ලාභ:
- කෘතිම බුද්ධි සහය සහිත රෝග විනිශ්චය පරීක්ෂණ සහ ග්රැෆික්ස් සමඟ බහුකොලිනියරිටි, විෂමජාතීත්වය සහ ස්වයං සහසම්බන්ධතා වැනි උල්ලංඝනයන් හඳුනා ගැනීමේ හැකියාව
- එක් එක් උල්ලංඝනය සංගුණක ඇස්තමේන්තු හෝ සම්මත දෝෂ විකෘති කරන්නේද යන්න වෙන්කර හඳුනා ගැනීමට සහ සුදුසු නිවැරදි කිරීම් තෝරා ගැනීමේ හැකියාව (ශක්තිමත් සම්මත දෝෂය, පරිවර්තනය, ආකෘති සංශෝධනය)
- AI විසින් යෝජනා කරන ලද නිවැරදි කිරීම් ගැටලුව සඟවනවාට වඩා විසඳන බව සහ රෝග විනිශ්චය පදනම් වී ඇත්තේ දත්ත නිපදවන ක්රියාවලිය පිළිබඳ අවබෝධයක් මත බව සත්යාපනය කිරීමේ හැකියාව
ප්රතිගමනයක ප්රතිදානය කියවීම පහසුය; ඔහුව විශ්වාස කරන්න අමාරුයි. සංගුණක අපක්ෂපාතී බැවින්, සම්මත දෝෂ නිවැරදි වන අතර, පෙර ඒකකයේ අප විසින් හඳුන්වා දුන් උපකල්පන මත පදනම්ව p අගයන් වලංගු වේ. මෙම ඒකකය තුළ, අපි වඩාත් පොදු උල්ලංඝනයන් තුන ආවරණය කරනු ඇත: බහුකොලිනියරිටි, විෂමජාතීත්වය සහ ස්වයං සහසම්බන්ධතාව. අපි එක් එක් ප්රශ්න තුනකට පිළිතුරු දෙන්නෙමු: එය හඳුනා ගන්නේ කෙසේද, එය බිඳ වැටෙන දේ (සංගුණකය හෝ සම්මත දෝෂය) සහ එය නිවැරදි කරන්නේ කෙසේද. කෘතිම බුද්ධිය (AI) රෝග විනිශ්චය පරීක්ෂණ සහ නිවැරදි කිරීම් සඳහා කේතය ජනනය කරයි; නමුත් ඔබ තීරණය කරන්නේ කුමන උල්ලංඝණයද ඇත්තටම ගැටලුවද යන්න සහ නිවැරදි කිරීම ගැටලුව විසඳන්නේද යන්නයි.
අපි වඩාත් තීරණාත්මක වෙනස ඉදිරියට කරමු: උල්ලංඝනයක් සංගුණක ඇස්තමේන්තුව හෝ සම්මත දෝෂ පමණක් විකෘති කරයිද? මෙම වෙනස විසඳුම තීරණය කරයි. සංගුණකය විකෘති කරන ගැටලුවක් (උදා: exogeneity උල්ලංඝනය) ආකෘතිය නැවත සිතා බැලීම අවශ්ය වේ; සම්මත දෝෂය (heteroscedasticity, autocorrelation) පමණක් විකෘති කරන ගැටළුවක් බොහෝ විට සම්මත දෝෂ නිවැරදි කිරීම මගින් විසඳනු ලැබේ. AI හි පොදු වැරැද්දක් වන්නේ සම්මත දෝෂය නිවැරදි කරන තාක්ෂණයක් යෙදීම සහ පසුව ගැටලුව "විසඳුනු" ප්රකාශ කිරීමයි; යටින් පවතින ව්යුහය තවමත් එහි තිබිය හැක.
උල්ලංඝනය 1: බහු කෝණිකත්වය
ඇයි? පැහැදිලි කිරීමේ විචල්ය දෙකක් හෝ වැඩි ගණනක් එකිනෙකට තදින් සම්බන්ධ වේ; උදාහරණයක් ලෙස, "මුළු වසර අත්දැකීම්" සහ "වයස" යන දෙකම ආකෘතියට ඇතුළත් කිරීම. මෙම විචල්යයන් එකම තොරතුරු රැගෙන යන බැවින්, ආකෘතියට ඒවා වෙන් කිරීම අපහසු වේ.
එය කැඩී යන්නේ කුමක්ද? සංගුණක ඇස්තමේන්තු අපක්ෂපාතීව පවතින නමුත් අස්ථායී වේ: සම්මත දෝෂ උද්ධමනය වේ, විශ්වාස අන්තරයන් පුළුල් වේ, තනි සංගුණක නොවැදගත් විය හැකි අතර ආකෘතිය සමස්තයක් ලෙස සැලකිය හැකිය (F-test). කුඩා දත්ත වෙනසක් සංගුණකය සැලකිය යුතු ලෙස චලනය කරයි.
එය හඳුනා ගන්නේ කෙසේද? VIF (විචල්ය උද්ධමන සාධකය): සෑම විචල්යයක් සඳහාම, එම විචල්යය අනෙක් අය විසින් පැහැදිලි කර ඇති ප්රමාණය මනිනු ලබයි. දළ සීමාවක් ලෙස, VIF > 5 (සමහර 10) අවවාදයක් අවශ්ය වේ. අතිරේකව, පැහැදිලි කිරීමේ විචල්යයන් අතර සහසම්බන්ධ අනුකෘතිය පරීක්ෂා කරනු ලැබේ.
නිවැරදි කරන්නේ කෙසේද? සහසම්බන්ධ විචල්ය වලින් එකක් අතහැර දැමීම, ඒවා ඒකාබද්ධ කිරීම (දර්ශකයක් සෑදීම) හෝ (න්යායට අවශ්ය නම්) දෙකම තබා ගැනීම සහ තනි සංගුණක අර්ථකථනය කිරීමෙන් වැළකී සිටීම. කුමන විචල්යය පවතින්නේද යන්න න්යායික තීරණයක් මිස සංඛ්යානමය එකක් නොවේ - AI ඉවත් කිරීමට යෝජනා කරයි, ඔබ සාධාරණීකරණය සපයයි.
උල්ලංඝනය 2: Heteroscedasticity
ඇයි? දෝෂ පදයේ විචලනය නිරීක්ෂණ හරහා නියත නොවේ. සාමාන්ය උදාහරණය: ආදායම වැඩි වන විට, වියදම් වටා විසිරීම ද සිදු වේ; "පුනීල" රටාවක් සෑදී ඇත, අඩු ආදායමෙන් පටු සහ ඉහළ ආදායමක් තුළ පුළුල් වේ.
එය කැඩී යන්නේ කුමක්ද? සංගුණක ඇස්තමේන්තු නැවතත් අපක්ෂපාතී වේ - මෙය වැදගත් වේ. විකෘති වන්නේ සම්මත දෝෂ වේ: ඒවා වැරදි ලෙස ගණනය කර ඇත, එබැවින් p-අගය සහ විශ්වාසනීය කාල පරතරයන් විශ්වාස කළ නොහැකි වේ. එබැවින් ඔබේ සංගුණකය නිවැරදි මධ්යස්ථානයේ ඇත, නමුත් "ඔබ කෙතරම් විශ්වාසද" යන ප්රශ්නයට පිළිතුර වැරදියි.
එය හඳුනා ගන්නේ කෙසේද? පුරෝකථනය කළ අගයන් (පුනීල රටාව සොයන) සහ විධිමත් පරීක්ෂණවලට එදිරිව අවශේෂ කොටස් විසිරීම: Breusch-Pagan test, White test. කුඩා p-අගය පවසන්නේ "ස්ථාවර විචල්යයක් නැත" යන්නයි.
නිවැරදි කරන්නේ කෙසේද? වඩාත්ම පොදු සහ ප්රායෝගික විසඳුම වන්නේ ශක්තිමත් සම්මත දෝෂ (ශක්තිමත් / විෂම-අස්ථීර, HC සම්මත දෝෂ) භාවිතා කිරීමයි: එය සංගුණකය වෙනස් නොකරයි, එය උල්ලංඝනය සඳහා සම්මත දෝෂය නිවැරදි කරයි. විකල්ප: යැපෙන විචල්යය (ලොග් වැනි) හෝ බරිත LCM පරිවර්තනය කිරීම. ශක්තිමත් සම්මත දෝෂ අද ආනුභවික වැඩවල පෙරනිමිය බවට පත්ව ඇත.
උල්ලංඝනය 3: ස්වයං සහසම්බන්ධය
ඇයි? දෝෂ නියමයන් එකිනෙකින් ස්වාධීන නොවේ; එය කාල ශ්රේණියේ වඩාත් සුලභ වේ: එක් කාල පරිච්ඡේදයක දෝෂය ඊළඟට බලපායි (උදා: කම්පනයකින් පසු කාල පරිච්ඡේදවල අවශේෂ ධනාත්මකව පවතී).
එය කැඩී යන්නේ කුමක්ද? නැවතත්, එය මූලික වශයෙන් සම්මත දෝෂ විකෘති කරයි (බොහෝ විට ඒවා අවතක්සේරු කරයි, ව්යාජ වැදගත්කමක් ඇති කරයි); සංගුණක LCC හි අපක්ෂපාතීව පවතින නමුත් ඒවායේ කාර්යක්ෂමතාව නැති වේ.
එය හඳුනා ගන්නේ කෙසේද? Durbin-Watson පරීක්ෂණය (පළමු පෙළ ස්වයං සහසම්බන්ධය සඳහා), Breusch-Godfrey පරීක්ෂණය (වඩා සාමාන්ය), සහ පසුගාමී අගයන්ට එරෙහිව අවශේෂ කොටස්.
නිවැරදි කරන්නේ කෙසේද? Newey-West (HAC — autocorrelation සහ heteroskedasticity වලට ප්රතිරෝධී) සම්මත දෝෂ, ආකෘතියට ප්රමාද වූ නියමයන් එකතු කිරීම හෝ සුදුසු කාල ශ්රේණි ආකෘතියට මාරු වීම (ඒකකය 8).
අවවාදයයි: Heteroscedasticity සහ autocorrelation විකෘති කරන්නේ සම්මත දෝෂය මිස සංගුණකය නොවේ. එබැවින්, "සංගුණකය සැලකිය යුතු විය" යැයි පැවසීමට පෙර, සම්මත දෝෂය නිවැරදිව ගණනය කර ඇති බවට වග බලා ගන්න; එසේ නොමැතිනම් අර්ථවත් බව මිත්යාවක් විය හැකිය.
සංසන්දනාත්මක සටහන
උල්ලංඝනය
මොනවද කැඩෙන්නේ
රෝග විනිශ්චය
පොදු විසඳුම
බහු-සබැඳිය
සම්මත දෝෂ පුම්බා, සංගුණකය අස්ථායී කරයි
VIF, සහසම්බන්ධ අනුකෘතිය
විචල්ය අඩු කිරීම/සංයෝජනය (න්යාය අනුව)
විෂමතාවය
සම්මත දෝෂ (සංගුණකය අපක්ෂපාතී)
Breusch-Pagan, සුදු, අවශේෂ කුමන්ත්රණය
ශක්තිමත් (HC) සම්මත දෝෂය, පරිවර්තනය
ස්වයං සහසම්බන්ධය
සම්මත දෝෂ (සංගුණකය අපක්ෂපාතී)
Durbin-Watson, Breusch-Godfrey
Newey-West (HAC), ප්රමාද වූ වාරය
පිටපත් කළ හැකි විමසීම් හතරක්
1. සම්පූර්ණ රෝග විනිශ්චය පැකේජය:
ඔබේ කාර්යභාරය: ප්රතිගාමී රෝග විනිශ්චය සහකාර. මට R කේතය අවශ්යයි, මම දත්ත බෙදා නොගනිමි. ආකෘතිය: lm (වියදම් ~ ආදායම + වයස + කලාපය, දත්ත = දත්ත). කාර්යය: (1) VIF ගණනය කරන්න, (2) Breusch-Pagan සහ අවශේෂ-ඇස්තමේන්තු කුමන්ත්රණය සමඟ විෂම දර්ශක පරීක්ෂා කිරීම, (3) Durbin-Watson සමඟ ස්වයං සහසම්බන්ධය පරීක්ෂා කරන්න. එක් එක් පරීක්ෂණයේ උල්ලංඝණය කිරීම් මොනවාද සහ p-අගය අර්ථකථනය කරන්නේ කෙසේද යන්න අදහස් රේඛාවේ පැහැදිලි කරන්න. නිවැරදි කිරීමේ යෙදුම; රෝග විනිශ්චය නිෂ්පාදනය කරන්න.
2. ශක්තිමත් සම්මත දෝෂය:
එකම මාදිලියේ (සැන්ඩ්විච් + lmtest පැකේජ) heteroskedasticity-robust (HC3) සම්මත දෝෂ සහිත සංගුණක වගුව ප්රතිනිෂ්පාදනය කරන R කේතය ලියන්න. මට වෙනස පෙනෙන පරිදි සම්භාව්ය සහ ශක්තිමත් සම්මත දෝෂ එක පැත්තකින් පෙන්වන වගුවක් නිෂ්පාදනය කරන්න. සංගුණක වෙනස් නොවන බවත්, සම්මත දෝෂ පමණක් වෙනස් වන බවත් අදහස් රේඛාවේ අවධාරණය කරන්න.
3. බහු සබැඳි සමාලෝචනය:
ඉහළ VIF සහිත විචල්ය ලැයිස්තුවක් මට සිතන්න: න්යායාත්මකව එකම දේ මැනිය හැක්කේ කුමන විචල්යයන්ටද, ඒවා තබා ගැනීමට ප්රබල අවස්ථාවක් තිබේද යන්න. ස්වයංක්රීයව සුදුසුකම් නොලබන්න; මම න්යාය මත තීරණයක් ගන්නවා. VIF දෙස බැලීම සහ විචල්ය පැවරීම වැරදි විය හැක්කේ මන්දැයි ද පැහැදිලි කරන්න.
4. ස්වයං සහසම්බන්ධතා නිවැරදි කිරීම:
මගේ කාල ශ්රේණියේ ප්රතිගමනයේ දී, Breusch-Godfrey p-අගය 0.001 විය. Newey-West (HAC) සම්මත දෝෂ සහිත සංගුණක වගුව නිපදවන R කේතය ලියන්න සහ ප්රමාදය තෝරා ගන්නා ආකාරය පැහැදිලි කරන්න. මෙම නිවැරදි කිරීම ස්වයං සහසම්බන්ධතාවයේ හේතුව විසඳන්නේ නැති බව සලකන්න, එය හුදෙක් අනුමානය නිවැරදි කරයි.
දුර්වල ක්ෂණික / ශක්තිමත් විමසුම
දුර්වල ක්ෂණික:
මගේ පසුබෑමේ ගැටලුවක් තිබේද? එසේ නම්, එය නිවැරදි කරන්න.
මෙම ප්රේරකය AI අන්ධ “නිවැරදි” මාදිලියක තබයි: එයට සත්ය වශයෙන්ම පවතින්නේ කුමන උල්ලංඝනයද සහ එය කැඩී ගිය දේ නොපෙන්වා, පරීක්ෂණ මඟ හැර සෘජු පරිවර්තනයක් හෝ විචල්ය ඉවත් කිරීමක් යෙදිය හැක.
බලවත් විමසුම:
ඔබේ කාර්යභාරය: රෝග විනිශ්චය සහකාර, ස්වයං නිවැරදි කරන්නා නොවේ. පළමු පරීක්ෂණය උල්ලංඝනය කිරීම් තුනක් සඳහා වෙන වෙනම (බහු සමලිංගිකත්වය, විෂමජාතීත්වය, ස්වයං සහසම්බන්ධතා) සහ එක් එක් සඳහා: කුමන පරීක්ෂණය, ප්රතිඵලය කියවන්නේ කෙසේද, එය COEFICIENT හෝ සම්මත දෝෂය බිඳ දමයි. ඉන්පසුව සත්යවශයෙන්ම අනාවරණය කරගත් උල්ලංඝණය සඳහා පිළියමක් පමණක් යෝජනා කර එම නිවැරදි කිරීම මඟින් ගැටලුව නිරාකරණය කළ බව මට සත්යාපනය කළ හැකි ආකාරය පැහැදිලි කරන්න.
වෙනස: ප්රබල කැමැත්ත නිවැරදි කිරීමට පෙර රෝග විනිශ්චයට බල කරන අතර "එය බිඳෙන දේ" අතර පැහැදිලි වෙනසක් ඉල්ලා සිටී.
කුඩා නඩු තුනක්
නඩුව 1 - ව්යාජ වැදගත්කම (විෂමතාවය). එක් විශ්ලේෂකයෙකු විසින් වියදම් ~ ආදායම් ආකෘතියේ ආදායම් සංගුණකය p=0.01 හි "සැලකිය යුතු" බව සොයා ගන්නා ලදී. නමුත් දැන් ඔහුගේ ප්රස්ථාරයේ වෙනම පුනීල රටාවක් තිබුණි. ශක්තිමත් සම්මත දෝෂ යෙදූ විට, p-අගය 0.09 දක්වා වැඩි විය; අර්ථවත් බව නැති වී යයි. පළමු ප්රතිඵලය වූයේ වැරදි ගණනය කළ සම්මත දෝෂයක් නිසා ඇති වූ මිත්යාවකි. පාඩම: සම්මත දෝෂය නිවැරදි නොකර වැදගත්කම විශ්වාස කළ නොහැක.
නඩුව 2 - අන්ධ විචල්ය ඉවත් කිරීම. එක් ශිෂ්යයෙක් ඔහුගේ VIF ඉහළ බැවින් "අත්දැකීම්" විචල්යය ආකෘතියෙන් ඉවත් කළේය. සංගුණක "පිරිසිදු" කරන ලද නමුත් අත්දැකීම් උනන්දුවක් දක්වන ප්රධාන විචල්යය වූ නිසා ආකෘතියේ න්යායික අර්ථය විකෘති විය. නිවැරදි මාර්ගය: වයස අඩු කර අත්දැකීම් තබා ගන්න, නැතහොත් දෙක ඒකාබද්ධ කරන්න. පාඩම: VIF එළිපත්ත පමණක් ඉවත් කිරීම සඳහා හේතු නොවේ; න්යාය තීරණය කරයි.
නඩුව 3 - ස්වයං සහසම්බන්ධතාවයෙන් සැඟවුණු අවිනිශ්චිතතාවය. කාල ශ්රේණි අධ්යයනයක දී, ඩර්බින්-වොට්සන් නොසලකා හරින ලදී; සංගුණකය ඉතා "නිශ්චිත" ලෙස පෙනුනි (පටු විශ්වාසනීය පරතරය). Newey-West සම්මත දෝෂ යෙදූ විට, විශ්වාස අන්තරය දෙගුණ වූ අතර ප්රතිපත්ති නිර්දේශය වඩාත් ගතානුගතික විය. පාඩම: ස්වයං සහසම්බන්ධතාවය අවිනිශ්චිතතාවය අවතක්සේරු කළ හැකිය.
පොදු වැරදි
- සම්මත දෝෂය සංගුණක ගැටළුවක් ලෙස විකෘති කරන උල්ලංඝනය වරදවා වටහා ගැනීම. Heteroscedasticity සහ autocorrelation සංගුණකය විකෘති නොකරයි; කලබල නොවී ආකෘතිය අනවශ්ය ලෙස නැවත ගොඩනඟන්න, පළමුව සම්මත දෝෂය නිවැරදි කරන්න.
- VIF දෙස බැලීම සහ අන්ධ ලෙස විචල්ය පැවරීම. VIF ඉහළ බැවින් න්යායාත්මකව අවශ්ය විචල්යයක් ඉවත් කිරීම ආකෘතිය අර්ථ විරහිත කරයි.
- නිවැරදි කිරීම සත්යාපනය නොකරයි. ශක්තිමත් සම්මත දෝෂයක් යෙදීමෙන් පසු, උල්ලංඝනය සත්ය වශයෙන්ම අනුමාන නිවැරදි කරන්නේ දැයි පරීක්ෂා කරන්න; "මම ඒක යෙදුවා, ඒක ඉවරයි" කියන්න එපා.
- රෝග විනිශ්චය නොමැතිව නිවැරදි කරන්න. කුමන උල්ලංඝණය වේද යන්න පරීක්ෂා නොකර පරිවර්තනය/ඉවත් කිරීම යෙදීමෙන් ගැටලුව නොපවතින තැන "විසඳා" කළ හැකි අතර පවතින එක සැඟවිය හැක.
- හේතුව තැනින් තැන තැබීම. Newey-West ස්වයං සහසම්බන්ධතාවයේ හේතුව විසඳන්නේ නැත; එය නිගමනය නිවැරදි කරයි. ව්යුහාත්මක ගැටලුවක් තිබේ නම්, ආකෘතිය වෙනස් කළ යුතුය.
ඉඟිය: එක් එක් උල්ලංඝනය සඳහා, ඔබෙන්ම අසන්න "මෙය සංගුණකය විනාශ කරන්නේද නැතහොත් එය කෙරෙහි මගේ විශ්වාසයද?" පිළිතුර "විශ්වාසය" නම්, විසඳුම සෑම විටම පාහේ සම්මත දෝෂ නිවැරදි කිරීම, ආකෘතිය නැවත ගොඩනැගීම නොවේ.
සාරාංශයක් ලෙස
ප්රතිදානය විශ්වාස කිරීම සඳහා ප්රතිගාමී රෝග විනිශ්චය පූර්ව අවශ්යතාවයකි. පොදු උල්ලංඝනයන් තුනෙන්, බහුකොලිනියරිටි සංගුණකය අස්ථායී කරන අතර සම්මත දෝෂය පුම්බා ඇත; අනෙක් අතට, විෂමතා සහ ස්වයං සහසම්බන්ධතාවය, සංගුණකය අපක්ෂපාතීව තබා සම්මත දෝෂය පමණක් විකෘති කරයි. AI විසින් රෝග විනිශ්චය සහ නිවැරදි කිරීමේ කේතය ජනනය කරයි, නමුත් ඔබ තීරණය කරන්නේ කුමන උල්ලංඝනය සැබෑ ගැටළුවද, කුමන ප්රභේදය න්යායිකව පවතීද සහ නිවැරදි කිරීම ගැටළුව විසඳන්නේද යන්නයි. "කැඩෙන දේ" අතර වෙනස පැහැදිලි නොකර කලබල වීම හෝ අන්ධ නිවැරදි කිරීම නිවැරදි නොවේ.
යෙදුම් කාර්යය
බහුවිචල්ය ප්රතිගමනයක් සකසා රෝග විනිශ්චය පමණක් නිපදවන කේතයක් සඳහා AI වෙතින් විමසන්න (නිවැරදි කිරීම් නොමැත): VIF, Breusch-Pagan/White, සහ Durbin-Watson/Breusch-Godfrey. එක් එක් පරීක්ෂණය සඳහා, ප්රතිඵලය අර්ථ නිරූපණය කර උල්ලංඝනය සංගුණකය හෝ සම්මත දෝෂය විකෘති කරන්නේද යන්න සඳහන් කරන්න. ඔබ හඳුනා ගන්නා සැබෑ උල්ලංඝනයක් සඳහා (උදා: විෂමතාවය), ශක්තිමත් සම්මත දෝෂ යොදන්න සහ සම්භාව්ය සහ ශක්තිමත් ප්රතිඵල සමපාත කරන්න; සංගුණකය වෙනස් නොවන නමුත් සම්මත දෝෂය වෙනස් වන බව පෙන්වන්න. එක් ඡේදයකින්, නිවැරදි කිරීම මගින් ඔබේ වැදගත් ප්රතිඵලයට බලපෑ ආකාරය වාර්තා කරන්න.
පිරික්සුම් ලැයිස්තුව
- [ ] මම උල්ලංඝණ තුනක් (බහු කෝණිකතාව, විෂම ස්කන්ධතාවය, ස්වයං සහසම්බන්ධතාව) වෙන වෙනම පරීක්ෂා කළෙමි.
- [ ] සෑම උල්ලංඝනයක් සඳහාම, එය සංගුණකය හෝ සම්මත දෝෂය විකෘති කරන්නේද යන්න මම වෙන් කළෙමි.
- [ ] මම VIF පමණක් නොව, න්යාය මත බහු සහශ්රතාවයේ විචල්ය ඉවත් කිරීම පදනම් කර ගත්තෙමි.
- [ ] මම විෂමජාතීත්වය/ස්වයං සහසම්බන්ධතාව (HC/HAC) වෙත ශක්තිමත් බව සහිත සම්මත දෝෂයක් භාවිතා කළෙමි.
- [ ] නිවැරදි කිරීමෙන් පසුව, මම මගේ අනුමානයට උල්ලංඝනය කිරීමේ බලපෑම පරීක්ෂා කර තහවුරු කළෙමි.
- [ ] සම්මත දෝෂ නිවැරදි කිරීම මගින් මගේ වැදගත් ප්රතිඵලයට බලපෑ ආකාරය මම වාර්තා කරමි.