कैसे - टू-रन - tobit - प्रतिगमन - इन - stata - विदेशी मुद्रा

सूचना: आईडीआरई सांख्यिकी परामर्श समूह वेबसाइट को वर्डप्रेस सीएमएस में फरवरी में माइग्रेट कर देगा ताकि नई सामग्री के रख-रखाव और सृजन की सुविधा मिल सके। हमारे कुछ पुराने पृष्ठों को हटा दिया जाएगा या संग्रहीत किया जाएगा ताकि वे अब बनाए रखा नहीं जा सकें। हम रीडायरेक्ट बनाए रखने का प्रयास करेंगे ताकि पुरानी यूआरएल हम जितनी अच्छी तरह काम कर सकें उतना काम जारी रहेगा। डिजिटल रिसर्च और एजुकेशन फॉर डिजिटल रिसर्च एंड एजुकेशन में आपका स्वागत है उपहार देने के लिए स्टेट कंट्रोलिंग ग्रुप द्वारा डेटा का विश्लेषण करें उदाहरणों के आंकड़े टोबिट विश्लेषण संस्करण जानकारी: इस पेज के लिए कोड स्टैटा 12 में परीक्षण किया गया था। यह सैबेटेड प्रतिगमन मॉडल भी कहा जाता है। वेरिएबल के बीच रैखिक संबंधों का अनुमान लगाने के लिए जब या तो छोड़ दिया जाता है- या आश्रित चर में दायां-सेंसरिंग (क्रमशः नीचे और ऊपर से सेंसरिंग के रूप में भी जाना जाता है)। ऊपर से सेंसर लगाया जाता है जब कुछ थ्रेशोल्ड पर या उससे अधिक के मूल्य वाले मामले, सभी उस दहलीज के मान लेते हैं, ताकि सही मान थ्रेसहोल्ड के बराबर हो, लेकिन यह भी अधिक हो सकता है। नीचे से सेंसर करने के मामले में, उन मूल्यों को मानते हैं जो कुछ थ्रेशोल्ड पर या उसके नीचे आते हैं सेंसर कृपया ध्यान दें: इस पृष्ठ का उद्देश्य यह दिखाना है कि विभिन्न डेटा विश्लेषण आदेशों का उपयोग कैसे करें। इसमें अनुसंधान प्रक्रिया के सभी पहलुओं को शामिल नहीं किया जाता है जो शोधकर्ताओं को करना अपेक्षित है। विशेष रूप से, इसमें डेटा सफाई और जांच, मान्यताओं का सत्यापन, मॉडल निदान और संभावित अनुवर्ती विश्लेषण शामिल नहीं हैं। उदासीन प्रतिगमन के उदाहरण उदाहरण 1। 1 9 80 के दशक में एक संघीय कानून था जो स्पीडोमीटर रीडिंग को 85 मील प्रति घंटे से अधिक नहीं रोकता था। इसलिए यदि आप घोडे-शक्ति और इंजन के आकार के संयोजन से वाहनों के शीर्ष-गति की कोशिश करना और अनुमान लगाने के लिए चाहते हैं, तो आपको 85 से अधिक कोई पठन नहीं मिलेगा, चाहे वाहन कितना तेजी से यात्रा कर रहा हो। यह आंकड़ों के सही सेंसरिंग (ऊपर से सेंसरिंग) का क्लासिक मामला है केवल कुछ चीज यह है कि ये वाहन कम से कम 85 मील प्रति घंटे की यात्रा कर रहे थे। उदाहरण 2. एक शोध परियोजना घर पीने के पानी में घर के स्तर और परिवार की आय के कार्य के रूप में नेतृत्व के स्तर का अध्ययन कर रही है। जल परीक्षण किट 5 भागों प्रति अरब (पीपीबी) के नीचे लीड सांद्रता का पता लगा सकता है। ईपीए खतरनाक होने के लिए 15 पीपीबी से ऊपर का स्तर मानता है। ये डेटा बाएं सेंसरिंग (नीचे से सेंसरिंग) का एक उदाहरण है। उदाहरण 3. ऐसी परिस्थिति पर विचार करें जिसमें हमारे पास एक शैक्षणिक योग्यता (200-800 स्केल) का एक उपाय है जिसे हम पढ़ना और गणित परीक्षण के स्कोर का उपयोग करते हुए मॉडल बनाना चाहते हैं, साथ ही, कार्यक्रम का प्रकार जिसमें छात्र को (शैक्षणिक, सामान्य , या व्यावसायिक) यहां समस्या यह है कि जो विद्यार्थी शैक्षणिक योग्यता परीक्षण पर सभी प्रश्नों का उत्तर देते हैं, वे 800 के अंक प्राप्त करते हैं, भले ही यह संभव है कि ये छात्र वास्तव में योग्यता के बराबर नहीं हैं। यह भी उन छात्रों के बारे में सच है, जो सभी सवालों के गलत तरीके से जवाब देते हैं। ऐसे सभी छात्रों के पास 200 का स्कोर होगा, हालांकि वे सभी समान योग्यता नहीं हो सकते हैं। डेटा का विवरण ऊपर से ऊपर उदाहरण 3 का पीछा करने देता है। हमारे पास एक काल्पनिक डेटा फ़ाइल है, 200 टिप्पणियों के साथ tobit. dta। अकादमिक योग्यता चर उपयुक्त है, पढ़ने और गणित के परीक्षण के क्रम क्रमशः पढ़े जाते हैं और गणित पढ़ते हैं। यह चर प्रोग्राम एक प्रकार का कार्यक्रम है जिसमें छात्र है, यह एक स्पष्ट (नाममात्र) चर है जो तीन मानों, अकादमिक (ठेला 1), सामान्य (ठेला 2), और व्यावसायिक (ठेला 3) पर ले जाता है। आइए देखें डेटा पर ध्यान दें कि इस डेटासेट में, एपीटी का सबसे कम मूल्य 352 है। कोई भी छात्र 200 के स्कोर (यानी सबसे कम स्कोर संभव) प्राप्त करता है, जिसका अर्थ है कि नीचे से सेंसर करने के लिए संभव था, यह डेटासेट में नहीं होता है। उपयुक्त हिस्टोग्राम को दिखाना हम आंकड़ों में सेंसर देख सकते हैं, अर्थात, 750 से 800 के अंकों के साथ बहुत अधिक मामले हैं, जो कि शेष वितरण को देखकर उम्मीद करेंगे। नीचे एक वैकल्पिक हिस्टोग्राम है जिसमें अधिक से अधिक मामलों पर प्रकाश डाला गया है जहां उपयुक्त 800. नीचे दिए गए हिस्टोग्राम में, असतत विकल्प एक हिस्टोग्राम का उत्पादन करता है जहां उपयुक्त के प्रत्येक विशिष्ट मूल्य का अपना बार होता है फ्रीक विकल्प, y - अक्ष को घनत्व के बजाय प्रत्येक मान के लिए आवृत्ति के साथ लेबलित करने का कारण बनता है। चूंकि उपयुक्त निरंतर है, डेटासेट में एपीटी के अधिकतर मूल्य अद्वितीय हैं, हालांकि वितरण के केंद्र के निकट एपीटी के कुछ मान हैं जो दो या तीन मामलों में हैं हिस्टोग्राम के दूर दाहिनी ओर कीचड़ उन मामलों के लिए बार है जहां उपयुक्त 800, इस बार की ऊंचाई अन्य सभी के सापेक्ष स्पष्ट रूप से इस मान के साथ अधिक मामलों की संख्या दिखाती है। अगला हमारे डाटासेट में बायवेरेट रिश्तों का पता लगाएं। ऊपर दिखाए गए स्कैटरप्लोट मैट्रिक्स की अंतिम पंक्ति में, हम देखते हैं कि स्कैटरप्लोट्स पढ़ने और उपयुक्त दिखते हैं। साथ ही साथ गणित और उपयुक्त। उपयुक्त के वितरण में सेंसरिंग के कारण प्रत्येक स्कैटरप्लोट के शीर्ष पर स्थित मामलों का संग्रह नोट करें। जिन विश्लेषण विधियों पर आप विचार कर सकते हैं, वे नीचे दिए गए कुछ विश्लेषण विधियों की एक सूची है जिनका आप सामना कर सकते हैं। सूचीबद्ध कुछ विधियां काफी उचित हैं, जबकि अन्य ने या तो पक्षपात से बाहर हो या सीमाएं हैं टोबिट प्रतिगमन, इस पृष्ठ का फ़ोकस ओएलएस प्रतिगमन - आप इन डेटा का विश्लेषण कर सकते हैं ओएलएस प्रतिगमन ओएलएस प्रतिगमन 800 को वास्तविक मूल्य के रूप में मान लेगा और शीर्ष शैक्षणिक योग्यता की ऊपरी सीमा के रूप में नहीं। इस दृष्टिकोण की एक सीमा यह है कि जब चर सेंसर किया जाता है, तो ओएलएस पैरामीटर के असंगत अनुमान प्रदान करता है, जिसका अर्थ है कि विश्लेषण से गुणांक नमूना आकार बढ़ने के रूप में क्वोट्रुक्वाट आबादी मानदंडों से जरूरी नहीं होगा। सेंसर किए गए डेटा के साथ ओएलएस प्रतिगमन का उपयोग करने की समस्याओं की अधिक विस्तृत चर्चा के लिए लांग (1997, अध्याय 7) देखें छंटनी हुई रिग्रेशन - कभी-कभी छांटे गए डेटा और सेंसर किए गए डेटा के बीच अंतर के बारे में भ्रम है। सेंसर किए गए चर के साथ, सभी अवलोकन डेटासेट में हैं, लेकिन हम उनमें से कुछ के क्वोट्र्रेक्वॉट मूल्यों को नहीं जानते हैं। कटौती के साथ कुछ अवलोकनों को वैरिएबल के मूल्य की वजह से विश्लेषण में शामिल नहीं किया गया है। जब एक वेरिएबल सेंसर किया जाता है, तो कटौती की गई डेटा के लिए प्रतिगमन मॉडल पैरामीटर के असंगत अनुमान प्रदान करते हैं। सेंसर किए गए डेटा का विश्लेषण करने के लिए छेड़छाड़ किए गए डेटा के प्रतिगमन मॉडल का उपयोग करने की समस्याओं की अधिक विस्तृत चर्चा के लिए लांग (1997, अध्याय 7) देखें। टोबिट प्रतिगमन नीचे हम पढ़ें मॉडल का उपयोग कर चलाते हैं। गणित और ठेका भविष्यवाणी करने के लिए उपयुक्त Tobit कमांड में उल () विकल्प मान को इंगित करता है जिस पर दाएं सेंसरिंग शुरू होती है (यानी ऊपरी सीमा)। इस उदाहरण में बाएं सेंसरिंग (निचली सीमा) के मूल्य को इंगित करने के लिए एक एल (ll) विकल्प भी है, जो इसकी आवश्यकता नहीं थी मैं इससे पहले कि ठेला इंगित करता है कि ठेला एक कारक वैरिएबल (यानि स्पष्ट वैरिएबल) है, और यह प्रारूप में डमी चर की एक श्रृंखला के रूप में शामिल किया जाना चाहिए। ध्यान दें कि इस वाक्य रचना को स्टेटा 11 में पेश किया गया था। अंतिम लॉग संभावना (-1041.0629) आउटपुट के शीर्ष पर दिखाया गया है, इसका उपयोग नेस्टेड मॉडल की तुलना में किया जा सकता है, लेकिन हम इसके उदाहरण का एक उदाहरण नहीं दिखाते हैं। इसके अलावा आउटपुट के शीर्ष पर हम देखते हैं कि हमारे डेटा सेट के सभी 200 निरीक्षणों का उपयोग विश्लेषण में किया गया था (हमारे अवलोकनों में से कोई भी मूल्यों को याद नहीं है अगर कम अवलोकन प्रयोग किया गया होता) 0.000101 के पी-मान के साथ 188.97 (डीएफ 4) की संभावना अनुपात ची-स्क्वायर हमें बताता है कि हमारे मॉडल को एक संपूर्ण मॉडल से बेहतर ढंग से फिट बैठता है (यानी कोई प्रक्षेपक वाला कोई मॉडल)। तालिका में हम गुणांक, उनकी मानक त्रुटियों, टी-आंकड़े, जुड़े पी-मान, और गुणकों के 95 आत्मविश्वास अंतराल को देखते हैं। पढ़ने और गणित के गुणांक सांख्यिकीय रूप से महत्वपूर्ण हैं, जैसा कि कार्यक्रम के लिए गुणांक है 3. टोबिट प्रतिगमन गुणांक को ओएलएस प्रतिगमन गुणांक के समान तरीके से व्याख्या किया जाता है, हालांकि, रेखीय प्रभाव बिना सेंसर गुप्त गतिशील पर होता है, न कि परिणाम के परिणामस्वरूप। अधिक जानकारी के लिए मैकडॉनल्ड और मोफ़िट (1980) देखें पढ़ने में एक इकाई वृद्धि के लिए एपीटी के अनुमानित मूल्य में 2.7 अंक की वृद्धि हुई है। गणित में एक इकाई वृद्धि एपीटी की अनुमानित मान में 5.91 यूनिट वृद्धि के साथ जुड़ी हुई है। ठेठ के लिए शर्तें थोड़ा अलग व्याख्या है एक शैक्षिक कार्यक्रम (कार्यक्रम 1) में विद्यार्थियों की तुलना में व्यावसायिक कार्यक्रम (कार्यक्रम 3) में छात्रों के लिए एपीटी की अनुमानित मान 46.14 अंक कम है। सहायक सांख्यिकी सिग्मा ओएलएस प्रतिगमन में अवशिष्ट विचरण के वर्गमूल के समान है। 65.67 के मूल्य की तुलना शैक्षणिक योग्यता के मानक विचलन से की जा सकती है जो 99.21 था, एक महत्वपूर्ण कमी आउटपुट में सिग्मा की मानक त्रुटि के साथ-साथ 95 विश्वास अंतराल का अनुमान भी शामिल है। अंत में, आउटपुट बाएं-सेंसर, बिना सेंसर और दाएं सेंसर वाले मानों की संख्या का सारांश प्रदान करता है हम टेस्ट कमान का उपयोग करके ठेका के समग्र प्रभाव के लिए परीक्षण कर सकते हैं। नीचे हम देखते हैं कि ठेका का समग्र प्रभाव सांख्यिकीय रूप से महत्वपूर्ण है हम ठेग के विभिन्न स्तरों के गुणांक में अंतर के बारे में अतिरिक्त अनुमानों का परीक्षण भी कर सकते हैं। नीचे हम परीक्षण करते हैं कि ठेला 2 के गुणांक के लिए गुण 3 के गुणांक के बराबर है। नीचे दिए गए आउटपुट में हम देखते हैं कि ठेला 2 के गुणांक को ठेठ 3 के गुणांक से काफी अलग है। हम यह भी देख सकते हैं कि कितनी अच्छी तरह के उपाय देखेंगे हमारे मॉडल फिट बैठता है प्रतिस्पर्धा मॉडल की तुलना करते समय यह विशेष रूप से उपयोगी हो सकता है ऐसा करने का एक तरीका डेटासेट में देखे गए मानों के लिए चलने वाले मॉडल के आधार पर अनुमानित मानों की तुलना करना है नीचे हम मॉडल के आधार पर एपीटी के अनुमानित मूल्यों को उत्पन्न करने के लिए अनुमान लगाते हैं। इसके बाद हम अनुमानित मानों (यॉट) के साथ मनाए गए मानों को जोड़ते हैं। एपीटी की अनुमानित और मनाया मूल्यों के बीच के संबंध 0.7825 है। अगर हम यह मान वर्ग करते हैं, तो हमें कई स्क्वायर सहसंबंध मिलते हैं, यह इंगित करता है कि अनुमानित मानों को उनके विचरण के बारे में 61 (0.78252 0.6123) के बारे में बताया गया है। इसके अतिरिक्त, हम उपयोगकर्ता-लिखित कमांड fitstat का उपयोग विभिन्न प्रकार के फिट आंकड़ों के लिए कर सकते हैं। Findst fitstat टाइप करके फिटस्टेट पर अधिक जानकारी प्राप्त कर सकते हैं (देखें कि मैं प्रोग्राम को खोजने के लिए कैसे खोजी कमांड का उपयोग कर सकता हूं और खोज के उपयोग के बारे में अधिक जानकारी के लिए अतिरिक्त सहायता प्राप्त कर सकता हूं)। स्टेटा ऑनलाइन मैनुअल से संबंधित स्टेटा कमांड्स सीएनजीआर - सेंसर किए गए सामान्य प्रतिगमन, जिसमें सेंसरिंग मूल्य अवलोकन से अवलोकन से बदल सकता है। intreg - अंतराल प्रतिगमन, जिसमें टिप्पणियों बिंदु डेटा, अंतराल डेटा, बाएं सेंसर डेटा या सही सेंसर डेटा हो सकता है। सन्दर्भ लांग, जे एस (1 99 7) श्रेणीबद्ध और सीमित निर्भर चर के लिए प्रतिगमन मॉडल हजार ओक्स, सीए: ऋषि प्रकाशन मैकडॉनल्ड, जे एफ और मोफ्फ़ेट, आर ए 1 9 80. द यूज़ ऑफ़ टोबिट एनालिसिस। अर्थशास्त्र और सांख्यिकी खंड 62 (2) की समीक्षा: 318-321 टोबिन, जे। (1 9 58) सीमित निर्भर चर के लिए संबंधों का आकलन अर्थेट्रीक्रिया 26: 24-36 इस वेब साइट की सामग्री को कैलिफ़ोर्निया यूनिवर्सिटी द्वारा किसी विशेष वेब साइट, किताब या सॉफ़्टवेयर उत्पाद के समर्थन के रूप में नहीं समझा जाना चाहिए। नोटिस: आईडीआरई सांख्यिकीय परामर्श समूह वेबसाइट को WordPress सीएमएस में माइग्रेट करने के लिए फरवरी में सुविधा प्रदान करेगा रखरखाव और नई सामग्री का निर्माण हमारे कुछ पुराने पृष्ठों को हटा दिया जाएगा या संग्रहीत किया जाएगा ताकि वे अब बनाए रखा नहीं जा सकें। हम रीडायरेक्ट बनाए रखने का प्रयास करेंगे ताकि पुरानी यूआरएल हम जितनी अच्छी तरह काम कर सकें उतना काम जारी रहेगा। डिजिटल रिसर्च और एजुकेशन फॉर डिजिटल इंस्टीट्यूट फॉर स्टेट कंसल्टिंग ग्रुप को उपहार देने में आपका स्वागत है स्टेटा एनाटेटेड आउटपुट टोबिट रिग्रेशन यह पेज आउटपुट समझा फ़ुटनोट्स के साथ थका हुआ रिग्रेसन विश्लेषण का एक उदाहरण दिखाता है। इस उदाहरण में डेटा अंडरग्रेजुएट्स को स्नातक स्कूल में आवेदन करने के लिए इकट्ठा किया गया था और अंडर ग्रेजुएट जीपीए, अंडर ग्रेजुएट के स्कूल (प्रतिष्ठित सूचक), छात्रों के जीआरई स्कोर की प्रतिष्ठा, और छात्र को स्नातक स्कूल में भर्ती कराया गया या नहीं। संभव जीआरई स्कोर की सीमा 200 से 800 है। इसका मतलब यह है कि हमारा परिणाम वैरिएबल दोनों सेंसर और सही सेंसर है। दूसरे शब्दों में, यदि दो छात्र 800 अंक अर्जित करते हैं, तो वे हमारे पैमाने के अनुसार समान हैं, लेकिन वास्तव में उपयुक्तता में समान नहीं हो सकते हैं। (दूसरे शब्दों में, हमारे पास छत का प्रभाव होता है।) दो विद्यार्थियों के लिए 200 (एक मंजिल के प्रभाव) को भी यही सच है। टोबिट प्रतिगमन एक मॉडल उत्पन्न करता है जो परिणाम चर को निर्दिष्ट सीमा के भीतर होने की भविष्यवाणी करता है। अगर हम अपने स्नातक जीपीए और उनके स्नातक संस्थान की प्रतिष्ठा का उपयोग करते हुए छात्रों के जीआरई स्कोर की भविष्यवाणी करने में रुचि रखते हैं, तो हमें सबसे पहले जीआरई को एक परिणाम चर के रूप में माना जाना चाहिए। स्टेटा में एक चलने वाला मॉडल बनाने के लिए, परिणाम परिवर्तक के बाद भविष्यवक्ताओं की सूची बनाएं और फिर आउटपुट वेरिएबल की निम्न सीमा और ऊपरी सीमा निर्दिष्ट करें। निचली सीमा के बाद कोष्ठक में निर्दिष्ट किया गया है और ऊपरी सीमा उल के बाद कोष्ठक में निर्दिष्ट है। नीचे के, या दोनों से ऊपर से सेंसर किए जाने वाले परिणाम का अनुमान लगाने के लिए एक छोटा मॉडल का उपयोग किया जा सकता है। टोबिट रिग्रेसन आउटपुट ए। लॉग संभावना - फिट मॉडल की यह लॉग संभावना है यह प्रयोगात्मक अनुपात ची-स्क्वायर परीक्षा में प्रयोग किया जाता है कि क्या मॉडल में सभी भविष्यवाणियों के प्रतिगमन गुणांक एक साथ शून्य हैं। ख। Obs की संख्या - यह डेटासेट में अवलोकन की संख्या है जिसके लिए सभी प्रतिक्रिया और भविष्यवक्ता चर गैर-अनुपलब्ध हैं। सी। एलआर ची 2 (2) - यह संभावना-अनुपात (एलआर) ची-स्क्वायर परीक्षण है कि कम से कम एक भविष्यवक्ता प्रतिगमन गुणांक शून्य के बराबर नहीं है। कोष्ठकों में से संख्या एल-आर ची-स्क्वायर सांख्यिकी की जांच करने के लिए उपयोग की गई ची-स्क्वायर वितरण की स्वतंत्रता की डिग्री को इंगित करती है और मॉडल (2) में भविष्यवाणियों की संख्या से परिभाषित किया गया है। घ। Prob gt chi2 - शून्य अनुवृति के तहत मनाया आंकड़ों की तुलना में एलआर परीक्षण आंकड़े प्राप्त करने की संभावना, चरम के रूप में या उससे अधिक के रूप में है, शून्य अवधारणा यह है कि सभी प्रतिगमन गुणांक एक साथ शून्य के बराबर होते हैं। दूसरे शब्दों में, यह ची-स्क्वायर आंकड़े (70.93) या एक और चरम प्राप्त करने की संभावना है यदि वास्तव में भविष्यवक्ता चर का कोई प्रभाव नहीं है। यह पी-मान एक निर्दिष्ट अल्फा स्तर की तुलना में की जाती है, एक प्रकार की त्रुटि को स्वीकार करने की हमारी इच्छा, जो आमतौर पर 0.05 या 0.01 पर सेट है। एलआर परीक्षण, एलटी0.0001 से छोटे पी-मान, हमें निष्कर्ष निकालने के लिए प्रेरित करेगा कि मॉडल में कम से कम एक प्रतिगमन गुणांक शून्य के बराबर नहीं है। शून्य परिकल्पना का परीक्षण करने के लिए इस्तेमाल की जाने वाली ची-स्क्वायर वितरण का पैरामीटर पूर्व लाइन में स्वतंत्रता की डिग्री, ची 2 (2) ई द्वारा परिभाषित किया गया है। छद्म आर 2 - यह मैकफैडेंस छद्म आर-स्क्वेर है टोबिट प्रतिगमन आर-स्क्वायर के बराबर नहीं है जो ओएलएस प्रतिगमन में पाया जाता है, हालांकि कई लोगों ने एक के साथ आने की कोशिश की है। छद्म-आर-स्क्वायर आंकड़ों की एक विस्तृत विविधता है। चूंकि इस आंकड़े का अर्थ यह नहीं है कि आर-स्क्वायर का मतलब ओएलएस प्रतिगमन (प्रिक्रेटर्स द्वारा समझाया गया प्रतिसाद चर के भिन्नता का अनुपात) में है, तो हम इस चेतावनी को महान सावधानी के साथ व्याख्या करने का सुझाव देते हैं। छद्म आर-स्क्वेर के बारे में अधिक जानकारी के लिए, छद्म आर-स्क्वेरर्स क्या हैं देखें। च। gre - यह मॉडल द्वारा भविष्यवाणी की गई प्रतिक्रिया चर है। हम एक टेकिट मॉडल का उपयोग कर रहे हैं क्योंकि यह प्रतिक्रिया वैरिएबल सेंसर है: जीआरई स्कोर 200 से 800 तक बढ़े हैं और इस श्रेणी के बाहर नहीं आ सकते हैं। जी। Coef। - ये प्रतिगमन गुणांक हैं टोबिट प्रतिगमन गुणांक को ओएलएस प्रतिगमन गुणांक के समान तरीके से समझाया जाता है, हालांकि, रेखीय प्रभाव बिना सेंसर गुप्त आवेश पर होता है, न देखा परिणाम। अपेक्षित जीआरई स्कोर कोइफ़ द्वारा बदलता है संबंधित सूचक में प्रत्येक इकाई में वृद्धि के लिए जीपीए - यदि कोई विषय एक अंक से अपने जीपी को बढ़ाने के लिए होता है, तो उसकी उम्मीद की जीआरई स्कोर 111.3085 अंकों के साथ बढ़ेगा जबकि मॉडल स्थिरांक में अन्य सभी पहलुओं को पकड़ेगा। इस प्रकार, उच्चतर छात्र जीपीए उच्च भविष्यवाणी जीआरई स्कोर टॉपनॉट - यदि कोई विषय उसके स्नातक शिक्षा के लिए एक टॉपनॉट संस्था में भाग लेता है, तो उसकी उम्मीद की जीआरई स्कोर 46.65774 अंकों की तुलना एक विषय से अधिक होगा जो एक गैर-टॉपनोट संस्थान में भाग लेता है। इस प्रकार, टॉपॉनटैक अंडरग्रेजुएट संस्थानों के विषय में गैर-टॉपनोटक अंडर ग्रेजुएट संस्थानों की तुलना में अधिक जीआरई स्कोर की भविष्यवाणी की जाती है अगर ग्रेड प्वाइंट औसत स्थिर बनाए जाते हैं विपक्ष - यदि मॉडल में सभी भविष्यवक्ता चर का मूल्यांकन शून्य पर किया जाता है, तो अनुमानित जीआरई स्कोर 205.8515 का होगा। शून्य टॉप के साथ गैर-टॉपनॉट स्नातक संस्थानों (शून्य पर मूल्यांकन किया गया शीर्ष) अनुमानित जीआरई स्कोर 205.8515 होगा यह बहुत कम लग सकता है, औसत जीआरई स्कोर की गणना 587.7 है, लेकिन ध्यान दें कि जीपीए पर जीपीए का मूल्यांकन जीपीए के लिए उचित मूल्यों से बाहर है। एच। कक्षा। अरे। - ये व्यक्तिगत प्रतिगमन सहगुणकों की मानक त्रुटियां हैं। वे टी परीक्षण आंकड़ों, सुपरस्क्रिप्ट i और प्रतिगमन गुणांक के आत्मविश्वास अंतराल, सुपरस्क्रिप्ट के दोनों गणना में उपयोग किया जाता है। मैं। टी - टेस्ट आँकड़े टी कोइफ़ का अनुपात है कक्षा में अरे। संबंधित भविष्यवक्ता का टी वैल्यू का उपयोग एक दो तरफा वैकल्पिक परिकल्पना के खिलाफ परीक्षण करने के लिए किया जाता है जो कोइफ़। शून्य के बराबर नहीं है ञ। पीजीटीटी - यह संभावना है कि टेस्ट आँकड़े (या अधिक चरम टेस्ट आँकड़े) को नल परिकल्पना के तहत देखा जायेगा जो कि एक विशेष पूर्वानुमानक प्रतिगमन गुणांक शून्य है, बशर्ते बाकी प्रक्षेपक मॉडल में हैं। किसी दिए गए अल्फा स्तर के लिए, पीजीटीटी यह तय करती है कि नल परिकल्पना को खारिज किया जा सकता है या नहीं। यदि Pgtt अल्फा से कम है, तो शून्य अनुन्यास खारिज कर दिया जा सकता है और पैरामीटर अनुमान उस अल्फा स्तर पर सांख्यिकीय रूप से महत्वपूर्ण माना जाता है। जीपीए - भविष्यवाणीकर्ता जीपीए (111.308515.19665) के लिए टी परीक्षण आंकड़े, 7.32 लि .0.001 के संबद्ध पी-वैल्यू के साथ। यदि हम अपने अल्फा स्तर को 0.05 में सेट करते हैं, तो हम नल की अवधारणा को अस्वीकार कर देंगे और निष्कर्ष निकालेगा कि जीपीए के लिए प्रतिगमन गुणांक शून्य रूप से शीर्षनोटच् से सांख्यिकीय रूप से अलग है, मॉडल में है। टॉपनॉच - भविष्यवाणी के टॉपनॉच के लिए टेस्ट आँकड़े (46.6577415.75356) 2. 9 0 0.003 के संबद्ध पी-वैल्यू के साथ है। यदि हम अपने अल्फा स्तर को 0.05 में सेट करते हैं, तो हम नल की अवधारणा को अस्वीकार कर देंगे और निष्कर्ष निकालना चाहते हैं कि टॉपॉनॉट के लिए प्रतिगमन गुणांक, शून्य दिया जीपीए से सांख्यिकीय रूप से अलग है, मॉडल में है। विपक्ष - अवरोधक, विपक्ष के लिए टेस्ट आँकड़े, (205.851551.24073) 4.02, संबद्ध पी-मान के साथ लेफ्टिनम 0.001 यदि हम 0.05 पर हमारा अल्फा स्तर निर्धारित करते हैं, तो हम नल परिकल्पना को अस्वीकार कर देंगे और निष्कर्ष निकालना होगा कि विरूद्ध शून्य दिए गए जीपीए और टॉपनॉच से सांख्यिकीय रूप से अलग माना गया है और मॉडल में शून्य और मूल्यांकन किया गया है। कश्मीर। 95 Conf अंतराल - यह एक व्यक्तिगत गुणांक के लिए आत्मविश्वास अंतराल (सीआई) है, जो कि अन्य प्रोजेक्टर मॉडल में हैं। 95 आत्मविश्वास के स्तर के साथ दिए गए भविष्यवक्ता के लिए, विद्वान का कहना है कि हम 95 भरोसेमंद हैं कि अंतराल के निचले और ऊपरी सीमा के बीच में क्वाटट्रूक्वोट गुणांक निहित है। सीआई टी परीक्षण आँकड़ों के बराबर है: यदि सीआई में शून्य शामिल है, तो असल अवधारणा को अस्वीकार करने में विफल हो सकता है कि एक विशेष प्रतिगमन गुणांक शून्य है, अन्य प्रोजेक्टर शून्य के अल्फा स्तर वाले मॉडल में हैं। सीआई का एक फायदा यह है कि यह एक उदाहरण प्रदान करता है, जहां यह क्वाटट्रूक्वाट पैरामीटर हो सकता है। एल। सिग्मा - यह प्रतिगमन के अनुमानित मानक त्रुटि है यह मान, 111.4882, मूल अर्थ स्क्वायर त्रुटि के बराबर है जिसे ओएलएस प्रतिगमन में प्राप्त किया जाएगा। मीटर। Obs। सारांश - यह इंगित करता है कि डाटासेट में कितने अवलोकन हैं सेंसर यहां, हम देखते हैं कि रिकॉर्ड में से कोई भी सेंसर नहीं छोड़ा गया (सभी 200 से अधिक है) और रिकॉर्ड के 25 सही-सेंसर (800 से अधिक या उसके बराबर) हैं। इस वेब साइट की सामग्री को कैलिफोर्निया विश्वविद्यालय द्वारा किसी विशेष वेब साइट, किताब या सॉफ़्टवेयर उत्पाद के समर्थन के रूप में नहीं समझा जाना चाहिए।