ਲਾਭ:
- ਉਲੰਘਣਾਵਾਂ ਦਾ ਪਤਾ ਲਗਾਉਣ ਦੀ ਸਮਰੱਥਾ ਜਿਵੇਂ ਕਿ ਮਲਟੀਕੋਲੀਨੀਅਰਿਟੀ, ਹੇਟਰੋਸੈਡੈਸਟਿਕਿਟੀ ਅਤੇ ਡਾਇਗਨੌਸਟਿਕ ਟੈਸਟਾਂ ਅਤੇ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਸਪੋਰਟ ਦੇ ਨਾਲ ਗਰਾਫਿਕਸ ਦੇ ਨਾਲ ਸਵੈ-ਸਬੰਧ
- ਇਹ ਫਰਕ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਕਿ ਕੀ ਹਰੇਕ ਉਲੰਘਣਾ ਗੁਣਾਂਕ ਅਨੁਮਾਨਾਂ ਜਾਂ ਮਿਆਰੀ ਤਰੁੱਟੀਆਂ ਨੂੰ ਵਿਗਾੜਦੀ ਹੈ ਅਤੇ ਉਚਿਤ ਸੁਧਾਰ (ਮਜ਼ਬੂਤ ਸਟੈਂਡਰਡ ਗਲਤੀ, ਪਰਿਵਰਤਨ, ਮਾਡਲ ਸੰਸ਼ੋਧਨ) ਦੀ ਚੋਣ ਕਰੋ
- ਇਹ ਤਸਦੀਕ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਕਿ ਏਆਈ ਦੁਆਰਾ ਸੁਝਾਏ ਗਏ ਫਿਕਸ ਇਸ ਨੂੰ ਲੁਕਾਉਣ ਦੀ ਬਜਾਏ ਸਮੱਸਿਆ ਦਾ ਹੱਲ ਕਰਦੇ ਹਨ ਅਤੇ ਇਹ ਕਿ ਨਿਦਾਨ ਉਸ ਪ੍ਰਕਿਰਿਆ ਦੀ ਸਮਝ 'ਤੇ ਅਧਾਰਤ ਹੈ ਜੋ ਡੇਟਾ ਪੈਦਾ ਕਰਦੀ ਹੈ
ਰਿਗਰੈਸ਼ਨ ਦੇ ਆਉਟਪੁੱਟ ਨੂੰ ਪੜ੍ਹਨਾ ਆਸਾਨ ਹੈ; ਉਸ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ ਔਖਾ ਹੈ। ਕਿਉਂਕਿ ਗੁਣਾਂਕ ਨਿਰਪੱਖ ਹੁੰਦੇ ਹਨ, ਮਿਆਰੀ ਤਰੁੱਟੀਆਂ ਸਹੀ ਹੁੰਦੀਆਂ ਹਨ, ਅਤੇ p-ਮੁੱਲ ਵੈਧ ਹੁੰਦੇ ਹਨ, ਜੋ ਕਿ ਅਸੀਂ ਪਿਛਲੀ ਇਕਾਈ ਵਿੱਚ ਪੇਸ਼ ਕੀਤੀਆਂ ਧਾਰਨਾਵਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਾਂ, ਪੂਰੀਆਂ ਹੁੰਦੀਆਂ ਹਨ। ਇਸ ਇਕਾਈ ਵਿੱਚ, ਅਸੀਂ ਤਿੰਨ ਸਭ ਤੋਂ ਆਮ ਉਲੰਘਣਾਵਾਂ ਨੂੰ ਕਵਰ ਕਰਾਂਗੇ: ਮਲਟੀਕੋਲੀਨੀਅਰਿਟੀ, ਹੇਟਰੋਸੈਡੈਸਟਿਕਿਟੀ, ਅਤੇ ਆਟੋਕੋਰਲੇਸ਼ਨ। ਅਸੀਂ ਹਰੇਕ ਲਈ ਤਿੰਨ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦੇਵਾਂਗੇ: ਇਸਦਾ ਨਿਦਾਨ ਕਿਵੇਂ ਕਰਨਾ ਹੈ, ਇਹ ਕੀ ਤੋੜਦਾ ਹੈ (ਗੁਣਾਕ ਜਾਂ ਮਿਆਰੀ ਗਲਤੀ), ਅਤੇ ਇਸਨੂੰ ਕਿਵੇਂ ਠੀਕ ਕਰਨਾ ਹੈ। ਨਕਲੀ ਬੁੱਧੀ (AI) ਡਾਇਗਨੌਸਟਿਕ ਟੈਸਟਿੰਗ ਅਤੇ ਸੁਧਾਰ ਲਈ ਕੋਡ ਤਿਆਰ ਕਰਦੀ ਹੈ; ਪਰ ਤੁਸੀਂ ਫੈਸਲਾ ਕਰਦੇ ਹੋ ਕਿ ਕਿਹੜੀ ਉਲੰਘਣਾ ਅਸਲ ਵਿੱਚ ਸਮੱਸਿਆ ਹੈ ਅਤੇ ਕੀ ਹੱਲ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਦਾ ਹੈ।
ਆਓ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਅੰਤਰ ਨੂੰ ਸਾਹਮਣੇ ਕਰੀਏ: ਕੀ ਕੋਈ ਉਲੰਘਣਾ ਗੁਣਾਂਕ ਅੰਦਾਜ਼ੇ ਨੂੰ ਵਿਗਾੜਦੀ ਹੈ ਜਾਂ ਸਿਰਫ਼ ਮਿਆਰੀ ਤਰੁੱਟੀਆਂ ਨੂੰ? ਇਹ ਅੰਤਰ ਹੱਲ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ। ਇੱਕ ਸਮੱਸਿਆ ਜੋ ਗੁਣਾਂਕ ਨੂੰ ਵਿਗਾੜਦੀ ਹੈ (ਉਦਾਹਰਨ ਲਈ exogeneity ਉਲੰਘਣਾ) ਨੂੰ ਮਾਡਲ 'ਤੇ ਮੁੜ ਵਿਚਾਰ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ; ਇੱਕ ਸਮੱਸਿਆ ਜੋ ਸਿਰਫ ਸਟੈਂਡਰਡ ਗਲਤੀ ਨੂੰ ਵਿਗਾੜਦੀ ਹੈ (ਹੀਟਰੋਸੈਡੈਸਟਿਕਿਟੀ, ਆਟੋਕੋਰਿਲੇਸ਼ਨ) ਨੂੰ ਅਕਸਰ ਸਟੈਂਡਰਡ ਗਲਤੀ ਸੁਧਾਰ ਦੁਆਰਾ ਹੱਲ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। AI ਦੀ ਇੱਕ ਆਮ ਗਲਤੀ ਇੱਕ ਤਕਨੀਕ ਨੂੰ ਲਾਗੂ ਕਰਨਾ ਹੈ ਜੋ ਮਿਆਰੀ ਗਲਤੀ ਨੂੰ ਠੀਕ ਕਰਦੀ ਹੈ ਅਤੇ ਫਿਰ ਸਮੱਸਿਆ ਨੂੰ "ਹੱਲ" ਘੋਸ਼ਿਤ ਕਰਦੀ ਹੈ; ਜਦੋਂ ਕਿ ਅੰਡਰਲਾਈੰਗ ਢਾਂਚਾ ਅਜੇ ਵੀ ਉੱਥੇ ਹੋ ਸਕਦਾ ਹੈ।
ਉਲੰਘਣਾ 1: ਮਲਟੀਕੋਲੀਨੇਰਿਟੀ
ਕਿਉਂ? ਦੋ ਜਾਂ ਵਧੇਰੇ ਵਿਆਖਿਆਤਮਕ ਵੇਰੀਏਬਲ ਇੱਕ ਦੂਜੇ ਨਾਲ ਮਜ਼ਬੂਤੀ ਨਾਲ ਸੰਬੰਧਿਤ ਹਨ; ਉਦਾਹਰਨ ਲਈ, ਮਾਡਲ ਵਿੱਚ "ਕੁੱਲ ਸਾਲਾਂ ਦੇ ਤਜਰਬੇ" ਅਤੇ "ਉਮਰ" ਦੋਵਾਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨਾ। ਕਿਉਂਕਿ ਇਹ ਵੇਰੀਏਬਲ ਲਗਭਗ ਇੱਕੋ ਜਿਹੀ ਜਾਣਕਾਰੀ ਰੱਖਦੇ ਹਨ, ਮਾਡਲ ਨੂੰ ਉਹਨਾਂ ਨੂੰ ਵੱਖ ਕਰਨ ਵਿੱਚ ਮੁਸ਼ਕਲ ਆਉਂਦੀ ਹੈ।
ਇਹ ਕੀ ਤੋੜਦਾ ਹੈ? ਗੁਣਾਂਕ ਅਨੁਮਾਨ ਨਿਰਪੱਖ ਰਹਿੰਦੇ ਹਨ ਪਰ ਅਸਥਿਰ ਹੋ ਜਾਂਦੇ ਹਨ: ਮਿਆਰੀ ਤਰੁੱਟੀਆਂ ਵਧ ਜਾਂਦੀਆਂ ਹਨ, ਭਰੋਸੇ ਦੇ ਅੰਤਰਾਲ ਵਧ ਜਾਂਦੇ ਹਨ, ਵਿਅਕਤੀਗਤ ਗੁਣਾਂਕ ਮਾਮੂਲੀ ਸਾਬਤ ਹੋ ਸਕਦੇ ਹਨ ਜਦੋਂ ਕਿ ਮਾਡਲ ਸਮੁੱਚੇ ਤੌਰ 'ਤੇ ਮਹੱਤਵਪੂਰਨ (F-ਟੈਸਟ) ਹੋ ਸਕਦਾ ਹੈ। ਇੱਕ ਛੋਟੀ ਜਿਹੀ ਡਾਟਾ ਤਬਦੀਲੀ ਗੁਣਾਂਕ ਨੂੰ ਮਹੱਤਵਪੂਰਨ ਰੂਪ ਵਿੱਚ ਅੱਗੇ ਵਧਾਉਂਦੀ ਹੈ।
ਇਸਦਾ ਨਿਦਾਨ ਕਿਵੇਂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ? VIF (ਵੇਰੀਅੰਸ ਇਨਫਲੇਸ਼ਨ ਫੈਕਟਰ): ਹਰੇਕ ਵੇਰੀਏਬਲ ਲਈ, ਇਹ ਮਾਪਦਾ ਹੈ ਕਿ ਉਸ ਵੇਰੀਏਬਲ ਨੂੰ ਦੂਜਿਆਂ ਦੁਆਰਾ ਕਿੰਨਾ ਸਮਝਾਇਆ ਗਿਆ ਹੈ। ਇੱਕ ਮੋਟੇ ਥ੍ਰੈਸ਼ਹੋਲਡ ਵਜੋਂ, VIF > 5 (ਕੁਝ 10) ਸਾਵਧਾਨੀ ਦੀ ਵਾਰੰਟੀ ਦਿੰਦਾ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਵਿਆਖਿਆਤਮਕ ਵੇਰੀਏਬਲਾਂ ਵਿਚਕਾਰ ਸਬੰਧ ਮੈਟ੍ਰਿਕਸ ਦੀ ਜਾਂਚ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
ਕਿਵੇਂ ਠੀਕ ਕਰਨਾ ਹੈ? ਸਹਿ-ਸੰਬੰਧਿਤ ਵੇਰੀਏਬਲਾਂ ਵਿੱਚੋਂ ਇੱਕ ਨੂੰ ਛੱਡਣਾ, ਉਹਨਾਂ ਨੂੰ ਜੋੜਨਾ (ਇੱਕ ਸੂਚਕਾਂਕ ਬਣਾਉਣਾ), ਜਾਂ (ਜੇ ਸਿਧਾਂਤ ਦੀ ਲੋੜ ਹੈ) ਦੋਵਾਂ ਨੂੰ ਰੱਖਣਾ ਅਤੇ ਵਿਅਕਤੀਗਤ ਗੁਣਾਂਕ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਤੋਂ ਪਰਹੇਜ਼ ਕਰਨਾ। ਕਿਹੜਾ ਵੇਰੀਏਬਲ ਠਹਿਰਦਾ ਹੈ ਇੱਕ ਸਿਧਾਂਤਕ ਫੈਸਲਾ ਹੈ, ਇੱਕ ਅੰਕੜਾਤਮਕ ਨਹੀਂ - AI ਖਤਮ ਕਰਨ ਦਾ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ, ਤੁਸੀਂ ਜਾਇਜ਼ਤਾ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹੋ।
ਉਲੰਘਣ 2: ਹੇਟਰੋਸੈਡੈਸਟਿਕਟੀ
ਕਿਉਂ? ਗਲਤੀ ਸ਼ਬਦ ਦਾ ਅੰਤਰ ਨਿਰੀਖਣਾਂ ਵਿੱਚ ਸਥਿਰ ਨਹੀਂ ਹੁੰਦਾ ਹੈ। ਆਮ ਉਦਾਹਰਨ: ਜਿਵੇਂ-ਜਿਵੇਂ ਆਮਦਨ ਵਧਦੀ ਹੈ, ਉਸੇ ਤਰ੍ਹਾਂ ਖਰਚਿਆਂ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਫੈਲਾਅ ਵੀ ਹੁੰਦਾ ਹੈ; ਇੱਕ "ਫਨਲ" ਪੈਟਰਨ ਬਣਦਾ ਹੈ, ਘੱਟ ਆਮਦਨ 'ਤੇ ਤੰਗ ਅਤੇ ਉੱਚ ਆਮਦਨ 'ਤੇ ਚੌੜਾ।
ਇਹ ਕੀ ਤੋੜਦਾ ਹੈ? ਗੁਣਾਂਕ ਅਨੁਮਾਨ ਦੁਬਾਰਾ ਨਿਰਪੱਖ ਹਨ — ਇਹ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਜੋ ਵਿਗਾੜਿਆ ਜਾਂਦਾ ਹੈ ਉਹ ਮਿਆਰੀ ਤਰੁੱਟੀਆਂ ਹਨ: ਉਹਨਾਂ ਦੀ ਗਲਤ ਗਣਨਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਇਸਲਈ p-ਮੁੱਲ ਅਤੇ ਵਿਸ਼ਵਾਸ ਅੰਤਰਾਲ ਭਰੋਸੇਯੋਗ ਨਹੀਂ ਹੋ ਜਾਂਦੇ ਹਨ। ਇਸ ਲਈ ਤੁਹਾਡਾ ਗੁਣਾਂਕ ਸਹੀ ਕੇਂਦਰ ਵਿੱਚ ਹੈ, ਪਰ "ਤੁਸੀਂ ਕਿੰਨੇ ਭਰੋਸੇਮੰਦ ਹੋ" ਸਵਾਲ ਦਾ ਜਵਾਬ ਗਲਤ ਹੈ।
ਇਸਦਾ ਨਿਦਾਨ ਕਿਵੇਂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ? ਪੂਰਵ-ਅਨੁਮਾਨਿਤ ਮੁੱਲਾਂ (ਫਨਲ ਪੈਟਰਨ ਦੀ ਮੰਗ) ਅਤੇ ਰਸਮੀ ਟੈਸਟਾਂ ਦੇ ਬਨਾਮ ਰਹਿੰਦ-ਖੂੰਹਦ ਦਾ ਸਕੈਟਰ ਪਲਾਟ: ਬਰੂਸ਼-ਪੈਗਨ ਟੈਸਟ, ਵ੍ਹਾਈਟ ਟੈਸਟ। ਛੋਟਾ p-ਮੁੱਲ ਕਹਿੰਦਾ ਹੈ "ਕੋਈ ਸਥਿਰ ਅੰਤਰ ਨਹੀਂ"।
ਕਿਵੇਂ ਠੀਕ ਕਰਨਾ ਹੈ? ਸਭ ਤੋਂ ਆਮ ਅਤੇ ਵਿਹਾਰਕ ਹੱਲ ਹੈ ਮਜਬੂਤ ਮਿਆਰੀ ਤਰੁਟੀਆਂ (ਮਜ਼ਬੂਤ / heteroskedasticity-ਇਕਸਾਰ, HC ਮਿਆਰੀ ਤਰੁਟੀਆਂ): ਇਹ ਗੁਣਾਂਕ ਨੂੰ ਨਹੀਂ ਬਦਲਦਾ, ਇਹ ਉਲੰਘਣਾ ਲਈ ਮਿਆਰੀ ਗਲਤੀ ਨੂੰ ਠੀਕ ਕਰਦਾ ਹੈ। ਵਿਕਲਪਿਕ: ਨਿਰਭਰ ਵੇਰੀਏਬਲ (ਜਿਵੇਂ ਕਿ ਲੌਗ) ਜਾਂ ਭਾਰ ਵਾਲੇ LCM ਨੂੰ ਬਦਲਣਾ। ਮਜਬੂਤ ਮਿਆਰੀ ਤਰੁੱਟੀਆਂ ਅੱਜ ਅਨੁਭਵੀ ਕੰਮ ਵਿੱਚ ਲਗਭਗ ਡਿਫਾਲਟ ਬਣ ਗਈਆਂ ਹਨ।
ਉਲੰਘਣਾ 3: ਸਵੈ-ਸਬੰਧ
ਕਿਉਂ? ਗਲਤੀ ਦੀਆਂ ਸ਼ਰਤਾਂ ਇੱਕ ਦੂਜੇ ਤੋਂ ਸੁਤੰਤਰ ਨਹੀਂ ਹਨ; ਇਹ ਸਮਾਂ ਲੜੀ ਵਿੱਚ ਸਭ ਤੋਂ ਆਮ ਹੈ: ਇੱਕ ਪੀਰੀਅਡ ਦੀ ਗਲਤੀ ਅਗਲੀ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੀ ਹੈ (ਜਿਵੇਂ ਕਿ ਸਦਮੇ ਤੋਂ ਬਾਅਦ ਪੀਰੀਅਡਜ਼ ਵਿੱਚ ਬਾਕੀ ਬਚਿਆ ਹੋਇਆ ਸਕਾਰਾਤਮਕ ਰਹਿੰਦਾ ਹੈ)।
ਇਹ ਕੀ ਤੋੜਦਾ ਹੈ? ਦੁਬਾਰਾ ਫਿਰ, ਇਹ ਮੁੱਖ ਤੌਰ 'ਤੇ ਮਿਆਰੀ ਗਲਤੀਆਂ ਨੂੰ ਵਿਗਾੜਦਾ ਹੈ (ਅਕਸਰ ਉਹਨਾਂ ਨੂੰ ਘੱਟ ਸਮਝਦਾ ਹੈ, ਗਲਤ ਮਹੱਤਵ ਪੈਦਾ ਕਰਦਾ ਹੈ); ਗੁਣਾਂਕ LCC ਵਿੱਚ ਨਿਰਪੱਖ ਰਹਿੰਦੇ ਹਨ ਪਰ ਆਪਣੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਗੁਆ ਦਿੰਦੇ ਹਨ।
ਇਸਦਾ ਨਿਦਾਨ ਕਿਵੇਂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ? ਡਰਬਿਨ-ਵਾਟਸਨ ਟੈਸਟ (ਪਹਿਲੇ ਕ੍ਰਮ ਦੇ ਸਵੈ-ਸੰਬੰਧ ਲਈ), ਬਰੂਸ਼-ਗੌਡਫਰੇ ਟੈਸਟ (ਵਧੇਰੇ ਆਮ), ਅਤੇ ਪਛੜ ਗਏ ਮੁੱਲਾਂ ਦੇ ਬਨਾਮ ਰਹਿੰਦ-ਖੂੰਹਦ ਦੇ ਪਲਾਟ।
ਕਿਵੇਂ ਠੀਕ ਕਰਨਾ ਹੈ? ਨਿਊਏ-ਵੈਸਟ (ਐਚਏਸੀ — ਸਵੈ-ਸਬੰਧੀ ਅਤੇ ਵਿਭਿੰਨਤਾ ਪ੍ਰਤੀ ਰੋਧਕ) ਮਿਆਰੀ ਤਰੁੱਟੀਆਂ, ਮਾਡਲ ਵਿੱਚ ਪਛੜਨ ਵਾਲੇ ਸ਼ਬਦਾਂ ਨੂੰ ਜੋੜਨਾ, ਜਾਂ ਢੁਕਵੇਂ ਸਮਾਂ ਲੜੀ ਮਾਡਲ (ਯੂਨਿਟ 8) ਵਿੱਚ ਬਦਲਣਾ।
ਸਾਵਧਾਨ: ਹੇਟਰੋਸੈਡੈਸਟਿਕਟੀ ਅਤੇ ਆਟੋਕੋਰਿਲੇਸ਼ਨ ਮਿਆਰੀ ਗਲਤੀ ਨੂੰ ਵਿਗਾੜਦੇ ਹਨ, ਗੁਣਾਂਕ ਨੂੰ ਨਹੀਂ। ਇਸ ਲਈ, "ਗੁਣਾਕ ਮਹੱਤਵਪੂਰਨ ਸੀ" ਕਹਿਣ ਤੋਂ ਪਹਿਲਾਂ, ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਮਿਆਰੀ ਗਲਤੀ ਦੀ ਸਹੀ ਗਣਨਾ ਕੀਤੀ ਗਈ ਹੈ; ਨਹੀਂ ਤਾਂ ਸਾਰਥਕਤਾ ਇੱਕ ਭਰਮ ਹੋ ਸਕਦੀ ਹੈ।
ਤੁਲਨਾ ਚਾਰਟ
ਉਲੰਘਣਾ
ਕੀ ਟੁੱਟਦਾ ਹੈ
ਨਿਦਾਨ
ਆਮ ਹੱਲ
ਮਲਟੀ-ਲਿੰਕ
ਮਿਆਰੀ ਤਰੁੱਟੀਆਂ ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ, ਗੁਣਾਂਕ ਨੂੰ ਅਸਥਿਰ ਬਣਾਉਂਦਾ ਹੈ
VIF, ਸਬੰਧ ਮੈਟ੍ਰਿਕਸ
ਘਟਾਓ/ਕੰਬਾਈਨ ਵੇਰੀਏਬਲ (ਸਿਧਾਂਤ ਦੁਆਰਾ)
heteroscedasticity
ਮਿਆਰੀ ਤਰੁੱਟੀਆਂ (ਗੁਣਾਕ ਨਿਰਪੱਖ)
ਬਰੂਸ਼-ਪੈਗਨ, ਵ੍ਹਾਈਟ, ਬਕਾਇਆ ਪਲਾਟ
ਮਜਬੂਤ (HC) ਮਿਆਰੀ ਤਰੁੱਟੀ, ਪਰਿਵਰਤਨ
ਸਵੈ-ਸਬੰਧ
ਮਿਆਰੀ ਤਰੁੱਟੀਆਂ (ਗੁਣਾਕ ਨਿਰਪੱਖ)
ਡਰਬਿਨ-ਵਾਟਸਨ, ਬਰੂਸ਼-ਗੌਡਫਰੇ
Newey-West (HAC), ਦੇਰੀ ਦੀ ਮਿਆਦ
ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਪ੍ਰੋਂਪਟ
1. ਸੰਪੂਰਨ ਡਾਇਗਨੌਸਟਿਕ ਪੈਕੇਜ:
ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਰਿਗਰੈਸ਼ਨ ਡਾਇਗਨੌਸਟਿਕ ਸਹਾਇਕ। ਮੈਨੂੰ ਆਰ ਕੋਡ ਚਾਹੀਦਾ ਹੈ, ਮੈਂ ਡੇਟਾ ਸਾਂਝਾ ਨਹੀਂ ਕਰਦਾ ਹਾਂ। ਮਾਡਲ: lm (ਖਰਚਾ ~ ਆਮਦਨ + ਉਮਰ + ਖੇਤਰ, ਡੇਟਾ = ਡੇਟਾ)। ਟਾਸਕ: (1) VIF ਦੀ ਗਣਨਾ ਕਰੋ, (2) ਬਰੂਸ਼-ਪੈਗਨ ਅਤੇ ਬਕਾਇਆ-ਅੰਦਾਜ਼ਾ ਪਲਾਟ ਦੇ ਨਾਲ ਵਿਪਰੀਤਤਾ ਦੀ ਜਾਂਚ ਕਰੋ, (3) ਡਰਬਿਨ-ਵਾਟਸਨ ਦੇ ਨਾਲ ਸਵੈ-ਸੰਬੰਧ ਦੀ ਜਾਂਚ ਕਰੋ। ਟਿੱਪਣੀ ਲਾਈਨ ਵਿੱਚ ਵਿਆਖਿਆ ਕਰੋ ਕਿ ਹਰੇਕ ਟੈਸਟ ਵਿੱਚ ਕਿਹੜੀ ਉਲੰਘਣਾ ਹੁੰਦੀ ਹੈ ਅਤੇ p-ਮੁੱਲ ਦੀ ਵਿਆਖਿਆ ਕਿਵੇਂ ਕਰਨੀ ਹੈ। ਸੁਧਾਰ ਐਪਲੀਕੇਸ਼ਨ; ਨਿਦਾਨ ਪੈਦਾ ਕਰੋ.
2. ਮਜ਼ਬੂਤ ਮਿਆਰੀ ਗਲਤੀ:
R ਕੋਡ ਲਿਖੋ ਜੋ ਗੁਣਾਂਕ ਸਾਰਣੀ ਨੂੰ ਉਸੇ ਮਾਡਲ (ਸੈਂਡਵਿਚ + lmtest ਪੈਕੇਜਾਂ) ਲਈ heteroskedasticity-robust (HC3) ਮਿਆਰੀ ਤਰੁੱਟੀਆਂ ਦੇ ਨਾਲ ਦੁਬਾਰਾ ਤਿਆਰ ਕਰਦਾ ਹੈ। ਕਲਾਸੀਕਲ ਅਤੇ ਮਜਬੂਤ ਮਿਆਰੀ ਤਰੁੱਟੀਆਂ ਨੂੰ ਨਾਲ-ਨਾਲ ਦਿਖਾਉਂਦੇ ਹੋਏ ਇੱਕ ਸਾਰਣੀ ਬਣਾਓ ਤਾਂ ਜੋ ਮੈਂ ਫਰਕ ਦੇਖ ਸਕਾਂ। ਟਿੱਪਣੀ ਲਾਈਨ ਵਿੱਚ ਜ਼ੋਰ ਦਿਓ ਕਿ ਗੁਣਾਂਕ ਨਹੀਂ ਬਦਲਦੇ, ਸਿਰਫ ਮਿਆਰੀ ਤਰੁੱਟੀਆਂ ਹੁੰਦੀਆਂ ਹਨ।
3. ਮਲਟੀ-ਲਿੰਕ ਸਮੀਖਿਆ:
ਮੈਨੂੰ ਉੱਚ VIF ਵਾਲੇ ਵੇਰੀਏਬਲਾਂ ਦੀ ਇੱਕ THINK ਸੂਚੀ ਦਿਓ: ਕਿਹੜੇ ਵੇਰੀਏਬਲ ਸਿਧਾਂਤਕ ਤੌਰ 'ਤੇ ਇੱਕੋ ਚੀਜ਼ ਨੂੰ ਮਾਪ ਸਕਦੇ ਹਨ, ਜਿਨ੍ਹਾਂ ਨੂੰ ਰੱਖਣ ਲਈ ਇੱਕ ਮਜ਼ਬੂਤ ਕੇਸ ਹੈ। ਸਵੈ-ਯੋਗ ਨਾ ਬਣੋ; ਮੈਂ ਸਿਧਾਂਤ ਦੇ ਆਧਾਰ 'ਤੇ ਫੈਸਲਾ ਕਰਾਂਗਾ। ਇਹ ਵੀ ਦੱਸੋ ਕਿ ਸਿਰਫ VIF ਨੂੰ ਵੇਖਣਾ ਅਤੇ ਵੇਰੀਏਬਲ ਨਿਰਧਾਰਤ ਕਰਨਾ ਗਲਤ ਕਿਉਂ ਹੋ ਸਕਦਾ ਹੈ।
4. ਸਵੈ-ਸੰਬੰਧ ਸੁਧਾਰ:
ਮੇਰੀ ਟਾਈਮ ਸੀਰੀਜ਼ ਰਿਗਰੈਸ਼ਨ ਵਿੱਚ, ਬਰੂਸ਼-ਗੌਡਫਰੇ ਪੀ-ਮੁੱਲ 0.001 ਸੀ। R ਕੋਡ ਲਿਖੋ ਜੋ ਨਿਊਏ-ਵੈਸਟ (HAC) ਸਟੈਂਡਰਡ ਗਲਤੀਆਂ ਨਾਲ ਗੁਣਾਂਕ ਸਾਰਣੀ ਬਣਾਉਂਦਾ ਹੈ ਅਤੇ ਵਿਆਖਿਆ ਕਰੋ ਕਿ ਪਛੜ ਨੂੰ ਕਿਵੇਂ ਚੁਣਨਾ ਹੈ। ਨੋਟ ਕਰੋ ਕਿ ਇਹ ਸੁਧਾਰ ਸਵੈ-ਸੰਬੰਧ ਦੇ ਕਾਰਨ ਨੂੰ ਹੱਲ ਨਹੀਂ ਕਰਦਾ ਹੈ, ਇਹ ਸਿਰਫ਼ ਅਨੁਮਾਨ ਨੂੰ ਠੀਕ ਕਰਦਾ ਹੈ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:
ਕੀ ਮੇਰੇ ਰਿਗਰੈਸ਼ਨ ਨਾਲ ਕੋਈ ਸਮੱਸਿਆ ਹੈ? ਜੇ ਅਜਿਹਾ ਹੈ, ਤਾਂ ਇਸ ਨੂੰ ਠੀਕ ਕਰੋ।
ਇਹ ਪ੍ਰੋਂਪਟ AI ਨੂੰ ਇੱਕ ਅੰਨ੍ਹੇ "ਫਿਕਸ" ਮੋਡ ਵਿੱਚ ਰੱਖਦਾ ਹੈ: ਇਹ ਟੈਸਟਾਂ ਨੂੰ ਛੱਡ ਸਕਦਾ ਹੈ ਅਤੇ ਇੱਕ ਸਿੱਧਾ ਪਰਿਵਰਤਨ ਜਾਂ ਪਰਿਵਰਤਨਸ਼ੀਲ ਖਾਤਮਾ ਲਾਗੂ ਕਰ ਸਕਦਾ ਹੈ, ਤੁਹਾਨੂੰ ਇਹ ਦੱਸੇ ਬਿਨਾਂ ਕਿ ਕਿਹੜੀ ਉਲੰਘਣਾ ਅਸਲ ਵਿੱਚ ਮੌਜੂਦ ਹੈ ਅਤੇ ਇਹ ਕੀ ਟੁੱਟਿਆ ਹੈ।
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:
ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਡਾਇਗਨੌਸਟਿਕ ਸਹਾਇਕ, ਆਟੋ-ਕੋਰੇਕਟਰ ਨਹੀਂ। ਤਿੰਨ ਉਲੰਘਣਾਵਾਂ ਲਈ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਪਹਿਲਾ ਟੈਸਟ (ਮਲਟੀਕੋਲੀਨੀਅਰਿਟੀ, ਹੇਟਰੋਸੈਡੈਸਟਿਕਿਟੀ, ਆਟੋਕੋਰਿਲੇਸ਼ਨ) ਅਤੇ ਹਰੇਕ ਲਈ: ਕਿਹੜਾ ਟੈਸਟ, ਨਤੀਜਾ ਕਿਵੇਂ ਪੜ੍ਹਨਾ ਹੈ, ਕੀ ਇਹ ਗੁਣਾਂਕ ਜਾਂ ਮਿਆਰੀ ਗਲਤੀ ਨੂੰ ਤੋੜਦਾ ਹੈ। ਫਿਰ ਸਿਰਫ ਉਸ ਉਲੰਘਣਾ ਲਈ ਇੱਕ ਹੱਲ ਦਾ ਸੁਝਾਅ ਦਿਓ ਜੋ ਅਸਲ ਵਿੱਚ ਖੋਜਿਆ ਗਿਆ ਸੀ ਅਤੇ ਦੱਸੋ ਕਿ ਮੈਂ ਕਿਵੇਂ ਪੁਸ਼ਟੀ ਕਰ ਸਕਦਾ ਹਾਂ ਕਿ ਫਿਕਸ ਨੇ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕੀਤਾ ਹੈ।
ਅੰਤਰ: ਮਜ਼ਬੂਤ ਇੱਛਾ ਸੁਧਾਰ ਤੋਂ ਪਹਿਲਾਂ ਨਿਦਾਨ ਨੂੰ ਮਜ਼ਬੂਰ ਕਰਦੀ ਹੈ ਅਤੇ "ਇਹ ਕੀ ਟੁੱਟਦਾ ਹੈ" ਵਿਚਕਾਰ ਸਪਸ਼ਟ ਅੰਤਰ ਦੀ ਮੰਗ ਕਰਦਾ ਹੈ।
ਤਿੰਨ ਛੋਟੇ ਕੇਸ
ਕੇਸ 1 - ਨਕਲੀ ਮਹੱਤਤਾ (ਹੀਟਰੋਸੈਡੈਸਟਿਕਟੀ)। ਇੱਕ ਵਿਸ਼ਲੇਸ਼ਕ ਨੇ ਖਰਚ ~ ਮਾਲੀਆ ਮਾਡਲ ਵਿੱਚ ਮਾਲੀਆ ਗੁਣਾਂਕ ਨੂੰ p=0.01 'ਤੇ "ਮਹੱਤਵਪੂਰਨ" ਪਾਇਆ। ਪਰ ਹੁਣ ਉਸਦੇ ਚਾਰਟ 'ਤੇ ਇੱਕ ਵੱਖਰਾ ਫਨਲ ਪੈਟਰਨ ਸੀ। ਜਦੋਂ ਮਜਬੂਤ ਮਿਆਰੀ ਤਰੁੱਟੀਆਂ ਲਾਗੂ ਕੀਤੀਆਂ ਗਈਆਂ ਸਨ, ਤਾਂ p-ਮੁੱਲ ਵਧ ਕੇ 0.09 ਹੋ ਗਿਆ ਸੀ; ਸਾਰਥਕਤਾ ਖਤਮ ਹੋ ਜਾਂਦੀ ਹੈ। ਪਹਿਲਾ ਨਤੀਜਾ ਇੱਕ ਗਲਤ ਗਣਨਾ ਕੀਤੀ ਮਿਆਰੀ ਗਲਤੀ ਦੁਆਰਾ ਬਣਾਇਆ ਗਿਆ ਇੱਕ ਭਰਮ ਸੀ। ਪਾਠ: ਮਿਆਰੀ ਗਲਤੀ ਨੂੰ ਠੀਕ ਕੀਤੇ ਬਿਨਾਂ ਮਹੱਤਤਾ 'ਤੇ ਭਰੋਸਾ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ।
ਕੇਸ 2 - ਬਲਾਇੰਡ ਵੇਰੀਏਬਲ ਇਲੀਮੀਨੇਸ਼ਨ। ਇੱਕ ਵਿਦਿਆਰਥੀ ਨੇ ਮਾਡਲ ਤੋਂ "ਅਨੁਭਵ" ਵੇਰੀਏਬਲ ਨੂੰ ਛੱਡ ਦਿੱਤਾ ਕਿਉਂਕਿ ਉਸਦਾ VIF ਉੱਚ ਸੀ; ਗੁਣਾਂਕ "ਸਾਫ਼" ਕੀਤੇ ਗਏ ਸਨ ਪਰ ਮਾਡਲ ਦੇ ਸਿਧਾਂਤਕ ਅਰਥ ਨੂੰ ਵਿਗਾੜ ਦਿੱਤਾ ਗਿਆ ਸੀ ਕਿਉਂਕਿ ਅਨੁਭਵ ਦਿਲਚਸਪੀ ਦਾ ਮੁੱਖ ਵੇਰੀਏਬਲ ਸੀ। ਸਹੀ ਤਰੀਕਾ: ਉਮਰ ਘਟਾਓ ਅਤੇ ਅਨੁਭਵ ਰੱਖੋ, ਜਾਂ ਦੋਵਾਂ ਨੂੰ ਜੋੜੋ। ਸਬਕ: ਸਿਰਫ਼ VIF ਥ੍ਰੈਸ਼ਹੋਲਡ ਖ਼ਤਮ ਕਰਨ ਦਾ ਆਧਾਰ ਨਹੀਂ ਹੈ; ਸਿਧਾਂਤ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ।
ਕੇਸ 3 - ਸਵੈ-ਸੰਬੰਧ ਦੁਆਰਾ ਲੁਕੀ ਹੋਈ ਅਨਿਸ਼ਚਿਤਤਾ। ਇੱਕ ਸਮਾਂ ਲੜੀ ਦੇ ਅਧਿਐਨ ਵਿੱਚ, ਡਰਬਿਨ-ਵਾਟਸਨ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕੀਤਾ ਗਿਆ ਸੀ; ਗੁਣਾਂਕ ਬਹੁਤ "ਸਟੀਕ" ਜਾਪਦਾ ਸੀ (ਤੰਗ ਭਰੋਸੇ ਦਾ ਅੰਤਰਾਲ)। ਜਦੋਂ ਨਿਊਏ-ਵੈਸਟ ਸਟੈਂਡਰਡ ਗਲਤੀਆਂ ਲਾਗੂ ਕੀਤੀਆਂ ਗਈਆਂ ਸਨ, ਤਾਂ ਵਿਸ਼ਵਾਸ ਅੰਤਰਾਲ ਦੁੱਗਣਾ ਹੋ ਗਿਆ ਅਤੇ ਨੀਤੀ ਦੀ ਸਿਫ਼ਾਰਿਸ਼ ਬਹੁਤ ਜ਼ਿਆਦਾ ਰੂੜੀਵਾਦੀ ਬਣ ਗਈ। ਸਬਕ: ਸਵੈ-ਸਬੰਧ ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਘੱਟ ਸਮਝ ਸਕਦਾ ਹੈ।
ਆਮ ਗਲਤੀਆਂ
- ਉਲੰਘਣਾ ਨੂੰ ਗਲਤ ਸਮਝਣਾ ਜੋ ਮਿਆਰੀ ਤਰੁੱਟੀ ਨੂੰ ਗੁਣਾਂਕ ਸਮੱਸਿਆ ਵਜੋਂ ਵਿਗਾੜਦਾ ਹੈ। Heteroscedasticity ਅਤੇ autocorrelation ਗੁਣਾਂ ਨੂੰ ਵਿਗਾੜਦੇ ਨਹੀਂ ਹਨ; ਘਬਰਾਓ ਨਾ ਅਤੇ ਬੇਲੋੜੇ ਮਾਡਲ ਨੂੰ ਦੁਬਾਰਾ ਬਣਾਓ, ਪਹਿਲਾਂ ਮਿਆਰੀ ਗਲਤੀ ਨੂੰ ਠੀਕ ਕਰੋ।
- VIF ਨੂੰ ਵੇਖਣਾ ਅਤੇ ਅੰਨ੍ਹੇਵਾਹ ਵੇਰੀਏਬਲ ਨਿਰਧਾਰਤ ਕਰਨਾ. ਇੱਕ ਸਿਧਾਂਤਕ ਤੌਰ 'ਤੇ ਜ਼ਰੂਰੀ ਵੇਰੀਏਬਲ ਨੂੰ ਹਟਾਉਣਾ ਕਿਉਂਕਿ VIF ਉੱਚ ਹੈ ਮਾਡਲ ਨੂੰ ਅਰਥਹੀਣ ਬਣਾ ਦਿੰਦਾ ਹੈ।
- ਫਿਕਸ ਦੀ ਪੁਸ਼ਟੀ ਨਹੀਂ ਕੀਤੀ ਜਾ ਰਹੀ। ਮਜ਼ਬੂਤ ਮਿਆਰੀ ਗਲਤੀ ਨੂੰ ਲਾਗੂ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਜਾਂਚ ਕਰੋ ਕਿ ਉਲੰਘਣਾ ਅਸਲ ਵਿੱਚ ਅਨੁਮਾਨ ਨੂੰ ਠੀਕ ਕਰਦੀ ਹੈ; ਇਹ ਨਾ ਕਹੋ ਕਿ "ਮੈਂ ਇਸਨੂੰ ਲਾਗੂ ਕੀਤਾ, ਇਹ ਹੋ ਗਿਆ"।
- ਨਿਦਾਨ ਤੋਂ ਬਿਨਾਂ ਠੀਕ ਕਰੋ। ਇਹ ਜਾਂਚ ਕੀਤੇ ਬਿਨਾਂ ਕਿ ਕਿਹੜੀ ਉਲੰਘਣਾ ਮੌਜੂਦ ਹੈ, ਪਰਿਵਰਤਨ/ਖਤਮ ਨੂੰ ਲਾਗੂ ਕਰਨਾ ਸਮੱਸਿਆ ਨੂੰ "ਹੱਲ" ਕਰ ਸਕਦਾ ਹੈ ਜਿੱਥੇ ਇਹ ਮੌਜੂਦ ਨਹੀਂ ਹੈ ਅਤੇ ਉਸ ਨੂੰ ਛੁਪਾ ਸਕਦਾ ਹੈ.
- ਫਿਕਸ ਨੂੰ ਥਾਂ 'ਤੇ ਕਿਉਂ ਰੱਖਣਾ. ਨਿਊਏ-ਵੈਸਟ ਸਵੈ-ਸੰਬੰਧ ਦੇ ਕਾਰਨ ਨੂੰ ਹੱਲ ਨਹੀਂ ਕਰਦਾ; ਇਹ ਸਿਰਫ਼ ਅਨੁਮਾਨ ਨੂੰ ਠੀਕ ਕਰਦਾ ਹੈ। ਜੇ ਕੋਈ ਢਾਂਚਾਗਤ ਸਮੱਸਿਆ ਹੈ, ਤਾਂ ਮਾਡਲ ਨੂੰ ਬਦਲਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ.
ਸੁਝਾਅ: ਹਰੇਕ ਉਲੰਘਣਾ ਲਈ, ਆਪਣੇ ਆਪ ਨੂੰ ਪੁੱਛੋ "ਕੀ ਇਹ ਗੁਣਾਂਕ ਨੂੰ ਨਸ਼ਟ ਕਰ ਰਿਹਾ ਹੈ ਜਾਂ ਇਸ ਵਿੱਚ ਮੇਰਾ ਭਰੋਸਾ ਹੈ?" ਜੇਕਰ ਜਵਾਬ "ਭਰੋਸਾ" ਹੈ, ਤਾਂ ਹੱਲ ਲਗਭਗ ਹਮੇਸ਼ਾਂ ਮਿਆਰੀ ਗਲਤੀ ਸੁਧਾਰ ਹੁੰਦਾ ਹੈ, ਮਾਡਲ ਨੂੰ ਦੁਬਾਰਾ ਬਣਾਉਣਾ ਨਹੀਂ।
ਸੰਖੇਪ ਵਿੱਚ
ਆਉਟਪੁੱਟ 'ਤੇ ਭਰੋਸਾ ਕਰਨ ਲਈ ਰਿਗਰੈਸ਼ਨ ਡਾਇਗਨੌਸਟਿਕਸ ਇੱਕ ਪੂਰਵ ਸ਼ਰਤ ਹੈ। ਤਿੰਨ ਆਮ ਉਲੰਘਣਾਵਾਂ ਵਿੱਚੋਂ, ਮਲਟੀਕੋਲੀਨੀਅਰਿਟੀ ਗੁਣਾਂਕ ਨੂੰ ਅਸਥਿਰ ਬਣਾਉਂਦੀ ਹੈ ਅਤੇ ਮਿਆਰੀ ਗਲਤੀ ਨੂੰ ਵਧਾਉਂਦੀ ਹੈ; ਦੂਜੇ ਪਾਸੇ, ਹੇਟਰੋਸਕੇਡੈਸਟਿਕਟੀ ਅਤੇ ਸਵੈ-ਸਬੰਧ, ਗੁਣਾਂਕ ਨੂੰ ਨਿਰਪੱਖ ਛੱਡਦੇ ਹਨ ਅਤੇ ਸਿਰਫ ਮਿਆਰੀ ਗਲਤੀ ਨੂੰ ਵਿਗਾੜਦੇ ਹਨ। AI ਡਾਇਗਨੌਸਟਿਕ ਅਤੇ ਫਿਕਸ ਕੋਡ ਤਿਆਰ ਕਰਦਾ ਹੈ, ਪਰ ਤੁਸੀਂ ਫੈਸਲਾ ਕਰਦੇ ਹੋ ਕਿ ਕਿਹੜੀ ਉਲੰਘਣਾ ਅਸਲ ਸਮੱਸਿਆ ਹੈ, ਕਿਹੜਾ ਰੂਪ ਸਿਧਾਂਤਕ ਰਹਿੰਦਾ ਹੈ, ਅਤੇ ਕੀ ਫਿਕਸ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਦਾ ਹੈ। "ਕੀ ਤੋੜ ਰਿਹਾ ਹੈ" ਦੇ ਅੰਤਰ ਨੂੰ ਸਪੱਸ਼ਟ ਕੀਤੇ ਬਿਨਾਂ ਨਾ ਤਾਂ ਘਬਰਾਹਟ ਅਤੇ ਨਾ ਹੀ ਅੰਨ੍ਹਾ ਸੁਧਾਰ ਸਹੀ ਹੈ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਇੱਕ ਮਲਟੀਵੈਰੀਏਟ ਰਿਗਰੈਸ਼ਨ ਸੈਟ ਅਪ ਕਰੋ ਅਤੇ AI ਨੂੰ ਇੱਕ ਕੋਡ ਲਈ ਪੁੱਛੋ ਜੋ ਸਿਰਫ ਨਿਦਾਨ (ਕੋਈ ਸੁਧਾਰ ਨਹੀਂ) ਕਰਦਾ ਹੈ: VIF, ਬਰੂਸ਼-ਪੈਗਨ/ਵਾਈਟ, ਅਤੇ ਡਰਬਿਨ-ਵਾਟਸਨ/ਬ੍ਰੂਸ਼-ਗੌਡਫਰੇ। ਹਰੇਕ ਟੈਸਟ ਲਈ, ਨਤੀਜੇ ਦੀ ਵਿਆਖਿਆ ਕਰੋ ਅਤੇ ਦੱਸੋ ਕਿ ਕੀ ਉਲੰਘਣਾ ਗੁਣਾਂਕ ਨੂੰ ਵਿਗਾੜਦੀ ਹੈ ਜਾਂ ਮਿਆਰੀ ਗਲਤੀ। ਇੱਕ ਅਸਲ ਉਲੰਘਣਾ ਲਈ ਜੋ ਤੁਸੀਂ ਖੋਜਦੇ ਹੋ (ਜਿਵੇਂ ਕਿ ਵਿਪਰੀਤਤਾ), ਮਜ਼ਬੂਤ ਸਟੈਂਡਰਡ ਗਲਤੀਆਂ ਲਾਗੂ ਕਰੋ ਅਤੇ ਕਲਾਸੀਕਲ ਅਤੇ ਮਜਬੂਤ ਨਤੀਜਿਆਂ ਨੂੰ ਜੋੜੋ; ਦਿਖਾਓ ਕਿ ਗੁਣਾਂਕ ਨਹੀਂ ਬਦਲਦਾ ਪਰ ਮਿਆਰੀ ਤਰੁੱਟੀ ਬਦਲਦੀ ਹੈ। ਇੱਕ ਪੈਰੇ ਵਿੱਚ, ਰਿਪੋਰਟ ਕਰੋ ਕਿ ਸੁਧਾਰ ਦੁਆਰਾ ਤੁਹਾਡੇ ਮਹੱਤਵ ਦੇ ਨਤੀਜੇ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਭਾਵਿਤ ਕੀਤਾ ਗਿਆ ਸੀ।
ਚੈੱਕਲਿਸਟ
- [ ] ਮੈਂ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਤਿੰਨ ਉਲੰਘਣਾਵਾਂ (ਮਲਟੀਕੋਲੀਨੀਅਰਿਟੀ, ਹੇਟਰੋਸਕੇਡੈਸਟਿਕਿਟੀ, ਆਟੋਕੋਰਿਲੇਸ਼ਨ) ਦੀ ਜਾਂਚ ਕੀਤੀ।
- [ ] ਹਰੇਕ ਉਲੰਘਣਾ ਲਈ, ਮੈਂ ਵੱਖਰਾ ਕੀਤਾ ਕਿ ਕੀ ਇਹ ਗੁਣਾਂਕ ਨੂੰ ਵਿਗਾੜਦਾ ਹੈ ਜਾਂ ਮਿਆਰੀ ਗਲਤੀ।
- [ ] ਮੈਂ ਥਿਊਰੀ 'ਤੇ ਮਲਟੀਕੋਲੀਨੀਅਰਿਟੀ ਵਿੱਚ ਵੇਰੀਏਬਲ ਐਲੀਮੀਨੇਸ਼ਨ ਨੂੰ ਆਧਾਰਿਤ ਕਰਦਾ ਹਾਂ, ਨਾ ਕਿ ਸਿਰਫ਼ VIF।
- [ ] ਮੈਂ heteroscedasticity/autocorrelation (HC/HAC) ਲਈ ਮਜ਼ਬੂਤੀ ਨਾਲ ਮਿਆਰੀ ਗਲਤੀ ਦੀ ਵਰਤੋਂ ਕੀਤੀ।
- [ ] ਸੁਧਾਰ ਤੋਂ ਬਾਅਦ, ਮੈਂ ਜਾਂਚ ਕੀਤੀ ਅਤੇ ਮੇਰੇ ਅਨੁਮਾਨ 'ਤੇ ਉਲੰਘਣਾ ਦੇ ਪ੍ਰਭਾਵ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ।
- [ ] ਮੈਂ ਰਿਪੋਰਟ ਕਰਦਾ ਹਾਂ ਕਿ ਮਿਆਰੀ ਤਰੁੱਟੀ ਸੁਧਾਰ ਦੁਆਰਾ ਮੇਰਾ ਮਹੱਤਵ ਨਤੀਜਾ ਕਿਵੇਂ ਪ੍ਰਭਾਵਿਤ ਹੋਇਆ ਸੀ।