ලාභ:
- කෘත්රිම බුද්ධියේ සහය ඇතිව, අවංක සහ නොපැහැදිලි භාෂාවකින් ඉලක්කගත ප්රේක්ෂකයන්ට (ශාස්ත්රීය, ප්රතිපත්ති, කළමනාකරණය) අනුභූතික සොයාගැනීම් වාර්තා කිරීමේ හැකියාව
- නිගමන, සීමාවන් සහ සදාචාරාත්මක ප්රකාශ සම්පූර්ණයෙන් ලිවීමේ හැකියාව (දත්ත රහස්යභාවය, උනන්දුව අතර ගැටුම, කෘත්රිම බුද්ධි භාවිතය හෙළිදරව් කිරීම) සහ නොමඟ යවන සුළු ඉදිරිපත් කිරීම් වළක්වා ගැනීම
- අතිශයෝක්තියෙන් යුත්, ඒකපාර්ශ්වික හෝ හේතුකාරක භාෂාවක් නිපදවන වාර්තා කෙටුම්පත් හඳුනා ගැනීමට සහ අවසාන පාඨය සහ හිමිකම් සඳහා එම වගකීම පවත්වා ගැනීමට කෘතිම බුද්ධියේ හැකියාව පර්යේෂකයා සතුය.
මොඩියුල විභාගය
1. පර්යේෂකයෙක් අසයි '2015 සහ 2020 අතර Türkiye හි විරැකියාව සහ උද්ධමනය අතර සහසම්බන්ධතා සංගුණකය කුමක්ද?' කෘතිම බුද්ධියට කිසිම දත්තයක් නොදී. ඔහු 0.62 අංකය ඉල්ලා කෙලින්ම ඔහුගේ ලිපියට ලියයි. මෙම ප්රවේශයේ මූලික වැරැද්ද කුමක්ද?
- A) සත්යාපිත දත්ත ලබා නොදී කෘතිම බුද්ධියෙන් සංයුක්ත සංඛ්යාලේඛන අපේක්ෂා කිරීම; ✔ සත්යාපනය නොකර සෑදූ අංකයක් භාවිතා කිරීම
- B) සහසම්බන්ධතා සංගුණකය කිසි විටෙක ලිපියක භාවිතා නොකළ යුතුය.
- C) විරැකියාව සහ උද්ධමනය අතර සහසම්බන්ධය ගණනය කළ නොහැක
- D) කෘතිම බුද්ධියට දත්ත ලබා ගත හැක්කේ 2020 න් පසුව පමණි
පැහැදිලි කිරීම: AI භාෂා ආකෘතියට දත්ත කට්ටලයට ප්රවේශ නොවී සංඛ්යාලේඛන නිපදවිය නොහැක; ඔහු ලබා දෙන අංකය බොහෝ විට මායාවකි (නිර්මාණය කරන ලද). සංගුණක, අනුපාත සහ පරීක්ෂණ ප්රතිඵල ගණනය කළ යුත්තේ පර්යේෂකයාගේම සත්යාපිත දත්තවලින් මිස ආකෘතියේ මතකයෙන් නොවේ.
2. නැතිවූ දත්ත 'අහඹු ලෙස අතුරුදහන් නොවේ' (MNAR) යන්නෙන් අදහස් කරන්නේ කුමක්ද සහ එය වැදගත් වන්නේ ඇයි?
- A) ඌනතාවයට හේතුව නිරීක්ෂණය නොකළ අගයයි; සරල පැවරුමකින් පක්ෂග්රාහීත්වයක් ඇති කළ හැක්කේ එබැවිනි ✔
- B) දත්ත සම්පූර්ණයෙන්ම අහඹු ලෙස අතුරුදහන් වන අතර කිසිදු අගතියක් ඇති නොකරයි.
- C) නැතිවූ දත්ත සෑම විටම පේළිය මකා දැමීමෙන් විසඳිය යුතුය.
- D) නැතිවූ දත්ත විශ්ලේෂණයට කිසිදු ආකාරයකින් බලපාන්නේ නැත.
පැහැදිලි කිරීම: MNAR (අතුරුදහන් නොවේ අහඹු ලෙස), අතුරුදහන් වීම රඳා පවතින්නේ නිරීක්ෂණය නොකළ අගයේ විශාලත්වය මත ය (උදා: ඉහළ ආදායම් ලබන්නන් තම ආදායම වාර්තා නොකරයි). මෙම අවස්ථාවෙහිදී, සරල මකාදැමීම හෝ සාමාන්ය පැවරුම පක්ෂග්රාහී ප්රතිඵල ලබා දෙයි; ඌනතාවයේ යාන්ත්රණය ආකෘතිගත කළ යුතුය. මෙම යාන්ත්රණය නොදැන කෘතිම බුද්ධිය මගින් යෝජනා කරන ලද පැවරුම් ක්රමය අන්ධ ලෙස යෙදිය යුතු නොවේ.
3. විශ්ලේෂකයෙකුට AI විසින් තීරු ප්රස්ථාරයක් සාදා ඇති අතර, AI ශුන්ය වෙනුවට y-අක්ෂය 40 න් ආරම්භ කරයි. කණ්ඩායම් දෙක අතර සැබෑ වෙනස 2% ප්රස්ථාරයේ විශාල ලෙස පෙනේ. නිවැරදි ප්රවේශය කුමක්ද?
- A) මුල සිට අක්ෂය ආරම්භ කිරීම හෝ ප්රස්ථාර වර්ගය වෙනස් කිරීම; ✔ නොමඟ නොයවා වෙනසෙහි සැබෑ ප්රමාණය පෙන්වීමට
- B) AI හොඳම තේරීම කරන නිසා ප්රස්ථාරය භාවිතා කිරීම
- C) වෙනස තවත් විශාල කිරීම සඳහා අක්ෂය 45 න් ආරම්භ කිරීම
- D) තීරු ප්රස්ථාර වෙනුවට කිසි විටෙක දර්ශන භාවිතා නොකරන්න
පැහැදිලි කිරීම: තීරු සටහනක, ඉරි සහිත අක්ෂය (බිංදුවෙන් ආරම්භ නොවන y අක්ෂය) කුඩා වෙනස්කම් අතිශයෝක්තියට නැංවීමෙන් නොමඟ යවයි. අවංක දෘශ්යකරණයේදී, තීරු ප්රස්ථාරවල අක්ෂය බිංදුවෙන් ආරම්භ විය යුතුය, නැතහොත් වෙනස සවිඥානිකව පැහැදිලිව ප්රකාශ කළ යුතුය. රූපය සත්යාපනය කර අවශ්ය නම් එය නිවැරදි කිරීම විශ්ලේෂකයාගේ වගකීමකි.
4. කෘත්රිම බුද්ධිය අර්ථ නිරූපණය කිරීමේදී රේඛීය ප්රතිගාමීත්වයේ දී සංගුණකයක් 'සැලකිය යුතු' (p<0.05) බව බොහෝ විට වැරදි ලෙස නිරූපණය කරන්නේ කෙසේද?
- A) බලපෑම විශාල සහ වැදගත් හෝ හේතුකාරකය ස්ථාපිත කර ඇති බැවින් වැදගත්කම අතිශයෝක්තියෙන් ඉදිරිපත් කිරීම ✔
- B) වැදගත්කම සෑම විටම පෙන්නුම් කරන්නේ බලපෑම කුඩා බවයි
- C) p<0.05 සංගුණකය නිරපේක්ෂ නිවැරදි බව ඔප්පු කරයි
- D) සැලකිය යුතු සංගුණක කිසිවිටෙක වාර්තා නොකළ යුතුය.
පැහැදිලි කිරීම: සංඛ්යානමය වැදගත්කම යනු බලපෑම ශුන්යයට වඩා වෙනස් බවට සාක්ෂි ප්රබලතාවයට සම්බන්ධ වේ; බලපෑම විශාල, වැදගත් හෝ හේතුකාරක බව එයින් අදහස් නොවේ. AI බොහෝ විට 'සැලකිය යුතු' යන වචනය 'සැලකිය යුතු/ශක්තිමත් බලපෑමක්' ලෙස ඉදිරිපත් කරයි. පර්යේෂකයා බලපෑම් ප්රමාණය, විශ්වාස අන්තරය සහ සන්දර්භය ද ඇගයීමට ලක් කළ යුතුය.
5. 'p-හැකින්ග්' යන යෙදුමෙන් අදහස් කරන්නේ කුමක්ද සහ AI එය පහසු කරන්නේ ඇයි?
- A) එය අර්ථවත් වන තුරු බහු විශ්ලේෂණ උත්සාහ කිරීම; AI මෙය ඉතා ඉක්මනින් කරයි, අවදානම වැඩි කරයි ✔
- B) දත්ත එක් වරක් සහ කලින් තීරණය කළ සැලැස්මක් සමඟ විශ්ලේෂණය කිරීම
- C) p-අගය වැඩි කිරීම සඳහා නියැදිය පුළුල් කිරීම
- D) විස්තරාත්මක සංඛ්යාලේඛන පමණක් වාර්තා කිරීම
පැහැදිලි කිරීම: p-හැක් කිරීම යනු අර්ථවත් ප්රතිඵලයක් මතු වන තෙක් විවිධ විචල්යයන්, උප නියැදි, පරිවර්තන හෝ ආකෘති උත්සාහ කිරීමයි; මෙය අහම්බය මත පදනම් වූ ව්යාජ සොයාගැනීම් නිෂ්පාදනය කරයි. AI හට තත්පර කිහිපයකින් ආකෘති ප්රභේද දුසිම් ගණනක් උත්සාහ කළ හැකි බැවින්, අවංක සැලැස්මකින් තොරව p-හැක් කිරීම වේගවත් කළ හැක. ආරක්ෂක; පූර්ව ලියාපදිංචිය, ස්ථාවර විශ්ලේෂණ සැලැස්ම සහ බහු සංසන්දන නිවැරදි කිරීම.
6. නිශ්චල නොවන (ඒකක මූල) කාල ශ්රේණි දෙකක් අතර ඉහළ R-වර්ග ප්රතිගාමීත්වයක් සොයා ගැනීම නොමඟ යවන සුළු විය හැක්කේ මන්ද?
- A) පොදු ප්රවණතාවය හේතුවෙන් ව්යාජ පසුබෑමක් සිදු විය හැක; ✔ සැබෑ සම්බන්ධතාවයකින් තොරව ඉහළ R-චතුරස්ර ප්රතිදානය
- B) ඉහළ R-වර්ගයක් සෑම විටම ශක්තිමත් හේතු සම්බන්ධතාවක් ඔප්පු කරයි.
- C) නිශ්චල නොවන ශ්රේණි කිසිසේත් ප්රතිගාමීත්වයට ඇතුළත් කළ නොහැක.
- D) R-squared කාල ශ්රේණියෙන් ගණනය කළ නොහැක
පැහැදිලි කිරීම: ස්ථාවර නොවන ශ්රේණි අතර පොදු සමෝධානික සම්බන්ධතාවක් නොමැති නම්, ව්යාජ ප්රතිගමනය ඉහළ R-වර්ග සහ සැලකිය යුතු සංගුණකය නිපදවිය හැක්කේ පොදු ප්රවණතාවය නිසා පමණි; නමුත් සැබෑ සම්බන්ධතාවයක් නොමැත. එබැවින්, නිශ්චලතා සහ ඒකක මූල පරීක්ෂණ ප්රථමයෙන් සිදු කළ යුතු අතර, අවශ්ය නම්, වෙනස්කම් ලබා ගැනීම හෝ ඒකාබද්ධ කිරීම පරීක්ෂා කළ යුතුය.
7. වෙනස තුළ වෙනස නිර්මාණයේ වලංගුභාවය මත පදනම් වූ මූලික උපකල්පනය කුමක්ද?
- A) සමාන්තර ප්රවණතා උපකල්පනය: මැදිහත්වීමක් නොමැති නම් කණ්ඩායම් එකම දිශාවක් අනුගමනය කරනු ඇත ✔
- B) ආරම්භයේදීම ප්රතිකාර සහ පාලන කණ්ඩායම් හරියටම සමාන වේ
- C) සාම්පලයේ සාමාන්ය ව්යාප්තිය
- D) විචල්ය වල අතුරුදහන් වූ දත්ත කිසිවක් අඩංගු නොවේ
පැහැදිලි කිරීම: මැදිහත්වීමක් නොමැති විට, ප්රතිකාර සහ පාලන කණ්ඩායම් සඳහා ප්රතිපල විචල්යය කාලයත් සමඟ සමාන්තරව ගමන් කරනු ඇතැයි ඩිඩීඩී උපකල්පනය කරයි (සමාන්තර ප්රවණතා උපකල්පනය). මෙම උපකල්පනය සපුරා නොමැති නම්, ඇස්තමේන්තුව පක්ෂග්රාහී වේ. AI හට DiD කේතය නිපදවිය හැක, නමුත් සමාන්තර ප්රවණතා ආරක්ෂා කිරීම සහ පරීක්ෂා කිරීම පර්යේෂකයාගේ කාර්යයයි.
8. ප්රතිනිෂ්පාදනය කළ හැකි විශ්ලේෂණයක් සඳහා පහත සඳහන් දේවලින් අනිවාර්ය පරිචයක් වන්නේ කුමක්ද?
- A) අහඹු පියවරෙන් බීජ සවි කිරීම, පැකේජ අනුවාද සහ කේතය පටිගත කිරීම ✔
- B) පැතුරුම්පතට ප්රතිඵල අතින් පිටපත් කර කේතය මකන්න
- C) එක් එක් ධාවනයේදී විවිධ ප්රතිඵල දැකීම සාමාන්ය දෙයකි.
- D) දත්ත සහ කේතය බෙදා නොගැනීම, අවසාන චිත්රක පමණක් තබා ගැනීම
විස්තරය: ප්රතිනිෂ්පාදනය; එකම දත්ත සහ කේතය සමඟ එකම ප්රතිඵලය නැවත ලබා ගත හැක. අහඹු පියවරෙන් බීජ සවි කිරීම, පැකේජ අනුවාද සුරැකීම සහ ලේඛනය තුළ කේතය ක්රියාත්මක කිරීම (සාක්ෂර වැඩසටහන්කරණය) මෙහි මූලික ගල වේ. ප්රතිඵල අතින් පිටපත් කිරීම හෝ ක්ලික් මත පදනම් වූ, ලොග් නොවන පියවර ප්රතිනිෂ්පාදනය අඩාල කරයි.
9. heteroskedasticity රේඛීය ප්රතිගාමීත්වයක් විකෘති කරන්නේ කුමක්ද සහ එහි පොදු විසඳුම කුමක්ද?
- A) එය සම්මත දෝෂ විකෘති කරයි; විසඳුම ශක්තිමත් සම්මත දෝෂ හෝ සුදුසු පරිවර්තනය ✔
- B) එය සංගුණක ඇස්තමේන්තු සම්පූර්ණයෙන්ම අවලංගු කරන අතර විසඳුමක් නොමැත
- C) සෑම විටම R-වර්ග ශුන්යයට අඩු කරයි
- D) නියැදිය ඉතා කුඩා නම් සහ නොසලකා හැරිය හැකි නම් පමණක් සිදු වේ
පැහැදිලි කිරීම: Heteroscedasticity සංගුණකය ඇස්තමේන්තු අපක්ෂපාතී නමුත් සම්මත දෝෂ වැරදි ලෙස ගණනය කරයි; මෙය p-අගය සහ විශ්වාස අන්තරායන් විශ්වාස කළ නොහැකි කරයි. පොදු විසඳුමක් වන්නේ ශක්තිමත්/HC සම්මත දෝෂ හෝ සුදුසු පරිවර්තනය භාවිතා කිරීමයි. AI විසින් යෝජනා කරන ලද විසඳුම ගැටළුව සැඟවීමට වඩා එය විසඳන බව සත්යාපනය කළ යුතුය.
10. පර්යේෂකයෙකු රෝගී මට්ටමේ හඳුනාගැනීමේ තොරතුරු සහ ආදායම් සහිත ක්ෂුද්ර දත්ත පොදු AI කතාබස් මෙවලමකට උඩුගත කර 'ප්රතිගාමීත්වය කරන්න' කියයි. මෙම හැසිරීමේ ප්රධාන ගැටළුව කුමක්ද?
- A) බාහිර මෙවලමකට පුද්ගලික/බලපත්ර ලත් දත්ත උඩුගත කිරීම රහස්යභාවය සහ කොන්ත්රාත්තුවේ කඩකිරීමක් වේ ✔
- B) කෘත්රිම බුද්ධියෙන් ප්රතිගාමී වීම කිසිසේත්ම කළ නොහැක
- C) ක්ෂුද්ර දත්ත ප්රතිගමනය සඳහා කිසිසේත්ම සුදුසු නොවේ
- D) AI සෑම විටම ප්රතිගමනය වැරදි ලෙස ගණනය කරයි
පැහැදිලි කිරීම: අනන්යතාවය සහ ආදායම වැනි පුද්ගලික/විශේෂ දත්ත KVKK/GDPR සහ බොහෝ දත්ත භාවිත ගිවිසුම් යටතේ ආරක්ෂා කර ඇත; දත්ත ගබඩා කළ හැකි බාහිර උපාංගයකට ඒවා උඩුගත කිරීම උල්ලංඝනය කිරීමකි. නිවැරදි මාර්ගය; දත්ත නිර්නාමික කිරීම, දේශීය/ආයතනික ආරක්ෂිත මෙවලම් භාවිතා කිරීම හෝ කෘත්රිම බුද්ධියෙන් කේතය ඉල්ලා සිටීම සහ කේතය එහිම පරිසරය තුළ ධාවනය කිරීම.
11. බහු කෝණිකතාව ඉහළ මට්ටමක පවතින විට නිරීක්ෂණය කරන්නේ කුමක්ද?
- A) සංගුණක අස්ථායී වන අතර සම්මත දෝෂ පුම්බා ඇත; තනි සංගුණක අර්ථ විරහිත විය හැක ✔
- B) R-squared සෑම විටම ශුන්යයට අඩු වේ
- C) සංගුණක ඇස්තමේන්තු සෑම විටම වඩාත් නිවැරදි වේ
- D) රඳා පවතින විචල්යයේ පරිමාණය වෙනස් වේ
පැහැදිලි කිරීම: ඉහළ බහුකොලිනියරිටි වලදී, ස්වාධීන විචල්යයන් එකිනෙක හා දැඩි ලෙස සම්බන්ධ වේ; සංගුණක ඇස්තමේන්තු අස්ථායී වේ, සම්මත දෝෂ උද්ධමනය වේ, සහ තනි සංගුණක නොවැදගත් විය හැක, සමස්ත ආකෘතිය සැලකිය යුතු විය හැක. එය VIF වැනි නිර්ණායක මගින් රෝග විනිශ්චය කරනු ලැබේ. කෘතිම බුද්ධිය මගින් විචල්ය තුරන් කිරීම යෝජනා කළ හැකි නමුත් න්යායාත්මකව පැවතිය යුත්තේ කුමන විචල්යයද යන්න තීරණය කිරීම පර්යේෂකයා සතුය.
12. සංඛ්යාන බලය යනු කුමක්ද සහ අඩු බල අධ්යයනයක අවදානම කුමක්ද?
- A) පවතින බලපෑම හඳුනාගැනීමේ හැකියාව; අඩු බලයට සත්ය බලපෑම් මග හැරෙන අතර සොයාගැනීම් විශ්වාස කළ නොහැකි කරයි ✔
- B) p-අගය අඩු කිරීමේ සම්භාවිතාව; අඩු බලය සෑම විටම වඩා විශ්වාසදායක ප්රතිඵල ලබා දෙයි
- C) නියැදි ප්රමාණයෙන් ස්වාධීන නියත අගයක්
- D) කෘතිම බුද්ධිය භාවිතා කරන විට පමණක් වලංගු වන සංකල්පයකි
පැහැදිලි කිරීම: බලය යනු ඇත්ත වශයෙන්ම පවතින බලපෑමක් හඳුනා ගැනීමේ සම්භාවිතාවයි (1 සෘණ වර්ගය II දෝෂය). අඩු බලැති අධ්යයනයන්ට සැබෑ බලපෑම් මඟ හැරිය හැක; අතිරේකව, සැලකිය යුතු ප්රතිඵල කිහිපය අතිශයෝක්තියෙන් යුත් ප්රයෝග ප්රමාණය ('ජයග්රාහකයාගේ ශාපය') ගෙන යා හැකි අතර ව්යාජ ධනාත්මක අනුපාතය වැඩි වේ. එබැවින්, විශ්ලේෂණයට පෙර බලය/නියැදි ගණනය කිරීම වැදගත් වේ.
13. ලිපියක කෘතිම බුද්ධිය භාවිතය හෙළිදරව් කිරීම සදාචාරාත්මකව අවශ්ය වන්නේ ඇයි?
- A) විනිවිදභාවය සහ වගවීම සඳහා; ✔ පාඨකයන්ට සහ විනිසුරුවන්ට ක්රියාවලිය ඇගයීමට ලක් කළ හැකි අතර වගකීම කර්තෘ සතු වේ
- B) කෘතීම බුද්ධිය භාවිතය ස්වයංක්රීයව ප්රතිඵල අවලංගු කරයි
- C) වෙළඳ දැන්වීම් අරමුණු සඳහා පමණක් සඟරා මගින් ඉල්ලා ඇත
- D) පැහැදිලි කිරීමේ ප්රකාශන අයිතිය කෘතිම බුද්ධියට පැවරීම
හෙළිදරව් කිරීම: පාඨකයාට සහ සමාලෝචකයින්ට ප්රතිඵල නිපදවන ලද ආකාරය ඇගයීමට හැකි වන පරිදි විනිවිදභාවය අවශ්ය වේ. බොහෝ සඟරා සහ ආයතනවලට දැන් AI භාවිතය හෙළිදරව් කිරීම අවශ්ය වේ. මීට අමතරව, කෘත්රිම බුද්ධියෙන් දෝෂ/මායාවන් ඇති කළ හැකි බැවින්, වගකීම කතුවරයා සතුව පවතින බව සහ විගණනය කරන ලද පියවරයන් ප්රකාශ කිරීම අවංකකමකි.
14. උපකරණ විචල්ය (IV) ක්රමයේදී 'බැහැර සීමා කිරීම' අවශ්ය කරන්නේ කුමක්ද?
- A) මෙවලම ප්රතිඵලයට බලපාන්නේ අභ්යන්තර විචල්යය හරහා පමණි, වෙනත් සෘජු මාර්ගයක් නොමැත ✔
- B) උපකරණයට ප්රතිඵල විචල්යය සමඟ කිසිදු සම්බන්ධයක් නොමැත.
- C) උපකරණය ආවේණික විචල්යයට සම්බන්ධ නොවේ.
- D) Means යනු සෑම විටම ද්විමය (0/1) විචල්යයකි
පැහැදිලි කිරීම: බැහැර කිරීමේ සීමාවට අවශ්ය වන්නේ උපකරණය ප්රතිඵල විචල්යයට බලපාන්නේ අන්තරාසර්ග පැහැදිලි කිරීමේ විචල්යය හරහා මිස වෙනත් සෘජු මාධ්යයන් හෝ නිරීක්ෂණය නොකළ සාධක හරහා නොවේ. මෙම උපකල්පනය දත්ත වලින් සම්පූර්ණයෙන්ම පරීක්ෂා කළ නොහැක; එය න්යායික සහ ආයතනික පදනම මත ආරක්ෂා කෙරේ. AI IV කේතය ලිවිය හැක, නමුත් මෙවලමෙහි වලංගුභාවය ආරක්ෂා කිරීම පර්යේෂකයාගේ කාර්යය වේ.
15. පෙර-ලියාපදිංචියකින් තොරව නම්යශීලී විශ්ලේෂණ වලදී 'ගාඩන් ඔෆ් ෆෝකින් පාත්' ගැටලුව අදහස් කරන්නේ කුමක්ද?
- A) දත්ත මත පදනම්ව සිදු කරන ලද බොහෝ සාධාරණ විශ්ලේෂණ තේරීම් නොදැනුවත්වම පවා ව්යාජ ධනාත්මක අනුපාතය වැඩි කරයි ✔
- B) විශ්ලේෂණ ක්රම තනි සහ අනිවාර්ය විය යුතුය
- C) චේතනාන්විත වංචාවක් සිදු වූ විට පමණක් ඇතිවන ගැටලුවකි.
- D) නියැදිය වර්ධනය වන විට ස්වයංසිද්ධව අතුරුදහන් වන තත්වයක්
පැහැදිලි කිරීම: දත්ත බැලීමෙන් පසු, පර්යේෂකයාට භාවිතා කළ යුතු විචල්යය, උප සමූහය, පරිවර්තනය හෝ එළිපත්ත පිළිබඳව බොහෝ සාධාරණ තේරීම් කළ හැකිය. තනි 'චේතනාන්විත p-හැක් කිරීමක්' නොමැති වුවද, මෙම නම්යශීලීභාවය ව්යාජ ධනාත්මක අනුපාතය වැඩි කරයි, මන්ද සැලකිය යුතු එක විශ්ලේෂණ විශාල සංඛ්යාවකින් ඵලදායී ලෙස තෝරාගෙන ඇත. පෙර-ලියාපදිංචිය සහ ස්ථාවර විශ්ලේෂණ සැලැස්මක් මෙම නම්යශීලීභාවය සීමා කරයි.