பின்னடைவு கண்டறிதல் மற்றும் மீறல்கள்: கோலினியரிட்டி, ஹெட்டோரோஸ்கெடாஸ்டிசிட்டி, தன்னியக்க தொடர்பு

ஆதாயங்கள்:

• செயற்கை நுண்ணறிவு ஆதரவுடன் கண்டறியும் சோதனைகள் மற்றும் கிராபிக்ஸ் மூலம் மல்டிகோலினியரிட்டி, ஹெட்டோரோஸ்கெடாஸ்டிசிட்டி மற்றும் ஆட்டோகோரிலேஷன் போன்ற மீறல்களைக் கண்டறியும் திறன்
• ஒவ்வொரு மீறலும் குணக மதிப்பீடுகள் அல்லது நிலையான பிழைகளை சிதைக்கிறதா என்பதை வேறுபடுத்தி, பொருத்தமான திருத்தத்தைத் தேர்ந்தெடுக்கும் திறன் (வலுவான நிலையான பிழை, மாற்றம், மாதிரி திருத்தம்)
• AI ஆல் பரிந்துரைக்கப்பட்ட திருத்தங்கள் சிக்கலை மறைப்பதற்குப் பதிலாக அதைத் தீர்க்கின்றன என்பதைச் சரிபார்க்கும் திறன் மற்றும் நோயறிதல் என்பது தரவை உருவாக்கும் செயல்முறையைப் பற்றிய புரிதலின் அடிப்படையில் அமைந்துள்ளது.

பின்னடைவின் வெளியீட்டைப் படிப்பது எளிது; அவரை நம்புவது கடினம். குணகங்கள் பக்கச்சார்பற்றவை என்பதால், நிலையான பிழைகள் சரியானவை, மற்றும் p- மதிப்புகள் செல்லுபடியாகும், முந்தைய யூனிட்டில் நாம் அறிமுகப்படுத்திய அனுமானங்களைப் பொறுத்து. இந்த யூனிட்டில், நாங்கள் மூன்று பொதுவான மீறல்களை உள்ளடக்குவோம்: மல்டிகோலினியரிட்டி, ஹெட்டோரோஸ்கெடாஸ்டிசிட்டி மற்றும் ஆட்டோகோரிலேஷன். ஒவ்வொன்றிற்கும் மூன்று கேள்விகளுக்கு நாங்கள் பதிலளிப்போம்: அதை எவ்வாறு கண்டறிவது, அது என்ன உடைகிறது (குணம் அல்லது நிலையான பிழை) மற்றும் அதை எவ்வாறு சரிசெய்வது. செயற்கை நுண்ணறிவு (AI) கண்டறியும் சோதனை மற்றும் திருத்தத்திற்கான குறியீட்டை உருவாக்குகிறது; ஆனால் எந்த மீறல் உண்மையில் பிரச்சனை என்பதையும் சரிசெய்தல் சிக்கலை தீர்க்குமா என்பதையும் நீங்கள் தீர்மானிக்கிறீர்கள்.

மிக முக்கியமான வேறுபாட்டை முன் வைப்போம்: மீறல் குணக மதிப்பீட்டை அல்லது நிலையான பிழைகளை சிதைக்கிறதா? இந்த வேறுபாடு தீர்வை தீர்மானிக்கிறது. குணகத்தை சிதைக்கும் ஒரு சிக்கலுக்கு (எ.கா. எக்ஸோஜெனிட்டி மீறல்) மாதிரியை மறுபரிசீலனை செய்ய வேண்டும்; நிலையான பிழையை (ஹெட்டோரோஸ்கெடாஸ்டிசிட்டி, தன்னியக்க தொடர்பு) சிதைக்கும் ஒரு சிக்கல் பெரும்பாலும் நிலையான பிழை திருத்தம் மூலம் தீர்க்கப்படுகிறது. AI இன் பொதுவான தவறு, நிலையான பிழையை சரிசெய்து, பின்னர் பிரச்சனை "தீர்ந்தது" என்று அறிவிக்கும் ஒரு நுட்பத்தைப் பயன்படுத்துவதாகும்; அதேசமயம் அடிப்படை கட்டமைப்பு இன்னும் இருக்கலாம்.

மீறல் 1: மல்டிகோலினியரிட்டி

ஏன்? இரண்டு அல்லது அதற்கு மேற்பட்ட விளக்க மாறிகள் ஒன்றுக்கொன்று வலுவாக தொடர்புடையவை; எடுத்துக்காட்டாக, "மொத்த வருட அனுபவம்" மற்றும் "வயது" இரண்டையும் மாதிரியில் வைப்பது. இந்த மாறிகள் ஏறக்குறைய ஒரே தகவலைக் கொண்டிருப்பதால், மாடல் அவற்றைப் பிரிப்பதில் சிரமம் உள்ளது.

அது எதை உடைக்கிறது? குணக மதிப்பீடுகள் பாரபட்சமற்றவை, ஆனால் நிலையற்றவை: நிலையான பிழைகள் பெருக்கப்படுகின்றன, நம்பிக்கை இடைவெளிகள் விரிவடைகின்றன, தனிப்பட்ட குணகங்கள் முக்கியமற்றதாக மாறக்கூடும், அதே நேரத்தில் மாதிரி ஒட்டுமொத்தமாக குறிப்பிடத்தக்கதாக இருக்கலாம் (F-test). ஒரு சிறிய தரவு மாற்றம் குணகத்தை கணிசமாக நகர்த்துகிறது.

அது எவ்வாறு கண்டறியப்படுகிறது? VIF (மாறுபாடு பணவீக்க காரணி): ஒவ்வொரு மாறிக்கும், அந்த மாறி எவ்வளவு மற்றவற்றால் விளக்கப்படுகிறது என்பதை இது அளவிடுகிறது. தோராயமான வாசலாக, VIF > 5 (சில 10) எச்சரிக்கையாக இருக்க வேண்டும். கூடுதலாக, விளக்க மாறிகளுக்கு இடையிலான தொடர்பு அணி ஆய்வு செய்யப்படுகிறது.

எப்படி சரி செய்வது? ஒன்றோடொன்று தொடர்புடைய மாறிகளில் ஒன்றைக் கைவிடுதல், அவற்றை ஒருங்கிணைத்தல் (ஒரு குறியீட்டை உருவாக்குதல்), அல்லது (கோட்பாடு தேவைப்பட்டால்) இரண்டையும் வைத்து தனிப்பட்ட குணகங்களை விளக்குவதைத் தவிர்ப்பது. எந்த மாறி தங்குவது என்பது ஒரு தத்துவார்த்த முடிவு, புள்ளிவிவரம் அல்ல - AI நீக்குவதை பரிந்துரைக்கிறது, நீங்கள் நியாயப்படுத்துகிறீர்கள்.

மீறல் 2: ஹெட்டோரோஸ்கெடாஸ்டிசிட்டி

ஏன்? பிழை காலத்தின் மாறுபாடு அவதானிப்புகள் முழுவதும் நிலையானதாக இல்லை. வழக்கமான உதாரணம்: வருமானம் அதிகரிக்கும் போது, ​​செலவினத்தைச் சுற்றி பரவுவதும் அதிகரிக்கிறது; குறைந்த வருமானத்தில் குறுகியதாகவும் அதிக வருமானத்தில் அகலமாகவும் ஒரு "புனல்" முறை உருவாகிறது.

அது எதை உடைக்கிறது? குணக மதிப்பீடுகள் மீண்டும் பக்கச்சார்பற்றவை - இது முக்கியமானது. சிதைந்து போவது நிலையான பிழைகள்: அவை தவறாகக் கணக்கிடப்படுகின்றன, எனவே p- மதிப்புகள் மற்றும் நம்பிக்கை இடைவெளிகள் நம்பமுடியாததாகிவிடும். எனவே உங்கள் குணகம் சரியான மையத்தில் உள்ளது, ஆனால் "நீங்கள் எவ்வளவு நம்பிக்கையுடன் இருக்கிறீர்கள்" என்ற கேள்விக்கான பதில் தவறானது.

அது எவ்வாறு கண்டறியப்படுகிறது? கணிக்கப்பட்ட மதிப்புகள் (புனல் மாதிரி தேடப்பட்டது) மற்றும் முறையான சோதனைகள்: ப்ரூஷ்-பேகன் சோதனை, வெள்ளை சோதனை. சிறிய p-மதிப்பு "நிலை மாறுபாடு இல்லை" என்று கூறுகிறது.

எப்படி சரி செய்வது? மிகவும் பொதுவான மற்றும் நடைமுறை தீர்வு வலுவான நிலையான பிழைகள் (வலுவான / ஹீட்டோரோஸ்கெடாஸ்டிசிட்டி-நிலையான, HC நிலையான பிழைகள்) பயன்படுத்துவதாகும்: இது குணகத்தை மாற்றாது, மீறலுக்கான நிலையான பிழையை சரிசெய்கிறது. மாற்று: சார்பு மாறியை மாற்றுதல் (பதிவு போன்றவை) அல்லது எடையுள்ள LCM. வலுவான நிலையான பிழைகள் இன்று அனுபவ வேலைகளில் கிட்டத்தட்ட இயல்புநிலையாகிவிட்டன.

மீறல் 3: தன்னியக்க தொடர்பு

ஏன்? பிழை விதிமுறைகள் ஒன்றுக்கொன்று சுயாதீனமானவை அல்ல; நேரத் தொடரில் இது மிகவும் பொதுவானது: ஒரு காலகட்டத்தின் பிழை அடுத்ததை பாதிக்கிறது (எ.கா. அதிர்ச்சியைத் தொடர்ந்து வரும் காலங்களில் எச்சம் நேர்மறையாக இருக்கும்).

அது எதை உடைக்கிறது? மீண்டும், இது முதன்மையாக நிலையான பிழைகளை சிதைக்கிறது (பெரும்பாலும் அவற்றைக் குறைத்து, தவறான முக்கியத்துவத்தை உருவாக்குகிறது); குணகங்கள் எல்.சி.சியில் பாரபட்சமற்றவையாக இருக்கின்றன, ஆனால் அவற்றின் செயல்திறனை இழக்கின்றன.

அது எவ்வாறு கண்டறியப்படுகிறது? டர்பின்-வாட்சன் சோதனை (முதல்-வரிசை தன்னியக்க தொடர்புக்கு), ப்ரூஷ்-காட்ஃப்ரே சோதனை (மிகவும் பொதுவானது), மற்றும் பின்தங்கிய மதிப்புகளுக்கு எதிராக மீதமுள்ளவை.

எப்படி சரி செய்வது? Newey-West (HAC — தன்னியக்க தொடர்பு மற்றும் ஹீட்டோரோஸ்கெடாஸ்டிசிட்டிக்கு எதிர்ப்பு) நிலையான பிழைகள், மாதிரியில் பின்தங்கிய சொற்களைச் சேர்த்தல் அல்லது பொருத்தமான நேரத் தொடர் மாதிரிக்கு (அலகு 8) மாறுதல்.

எச்சரிக்கை: பன்முகத்தன்மை மற்றும் தன்னியக்க தொடர்பு ஆகியவை நிலையான பிழையை சிதைக்கின்றன, குணகத்தை அல்ல. எனவே, "குணக்கம் குறிப்பிடத்தக்கதாக இருந்தது" என்று கூறுவதற்கு முன், நிலையான பிழை சரியாக கணக்கிடப்பட்டுள்ளதா என்பதை உறுதிப்படுத்தவும்; இல்லையெனில், அர்த்தமுள்ள தன்மை ஒரு மாயையாக இருக்கலாம்.

ஒப்பீட்டு விளக்கப்படம்

மீறல்

என்ன உடைகிறது

நோய் கண்டறிதல்

பொதுவான தீர்வு

பல இணைப்பு

நிலையான பிழைகளை உயர்த்துகிறது, குணகத்தை நிலையற்றதாக ஆக்குகிறது

VIF, தொடர்பு அணி

கழித்தல்/ஒருங்கிணை மாறி (கோட்பாட்டின்படி)

பன்முகத்தன்மை

நிலையான பிழைகள் (குணம் சார்பற்றது)

ப்ரூஷ்-பேகன், வெள்ளை, எஞ்சிய சதி

வலுவான (HC) நிலையான பிழை, மாற்றம்

தன்னியக்க தொடர்பு

நிலையான பிழைகள் (குணம் சார்பற்றது)

டர்பின்-வாட்சன், ப்ரூஷ்-காட்ஃப்ரே

Newey-West (HAC), கால தாமதம்

நகலெடுக்கக்கூடிய நான்கு தூண்டுதல்கள்

1. முழுமையான கண்டறியும் தொகுப்பு:

உங்கள் பங்கு: பின்னடைவு கண்டறியும் உதவியாளர். எனக்கு R குறியீடு வேண்டும், நான் தரவைப் பகிரவில்லை. மாதிரி: lm(செலவு ~ வருமானம் + வயது + பகுதி, தரவு = தரவு). பணி: (1) VIF ஐக் கணக்கிடுங்கள், (2) ப்ரூஷ்-பேகன் மற்றும் எஞ்சிய-மதிப்பீட்டு சதியுடன் சோதனை ஹீட்டோரோஸ்கெடாஸ்டிசிட்டி, (3) டர்பின்-வாட்சனுடன் தன்னியக்கத் தொடர்பைச் சோதிக்கவும். ஒவ்வொரு சோதனையும் என்ன மீறலை அளவிடுகிறது மற்றும் p-மதிப்பை எவ்வாறு விளக்குவது என்பதை கருத்து வரியில் விளக்கவும். திருத்த விண்ணப்பம்; நோயறிதலை உருவாக்குகிறது.

2. வலுவான நிலையான பிழை:

அதே மாதிரிக்கு (சாண்ட்விச் + lmtest தொகுப்புகள்) ஹெட்டோரோஸ்கெடாஸ்டிசிட்டி-ரோபஸ்ட் (HC3) நிலையான பிழைகளுடன் குணக அட்டவணையை மீண்டும் உருவாக்கும் R குறியீட்டை எழுதவும். கிளாசிக்கல் மற்றும் வலுவான நிலையான பிழைகளை அருகருகே காண்பிக்கும் அட்டவணையை உருவாக்கவும், அதனால் நான் வித்தியாசத்தைக் காண முடியும். குணகங்கள் மாறாது, நிலையான பிழைகள் மட்டுமே மாறும் என்பதை கருத்து வரியில் வலியுறுத்துங்கள்.

3. பல இணைப்பு மதிப்பாய்வு:

உயர் VIF கொண்ட மாறிகளின் பட்டியலை எனக்குக் கொடுங்கள்: எந்த மாறிகள் கோட்பாட்டளவில் அதே விஷயத்தை அளவிட முடியும், எவை அவற்றை வைத்திருப்பதற்கான வலுவான வழக்கைக் கொண்டுள்ளன. தானாக தகுதி பெற வேண்டாம்; கோட்பாட்டின் அடிப்படையில் முடிவெடுப்பேன். VIF ஐப் பார்த்து மாறிகளை ஒதுக்குவது ஏன் தவறாக இருக்கலாம் என்பதையும் விளக்கவும்.

4. தன்னியக்க தொடர்பு திருத்தம்:

எனது நேரத் தொடர் பின்னடைவில், ப்ரூஷ்-காட்ஃப்ரே p-மதிப்பு 0.001 ஆக இருந்தது. நியூயி-வெஸ்ட் (எச்ஏசி) நிலையான பிழைகளுடன் குணக அட்டவணையை உருவாக்கும் R குறியீட்டை எழுதுங்கள் மற்றும் பின்னடைவை எவ்வாறு தேர்ந்தெடுப்பது என்பதை விளக்குங்கள். இந்த திருத்தம் தன்னியக்க தொடர்புக்கான காரணத்தை தீர்க்காது, அது அனுமானத்தை சரிசெய்கிறது.

பலவீனமான வரியில் / வலுவான வரியில்

பலவீனமான உடனடி:

எனது பின்னடைவில் ஏதேனும் சிக்கல் உள்ளதா? அப்படியானால், அதை சரிசெய்யவும்.

இந்த ப்ராம்ட் AI ஐ ஒரு கண்மூடித்தனமான "பிக்ஸ்" பயன்முறையில் வைக்கிறது: இது சோதனைகளைத் தவிர்த்து, எந்த மீறல் உண்மையில் உள்ளது மற்றும் அது என்ன உடைந்தது என்பதைக் காட்டாமல், நேரடி மாற்றம் அல்லது மாறி நீக்குதலைப் பயன்படுத்தலாம்.

சக்திவாய்ந்த தூண்டுதல்:

உங்கள் பங்கு: கண்டறியும் உதவியாளர், தானியங்கு திருத்துபவர் அல்ல. மூன்று மீறல்களுக்கான முதல் சோதனை தனித்தனியாக (மல்டிகோலினரிட்டி, ஹீட்டோரோஸ்கெடாஸ்டிசிட்டி, தன்னியக்க தொடர்பு) மற்றும் ஒவ்வொன்றிற்கும்: எந்த சோதனை, முடிவை எவ்வாறு படிப்பது, அது திறமையான அல்லது நிலையான பிழையை உடைக்கிறது. உண்மையில் கண்டறியப்பட்ட மீறலுக்கான தீர்வை மட்டும் பரிந்துரைத்து, சரிசெய்தல் சிக்கலைச் சரிசெய்ததா என்பதை நான் எவ்வாறு சரிபார்க்க முடியும் என்பதை விளக்கவும்.

வித்தியாசம்: வலுவான விருப்பம் திருத்தத்திற்கு முன் நோயறிதலை கட்டாயப்படுத்துகிறது மற்றும் "எதை உடைக்கிறது" என்பதற்கு இடையே தெளிவான வேறுபாட்டைக் கோருகிறது.

மூன்று சிறிய வழக்குகள்

வழக்கு 1 - போலி முக்கியத்துவம் (ஹீட்டோரோஸ்கெடாஸ்டிசிட்டி). ஒரு ஆய்வாளர் செலவு ~ வருவாய் மாதிரியில் உள்ள வருவாய் குணகம் p=0.01 இல் "குறிப்பிடத்தக்கது" என்று கண்டறிந்தார். ஆனால் இப்போது அவரது வரைபடத்தில் ஒரு தனித்துவமான புனல் அமைப்பு இருந்தது. வலுவான நிலையான பிழைகள் பயன்படுத்தப்படும் போது, ​​p-மதிப்பு 0.09 ஆக அதிகரித்தது; அர்த்தம் இழக்கப்படுகிறது. முதல் முடிவு தவறான கணக்கீடு செய்யப்பட்ட நிலையான பிழையால் உருவாக்கப்பட்ட ஒரு மாயை ஆகும். பாடம்: நிலையான பிழையை சரிசெய்யாமல் முக்கியத்துவத்தை நம்ப முடியாது.

வழக்கு 2 - குருட்டு மாறி நீக்குதல். ஒரு மாணவர் மாடலில் இருந்து "அனுபவம்" மாறியை கைவிட்டார், ஏனெனில் அவரது VIF அதிகமாக இருந்தது; குணகங்கள் "சுத்தம்" செய்யப்பட்டன, ஆனால் மாதிரியின் தத்துவார்த்த அர்த்தம் சிதைக்கப்பட்டது, ஏனெனில் அனுபவம் ஆர்வத்தின் முக்கிய மாறியாக இருந்தது. சரியான வழி: வயதைக் கழித்து அனுபவத்தை வைத்துக் கொள்ளுங்கள் அல்லது இரண்டையும் இணைக்கவும். பாடம்: VIF வரம்பு மட்டுமே நீக்குவதற்கான அடிப்படை அல்ல; கோட்பாடு தீர்மானிக்கிறது.

வழக்கு 3 - தன்னியக்க தொடர்பு மூலம் நிச்சயமற்ற தன்மை மறைக்கப்பட்டுள்ளது. நேரத் தொடர் ஆய்வில், டர்பின்-வாட்சன் புறக்கணிக்கப்பட்டார்; குணகம் மிகவும் "துல்லியமாக" தோன்றியது (குறுகிய நம்பிக்கை இடைவெளி). Newey-West நிலையான பிழைகள் பயன்படுத்தப்பட்டபோது, ​​நம்பிக்கை இடைவெளி இரட்டிப்பாகியது மற்றும் கொள்கை பரிந்துரை மிகவும் பழமைவாதமாக மாறியது. பாடம்: தன்னியக்க தொடர்பு நிச்சயமற்ற தன்மையை குறைத்து மதிப்பிடலாம்.

பொதுவான தவறுகள்

• நிலையான பிழையை குணகச் சிக்கலாக சிதைக்கும் மீறலைத் தவறாகப் புரிந்துகொள்வது. ஹெட்டோரோஸ்கெடாஸ்டிசிட்டி மற்றும் தன்னியக்க தொடர்பு குணகத்தை சிதைக்காது; பீதியடைந்து தேவையில்லாமல் மாதிரியை மீண்டும் உருவாக்க வேண்டாம், முதலில் நிலையான பிழையை சரிசெய்யவும்.
• VIF ஐப் பார்த்து கண்மூடித்தனமாக மாறிகளை ஒதுக்குதல். VIF அதிகமாக இருப்பதால் கோட்பாட்டளவில் தேவையான மாறியை அகற்றுவது மாதிரியை அர்த்தமற்றதாக்குகிறது.
• சரிசெய்தலைச் சரிபார்க்கவில்லை. வலுவான நிலையான பிழையைப் பயன்படுத்திய பிறகு, மீறல் உண்மையில் அனுமானத்தை சரிசெய்கிறதா என்பதைச் சரிபார்க்கவும்; "நான் அதைப் பயன்படுத்தினேன், முடிந்தது" என்று சொல்லாதீர்கள்.
• நோயறிதல் இல்லாமல் சரிசெய்யவும். எந்த மீறல் உள்ளது என்பதைச் சோதிக்காமல் மாற்றம்/எலிமினேஷனைப் பயன்படுத்தினால் அது இல்லாத இடத்தில் சிக்கலை "தீர்த்து" அதை மறைத்துவிடும்.
• ஏன் இடத்தில் திருத்தம் போடுவது. நியூவி-வெஸ்ட் தன்னியக்க தொடர்புக்கான காரணத்தை தீர்க்கவில்லை; அது அனுமானத்தை சரிசெய்கிறது. கட்டமைப்பில் சிக்கல் இருந்தால், மாதிரியை மாற்ற வேண்டும்.

உதவிக்குறிப்பு: ஒவ்வொரு மீறலுக்கும், "இது குணகத்தை அழிக்கிறதா அல்லது அதில் என் நம்பிக்கையை அழிக்கிறதா?" பதில் "நம்பிக்கை" என்றால், தீர்வு எப்போதும் நிலையான பிழை திருத்தம், மாதிரியை மீண்டும் உருவாக்குவது அல்ல.

சுருக்கமாக

பின்னடைவு கண்டறிதல் என்பது வெளியீட்டை நம்புவதற்கு ஒரு முன்நிபந்தனையாகும். மூன்று பொதுவான மீறல்களில், மல்டிகோலினியரிட்டி குணகத்தை நிலையற்றதாக ஆக்குகிறது மற்றும் நிலையான பிழையை உயர்த்துகிறது; மறுபுறம், ஹெட்டோரோஸ்கெடாஸ்டிசிட்டி மற்றும் தன்னியக்க தொடர்பு, குணகத்தை பாரபட்சமின்றி விட்டுவிட்டு, நிலையான பிழையை மட்டுமே சிதைக்கிறது. AI கண்டறியும் மற்றும் சரிசெய்தல் குறியீட்டை உருவாக்குகிறது, ஆனால் எந்த மீறல் உண்மையான பிரச்சனை, எந்த மாறுபாடு கோட்பாட்டு ரீதியாக உள்ளது மற்றும் பிழைத்திருத்தம் சிக்கலை தீர்க்குமா என்பதை நீங்கள் தீர்மானிக்கிறீர்கள். "எதை உடைக்கிறது" என்பதற்கு இடையே உள்ள வேறுபாட்டை தெளிவுபடுத்தாமல் பீதி அல்லது குருட்டு திருத்தம் சரியானது அல்ல.

விண்ணப்ப பணி

பன்முக பின்னடைவை அமைத்து, நோயறிதல்களை மட்டுமே உருவாக்கும் குறியீட்டை AIயிடம் கேட்கவும் (திருத்தங்கள் இல்லை): VIF, Breusch-Pagan/White, மற்றும் Durbin-Watson/Breusch-Godfrey. ஒவ்வொரு சோதனைக்கும், முடிவை விளக்கி, மீறல் குணகத்தை அல்லது நிலையான பிழையை சிதைக்கிறதா என்பதைக் குறிக்கவும். நீங்கள் கண்டறிந்த உண்மையான மீறலுக்கு (எ.கா. ஹீட்டோரோஸ்கெடாஸ்டிசிட்டி), வலுவான நிலையான பிழைகளைப் பயன்படுத்துங்கள் மற்றும் கிளாசிக்கல் மற்றும் வலுவான முடிவுகளை இணைக்கவும்; குணகம் மாறாது ஆனால் நிலையான பிழை மாறுகிறது என்பதைக் காட்டு. ஒரு பத்தியில், திருத்தத்தால் உங்கள் முக்கியத்துவ முடிவு எவ்வாறு பாதிக்கப்பட்டது என்பதைப் புகாரளிக்கவும்.

சரிபார்ப்பு பட்டியல்

• [ ] நான் தனித்தனியாக மூன்று மீறல்களை (மல்டிகோலினியரிட்டி, ஹெட்டோரோஸ்கெடாஸ்டிசிட்டி, தன்னியக்க தொடர்பு) சோதித்தேன்.
• [ ] ஒவ்வொரு மீறலுக்கும், அது குணகத்தை அல்லது நிலையான பிழையை சிதைக்கிறதா என்பதை நான் வேறுபடுத்தினேன்.
• [ ] நான் கோட்பாட்டின் அடிப்படையில் மல்டிகோலினியரிட்டியில் மாறி நீக்குதலை அடிப்படையாகக் கொண்டேன், VIF மட்டும் அல்ல.
• [ ] நான் பன்முகத்தன்மை/தன்னிச்சையான தொடர்பு (HC/HAC) க்கு வலுவான நிலையான பிழையைப் பயன்படுத்தினேன்.
• [ ] திருத்தத்திற்குப் பிறகு, எனது அனுமானத்தில் மீறலின் தாக்கத்தை நான் சரிபார்த்து சரிபார்த்தேன்.
• [ ] நிலையான பிழை திருத்தத்தால் எனது முக்கியத்துவ முடிவு எவ்வாறு பாதிக்கப்பட்டது என்பதை நான் தெரிவிக்கிறேன்.