದು ಭಾವಿಸಲಾಗಿದೆ, ಬಹುಶಃ Y X ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ ಅಥವಾ ಎರಡು ಪರಸ್ಪರ. (ಪೊಲೀಸ್ ಸಂಖ್ಯೆಗಳು ಮತ್ತು ಅಪರಾಧ: ಅಪರಾಧ ಹೆಚ್ಚಾದ ಕಾರಣ ಪೊಲೀಸರು ಹೆಚ್ಚಿದ್ದಾರೆಯೇ?)
• ಹುಸಿ ಹಿಂಜರಿಕೆ. ಎರಡು ನಿಶ್ಚಲವಲ್ಲದ (ಟ್ರೆಂಡಿಂಗ್) ಸರಣಿಗಳು ಹೆಚ್ಚಿನ R-ವರ್ಗದ ಮತ್ತು ಗಮನಾರ್ಹ ಗುಣಾಂಕಗಳನ್ನು ನೀಡಬಹುದು ಆದರೆ ಅವುಗಳ ನಡುವೆ ಯಾವುದೇ ನೈಜ ಸಂಬಂಧವಿಲ್ಲ. ಏಕೆಂದರೆ ಅವರಿಬ್ಬರೂ ಕಾಲಾನಂತರದಲ್ಲಿ ಬೆಳೆಯುತ್ತಾರೆ.
• ಆಯ್ಕೆ ಪಕ್ಷಪಾತ. ಮಾದರಿಯು ಯಾದೃಚ್ಛಿಕವಾಗಿಲ್ಲದಿದ್ದರೆ, ಸಂಬಂಧವನ್ನು ಓರೆಯಾಗಿ ಅಳೆಯಲಾಗುತ್ತದೆ.

ಕಾರಣತ್ವದ ಹಕ್ಕು ಸರಿಯಾದ ವಿನ್ಯಾಸದೊಂದಿಗೆ ಮಾತ್ರ ಸ್ಥಾಪಿಸಲ್ಪಡುತ್ತದೆ (ನಿಯಂತ್ರಿತ ಪ್ರಯೋಗ, ನೈಸರ್ಗಿಕ ಪ್ರಯೋಗ, ವಾದ್ಯಗಳ ವೇರಿಯಬಲ್, ವ್ಯತ್ಯಾಸದಲ್ಲಿ ವ್ಯತ್ಯಾಸ) ಮತ್ತು ಸ್ಪಷ್ಟವಾದ ಊಹೆಗಳಂತಹ ವಿಧಾನಗಳು. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಸಾಮಾನ್ಯವಾಗಿ ಈ ಸೂಕ್ಷ್ಮತೆಯನ್ನು ತಪ್ಪಿಸುತ್ತದೆ.

ಎಚ್ಚರಿಕೆ: AI ಹೇಳಿದರೆ "ಈ ವೇರಿಯಬಲ್ ಹೆಚ್ಚಾಗುತ್ತದೆ/ಕಡಿಮೆಯಾಗುತ್ತದೆ", ತಕ್ಷಣ ಬ್ರೇಕ್ ಮಾಡಿ. ಸಮಸ್ಯೆ: ಯಾವುದೇ ಅಸ್ಥಿರಗಳನ್ನು ಬಿಟ್ಟುಬಿಡಲಾಗಿದೆಯೇ? ಹಿಮ್ಮುಖ ಕಾರಣ ಸಾಧ್ಯವೇ? ಸರಣಿಯು ಸ್ಥಿರವಾಗಿದೆಯೇ? ಈ ಮೂರು ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳುವವರೆಗೆ ಯಾವುದೇ ಕಾರಣದ ವಾಕ್ಯವು ವರದಿಯನ್ನು ಪ್ರವೇಶಿಸುವುದಿಲ್ಲ.

ರೋಗನಿರ್ಣಯ ಪರೀಕ್ಷೆಗಳು

ರಿಗ್ರೆಶನ್ ವಿಶ್ವಾಸಾರ್ಹವಾಗಿರಲು, ಅದರ ಊಹೆಗಳನ್ನು ಪರೀಕ್ಷಿಸಲಾಗುತ್ತದೆ: ಉಳಿಕೆಗಳ ಮಾದರಿ (ದೋಷ ಪದಗಳು) (ಸ್ವಯಂ ಸಂಬಂಧ), ಹೆಟೆರೋಸ್ಕೆಡಾಸ್ಟಿಸಿಟಿ (ಹೆಟೆರೊಸ್ಕೆಡಾಸ್ಟಿಸಿಟಿ), ಮಲ್ಟಿಕಾಲಿನಿಯರಿಟಿ (ವಿವರಣಾತ್ಮಕ ಅಸ್ಥಿರಗಳು ಪರಸ್ಪರ ಹೋಲುತ್ತವೆ), ಸಾಮಾನ್ಯ ವಿತರಣೆ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಈ ಪರೀಕ್ಷೆಗಳಿಗೆ ಕೋಡ್ ಅನ್ನು ಬರೆಯುತ್ತದೆ; ಆದರೆ ಫಲಿತಾಂಶಗಳನ್ನು ಅರ್ಥೈಸುವುದು ಮತ್ತು ಅದಕ್ಕೆ ತಕ್ಕಂತೆ ಮಾದರಿಯನ್ನು ಹೊಂದಿಸುವುದು ಅರ್ಥಶಾಸ್ತ್ರಜ್ಞರ ಕೆಲಸ.

ಮೂರು ಸಣ್ಣ ಪ್ರಕರಣಗಳು

ಪ್ರಕರಣ 1 - ನಕಲಿ ಹಿಂಜರಿತ. ಒಬ್ಬ ಸಂಶೋಧಕ ಎರಡು ಪ್ರವೃತ್ತಿ ಸರಣಿಯನ್ನು ಹಿಮ್ಮೆಟ್ಟಿಸಿದನು (ಒಂದು ನಾಮಮಾತ್ರದ ಖರ್ಚು, ಒಂದು ನಾಮಮಾತ್ರದ ಇನ್ನೊಂದು ಪ್ರಮಾಣ); R- ವರ್ಗವು 0.98 ಆಗಿತ್ತು, ಗುಣಾಂಕವು ಹೆಚ್ಚು ಮಹತ್ವದ್ದಾಗಿತ್ತು. AI "ಬಲವಾದ ಸಂಬಂಧವಾಗಿದೆ," ಅವರು ಹೇಳಿದರು. ಸಂಶೋಧಕರು ನಿಶ್ಚಲತೆಯನ್ನು ಪರೀಕ್ಷಿಸಿದರು: ಎರಡೂ ಸರಣಿಗಳು ಸ್ಥಿರವಲ್ಲದವು. ಒಮ್ಮೆ ಅವರು ಬೇರ್ಪಟ್ಟ ನಂತರ, ಸಂಬಂಧವು ಹೆಚ್ಚಾಗಿ ಕಣ್ಮರೆಯಾಯಿತು. ಕಾಲಾನಂತರದಲ್ಲಿ ಇಬ್ಬರೂ ಬೆಳೆದ ಕಾರಣ ಹೆಚ್ಚಿನ R-ವರ್ಗವು ಸರಳವಾಗಿದೆ. ಹುಸಿ ಹಿಮ್ಮೆಟ್ಟುವಿಕೆ ಸಿಕ್ಕಿತು.

ಪ್ರಕರಣ 2 - ಬಿಟ್ಟುಬಿಡಲಾದ ವೇರಿಯಬಲ್. ಒಂದು ವಿಶ್ಲೇಷಣೆಯು "ಜಾಹೀರಾತು ವೆಚ್ಚವು ಮಾರಾಟವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ" ಎಂದು ಕಂಡುಹಿಡಿದಿದೆ. ಅರ್ಥಶಾಸ್ತ್ರಜ್ಞರು ಕೇಳಿದರು: ಮಾದರಿಯಲ್ಲಿ ಕಾಲೋಚಿತ ಪರಿಣಾಮವಿದೆಯೇ? ಇರಲಿಲ್ಲ. ರಜೆಯ ಮೊದಲು ಜಾಹೀರಾತು ಮತ್ತು ಮಾರಾಟಗಳೆರಡೂ ಹೆಚ್ಚಾಗುತ್ತಿದ್ದವು; ಸಂಬಂಧದ ಭಾಗವು ಋತುಮಾನವಾಗಿತ್ತು. ಋತುವಿನ ನಕಲಿ ಅಸ್ಥಿರಗಳನ್ನು ಸೇರಿಸಿದಾಗ, ಜಾಹೀರಾತಿನ ಗುಣಾಂಕವು ಚಿಕ್ಕದಾಯಿತು. ಕಾರಣಿಕ ಹಕ್ಕನ್ನು ಮೃದುಗೊಳಿಸಲಾಗಿದೆ.

ಪ್ರಕರಣ 3 - ಗಮನಾರ್ಹ ಆದರೆ ಅತ್ಯಲ್ಪ. ದೊಡ್ಡ ಮೈಕ್ರೊಡೇಟಾ ಸೆಟ್‌ನಲ್ಲಿ, ಗುಣಾಂಕ p<0.001; AI "ಬಲವಾದ ಪ್ರಭಾವ" ಎಂದು ಅವರು ಹೇಳಿದರು. ಆದರೆ ಗುಣಾಂಕದ ಪ್ರಮಾಣವು ಪ್ರಾಯೋಗಿಕವಾಗಿ ಅತ್ಯಲ್ಪವಾಗಿದೆ (ಆದಾಯದಲ್ಲಿನ ದೊಡ್ಡ ಬದಲಾವಣೆಯು ಫಲಿತಾಂಶವನ್ನು ಸಾವಿರದಿಂದ ಸರಿಸಿತು). ಅರ್ಥಶಾಸ್ತ್ರಜ್ಞರು ಇದನ್ನು "ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯವಾಗಿ ಮಹತ್ವದ ಆದರೆ ಆರ್ಥಿಕವಾಗಿ ಅತ್ಯಲ್ಪ" ಎಂದು ಸರಿಯಾಗಿ ರೂಪಿಸಿದ್ದಾರೆ. ಮಹತ್ವವು ಪ್ರಾಮುಖ್ಯತೆಗೆ ಪರ್ಯಾಯವಾಗಿರಲಿಲ್ಲ.

ಕಾಮೆಂಟ್ ಮಾಡರೇಶನ್ ಟೇಬಲ್

ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಹೇಳುತ್ತದೆ

ಎಂದು ಅರ್ಥಶಾಸ್ತ್ರಜ್ಞ ಕೇಳುತ್ತಾನೆ

"X Y ಅನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ"

ವೇರಿಯಬಲ್ ಬಿಟ್ಟುಬಿಡಲಾಗಿದೆಯೇ? ರಿವರ್ಸ್ ಕಾರಣತ್ವ?

"ಆರ್-ಸ್ಕ್ವೇರ್ ಹೆಚ್ಚು, ಮಾದರಿ ಒಳ್ಳೆಯದು"

ಸರಣಿಯು ಸ್ಥಿರವಾಗಿದೆಯೇ? ನಕಲಿ ಹಿಂಜರಿಕೆ?

"p<0.05, ಗಮನಾರ್ಹ"

ಗಾತ್ರವು ಆರ್ಥಿಕವಾಗಿ ಮುಖ್ಯವಾಗುತ್ತದೆಯೇ?

"ಗುಣಾಂಕ 0.3"

ಅದರ ಚಿಹ್ನೆ ಮತ್ತು ಘಟಕವು ಸಿದ್ಧಾಂತದೊಂದಿಗೆ ಹೊಂದಿಕೊಳ್ಳುತ್ತದೆಯೇ?

"ಸಂಬಂಧ ಬಲವಾಗಿದೆ"

ಮಾದರಿ ಆಯ್ಕೆ ಪಕ್ಷಪಾತವಾಗಿದೆಯೇ?

ನಾಲ್ಕು ನಕಲಿಸಬಹುದಾದ ಟೆಂಪ್ಲೇಟ್‌ಗಳು

1) ಮಾದರಿ ಅನುಸ್ಥಾಪನ ಸ್ಕೆಚ್:

ನಾನು ಈ ಕೆಳಗಿನ ಆರ್ಥಿಕ ಪ್ರಶ್ನೆಯನ್ನು ಪರಿಶೀಲಿಸುತ್ತೇನೆ: [ಪ್ರಶ್ನೆ]. ಅವಲಂಬಿತ ವೇರಿಯಬಲ್: [Y].ಅಭ್ಯರ್ಥಿ ವಿವರಣೆಗಳು: [X's]. ನನಗೆ ಸೂಕ್ತವಾದ ಆರಂಭಿಕ ರಿಗ್ರೆಷನ್ ಸೆಟಪ್ ಅನ್ನು ಸೂಚಿಸಿ (ಸ್ಟ್ಯಾಟ್‌ಮಾಡೆಲ್ಸ್ ಕೋಡ್). ಯಾವ ನಿಯಂತ್ರಣ ಅಸ್ಥಿರ ಅಗತ್ಯವಿದೆ ಮತ್ತು ಏಕೆ ಎಂದು ವಿವರಿಸಿ. ಕಾರಣವನ್ನು ಹೇಳಿಕೊಳ್ಳಬೇಡಿ; ಸಂಬಂಧದ ಭಾಷೆಯನ್ನು ಬಳಸಿ.

2) ರೋಗನಿರ್ಣಯ ಪರೀಕ್ಷೆಗಳು:

ನಾನು ಹೊಂದಿಸಿರುವ ಹಿಂಜರಿತದ ರೋಗನಿರ್ಣಯದ ಪರೀಕ್ಷೆಗಳನ್ನು ಕೋಡ್‌ನಲ್ಲಿ ಬರೆಯಿರಿ: ಸ್ವಯಂ-ಸಂಬಂಧ, ಹೆಟೆರೊಸೆಡೆಸ್ಟಿಸಿಟಿ, ಮಲ್ಟಿಕಾಲಿನಿಯರಿಟಿ, ಅವಶೇಷಗಳ ಪ್ರಸರಣ ಮತ್ತು ನಿಶ್ಚಲತೆ (ಇದು ಸಮಯದ ಸರಣಿಯಾಗಿದ್ದರೆ). ಪ್ರತಿ ಪರೀಕ್ಷಾ ಫಲಿತಾಂಶವನ್ನು ಹೇಗೆ ಅರ್ಥೈಸಿಕೊಳ್ಳುವುದು ಮತ್ತು ಸಮಸ್ಯೆಗಳಿದ್ದಲ್ಲಿ ಏನು ಮಾಡಬೇಕು ಎಂಬುದನ್ನು ಸಂಕ್ಷಿಪ್ತವಾಗಿ ಬರೆಯಿರಿ.

3) ಕಾರಣ ನಿಯಂತ್ರಣ:

ಈ ರಿಗ್ರೆಶನ್ ಫಲಿತಾಂಶವನ್ನು ಅರ್ಥೈಸಿಕೊಳ್ಳಿ, ಆದರೆ ಮೊದಲು ಈ ಮೂರು ಮೋಸಗಳನ್ನು ಪರಿಶೀಲಿಸಿ: (1) ಬಿಟ್ಟುಬಿಡಲಾದ ವೇರಿಯಬಲ್ ಇರಬಹುದೇ ಮತ್ತು ಯಾವುದು, (2) ರಿವರ್ಸ್ ಕಾಸ್ಯಾಲಿಟಿ ಸಾಧ್ಯ, (3) ಸರಣಿಯು ಸ್ಥಿರವಾಗಿದೆ / ನಕಲಿ ಹಿಂಜರಿತದ ಅಪಾಯವಿದೆಯೇ? ಫಲಿತಾಂಶವನ್ನು ಸಾಂದರ್ಭಿಕ ಅಥವಾ ಕೇವಲ ಸಂಬಂಧ ಎಂದು ಅರ್ಥೈಸಬೇಕೆ ಎಂಬುದನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ತಿಳಿಸಿ.

4) ಪ್ರಾಮುಖ್ಯತೆ-ಪ್ರಾಮುಖ್ಯತೆ ವ್ಯತ್ಯಾಸ:

ಕೆಳಗಿನ ಗುಣಾಂಕವನ್ನು ಅರ್ಥೈಸಿಕೊಳ್ಳಿ: ಮೌಲ್ಯ [x], ಪ್ರಮಾಣಿತ ದೋಷ [y], p-ಮೌಲ್ಯ [z]. ಅಂಕಿಅಂಶಗಳ ಮಹತ್ವವನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ, ಆರ್ಥಿಕ ಮಹತ್ವವನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡಿ: ಈ ಗುಣಾಂಕದ ಪ್ರಮಾಣವು ಪ್ರಾಯೋಗಿಕವಾಗಿ ಮಹತ್ವದ ಪರಿಣಾಮವಾಗಿದೆಯೇ? ಉದಾಹರಣೆ ಸನ್ನಿವೇಶದಲ್ಲಿ ಪ್ರಭಾವದ ಪ್ರಮಾಣವನ್ನು ಕಾಂಕ್ರೀಟ್ ಮಾಡಿ.

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್:

ಈ ಅಸ್ಥಿರಗಳೊಂದಿಗೆ ಹಿಂಜರಿತವನ್ನು ಮಾಡಿ ಮತ್ತು ಫಲಿತಾಂಶವನ್ನು ಅರ್ಥೈಸಿಕೊಳ್ಳಿ.

ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ರೋಗನಿರ್ಣಯದ ಪರೀಕ್ಷೆಗಳನ್ನು ನಡೆಸದೆ ಅಥವಾ ನಿಶ್ಚಲತೆಯನ್ನು ಪರಿಶೀಲಿಸದೆಯೇ ಒಂದು ಕಾರಣಿಕ ಭಾಷೆಯಲ್ಲಿ ಅದನ್ನು ಅರ್ಥೈಸುತ್ತದೆ; ನಕಲಿ ಹಿಂಜರಿತ ಅಥವಾ ಬಿಟ್ಟುಬಿಡಲಾದ ವೇರಿಯಬಲ್ ತಪ್ಪಿಹೋಗಿದೆ.

ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್:

ಅವಲಂಬಿತ ವೇರಿಯಬಲ್ ಬಳಕೆಯಾಗಿದೆ, ವಿವರಣಾತ್ಮಕ ಆದಾಯ; ಮಾಸಿಕ, ಟ್ರೆಂಡಿಂಗ್ ಸರಣಿ. ಮೊದಲು ಸ್ಥಿರತೆಯನ್ನು ಪರೀಕ್ಷಿಸಿ; ಅಗತ್ಯವಿದ್ದರೆ ವ್ಯತ್ಯಾಸವನ್ನು ಪಡೆಯಿರಿ. ಹಿಂಜರಿತವನ್ನು ಹೊಂದಿಸಿ, ರೋಗನಿರ್ಣಯ ಪರೀಕ್ಷೆಗಳನ್ನು ರನ್ ಮಾಡಿ (ಸ್ವಯಂ-ಸಂಬಂಧ, ಹೆಟೆರೊಸೆಡೆಸ್ಟಿಸಿಟಿ). ಬಿಟ್ಟುಬಿಟ್ಟ ಅಸ್ಥಿರಗಳ ಅಪಾಯಗಳನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಚರ್ಚಿಸಿ ಮತ್ತು ಫಲಿತಾಂಶವನ್ನು ಅರ್ಥೈಸುವಾಗ ರಿವರ್ಸ್ ಕಾರಣ; ಸಾಂದರ್ಭಿಕ ಭಾಷೆಯ ಬದಲು ಸಂಬಂಧವನ್ನು ಬಳಸಿ. ಮಹತ್ವ ಮತ್ತು ಆರ್ಥಿಕ ಮಹತ್ವವನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡಿ ಮತ್ತು ಪ್ರತಿ ಹಂತಕ್ಕೂ ಕೋಡ್ ನೀಡಿ.

ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು

• ಕಾರಣಕ್ಕಾಗಿ ತಪ್ಪಾದ ಪರಸ್ಪರ ಸಂಬಂಧ. ಅತ್ಯಂತ ಸಾಮಾನ್ಯ ಮತ್ತು ಅತ್ಯಂತ ದುಬಾರಿ ತಪ್ಪು.
• ಗುಣಮಟ್ಟಕ್ಕಾಗಿ ಹೆಚ್ಚಿನ R-ವರ್ಗವನ್ನು ತಪ್ಪಾಗಿ ಗ್ರಹಿಸುವುದು. ಇದು ನಕಲಿ ಹಿಮ್ಮೆಟ್ಟುವಿಕೆಗಳಲ್ಲಿಯೂ ಹೆಚ್ಚು.
• ನಿಶ್ಚಲತೆಯ ಪರಿಶೀಲನೆಯನ್ನು ಬೈಪಾಸ್ ಮಾಡುವುದು. ಟ್ರೆಂಡ್ ಸರಣಿಗಳು ನಕಲಿ ಸಂಬಂಧಗಳನ್ನು ಉಂಟುಮಾಡುತ್ತವೆ.
• ಅರ್ಥಪೂರ್ಣತೆಯನ್ನು ಮಹತ್ವದೊಂದಿಗೆ ಗೊಂದಲಗೊಳಿಸುವುದು. ಸಣ್ಣ p ಎಂದರೆ ದೊಡ್ಡ ಪರಿಣಾಮವಲ್ಲ.
• ರೋಗನಿರ್ಣಯ ಪರೀಕ್ಷೆಗಳನ್ನು ಬಿಟ್ಟುಬಿಡುವುದು. ಉಲ್ಲಂಘಿಸಿದ ಊಹೆಯು ಸಂಪೂರ್ಣ ನಿರ್ಣಯವನ್ನು ಸೋಲಿಸುತ್ತದೆ.
• AI ಯ ಕಾರಣಿಕ ಭಾಷೆಯನ್ನು ಹಾಗೆಯೇ ಸ್ವೀಕರಿಸುವುದು. ತೀರ್ಪು ಮನುಷ್ಯನಿಗೆ ಸೇರಿದೆ.

ಸಾರಾಂಶದಲ್ಲಿ

ಹಿಂಜರಿತವು ಶಕ್ತಿಯುತ ಆದರೆ ಮೋಸಗೊಳಿಸುವ ಸಾಧನವಾಗಿದೆ. ಓದುವಿಕೆ ಗುಣಾಂಕ, ಪ್ರಮಾಣಿತ ದೋಷ, p-ಮೌಲ್ಯ ಮತ್ತು R- ವರ್ಗ ಸರಿಯಾಗಿ; ಪರಸ್ಪರ ಸಂಬಂಧ ಮತ್ತು ಕಾರಣಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸ; ಬಿಟ್ಟುಬಿಡಲಾದ ವೇರಿಯಬಲ್‌ಗಳು, ರಿವರ್ಸ್ ಕಾರಣತ್ವ ಮತ್ತು ನಕಲಿ ರಿಗ್ರೆಶನ್ ಮೋಸಗಳಿಗಾಗಿ ಪರಿಶೀಲಿಸುವುದು; ಮಹತ್ವ ಮತ್ತು ಆರ್ಥಿಕ ಪ್ರಾಮುಖ್ಯತೆಯ ನಡುವೆ ವ್ಯತ್ಯಾಸವನ್ನು ಕಂಡುಹಿಡಿಯುವುದು ಅವಶ್ಯಕ. AI ಕೋಡ್ ಮತ್ತು ರೋಗನಿರ್ಣಯ ಉತ್ಪಾದನೆಯಲ್ಲಿ ವೇಗವನ್ನು ಪಡೆಯುತ್ತಿದೆ, ಆದರೆ ಇದು ತುಂಬಾ ಸಾಂದರ್ಭಿಕವಾಗಿ ಮಾತನಾಡುತ್ತದೆ; ಮಾದರಿಯ ಆಯ್ಕೆ ಮತ್ತು ಕಾರಣದ ನಿರ್ಣಯವು ಅರ್ಥಶಾಸ್ತ್ರಜ್ಞರ ಮೇಲಿದೆ.

ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ

ನೀವು ಹೊಂದಿರುವ ಡೇಟಾದೊಂದಿಗೆ ಸರಳವಾದ ಹಿಂಜರಿತವನ್ನು ಹೊಂದಿಸಿ (ಉದಾ. ಬಳಕೆ-ಆದಾಯ). 1 ನೇ ಟೆಂಪ್ಲೇಟ್‌ನೊಂದಿಗೆ ಸೆಟಪ್ ಅನ್ನು ತಯಾರಿಸಿ ಮತ್ತು 2 ನೇ ಟೆಂಪ್ಲೇಟ್‌ನೊಂದಿಗೆ ಡಯಾಗ್ನೋಸ್ಟಿಕ್ ಪರೀಕ್ಷೆಗಳನ್ನು ತಯಾರಿಸಿ. ನಂತರ ಟೆಂಪ್ಲೇಟ್ 3 ನೊಂದಿಗೆ ಕಾರಣವನ್ನು ಪರಿಶೀಲಿಸಿ, ಕನಿಷ್ಠ ಒಂದು ಸಂಭವನೀಯ ಬಿಟ್ಟುಬಿಡಲಾದ ವೇರಿಯಬಲ್ ಮತ್ತು ಒಂದು ರಿವರ್ಸ್ ಕಾಸ್ಯಾಲಿಟಿ ಸನ್ನಿವೇಶವನ್ನು ಹೆಸರಿಸಿ. AI ಯ ಆರಂಭಿಕ ವ್ಯಾಖ್ಯಾನದಿಂದ ಸಾಂದರ್ಭಿಕ ವಾಕ್ಯವನ್ನು ಸಂಬಂಧಿತ ಭಾಷೆಗೆ ಅನುವಾದಿಸಿ ಮತ್ತು ಬದಲಾವಣೆಯನ್ನು ಗಮನಿಸಿ.

ಪರಿಶೀಲನಾಪಟ್ಟಿ

• [ ] ನಾನು ಗುಣಾಂಕ, ಪ್ರಮಾಣಿತ ದೋಷ, p-ಮೌಲ್ಯ ಮತ್ತು R- ವರ್ಗವನ್ನು ಸರಿಯಾಗಿ ಓದಿದ್ದೇನೆ.
• [ ] ನಾನು ಸರಣಿಯ ನಿಶ್ಚಲತೆಯನ್ನು ಪರಿಶೀಲಿಸಿದ್ದೇನೆ ಮತ್ತು ನಕಲಿ ಹಿಂಜರಿತದ ಅಪಾಯವನ್ನು ನಿವಾರಿಸಿದೆ.
• [ ] ನಾನು ಬಿಟ್ಟುಬಿಡಲಾದ ವೇರಿಯಬಲ್ ಮತ್ತು ರಿವರ್ಸ್ ಕಾಸ್ಯಾಲಿಟಿ ಸಾಧ್ಯತೆಗಳನ್ನು ಹೆಸರಿಸಿದೆ.
• [ ] ನಾನು ರೋಗನಿರ್ಣಯ ಪರೀಕ್ಷೆಗಳನ್ನು ನಡೆಸಿದ್ದೇನೆ ಮತ್ತು ಉಲ್ಲಂಘನೆಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿದ್ದೇನೆ.
• [ ] ನಾನು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಮಹತ್ವ ಮತ್ತು ಆರ್ಥಿಕ ಮಹತ್ವವನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡಿದ್ದೇನೆ.
• [ ] ನಾನು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಕಾರಕ ಭಾಷೆಯನ್ನು ಸಂಬಂಧಿತ ಭಾಷೆಗೆ ಎಳೆದಿದ್ದೇನೆ.
• [ ] ನಾನು ಮಾದರಿಯ ಆಯ್ಕೆ ಮತ್ತು ಕಾರಣದ ತೀರ್ಪು ನನ್ನದು ಎಂದು ಸಮರ್ಥಿಸಿಕೊಂಡಿದ್ದೇನೆ.