स्टाटा विदेशी मुद्रा में एलआर परीक्षण कैसे करें

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 एक उपहार देकर स्टेट कंसल्टिंग ग्रुप द्वारा मदद करें: संभावना अनुपात, वाल्ड, और लैग्रेज गुणक (स्कोर) कैसे अलग-अलग और इसी तरह के परीक्षण करता है एक शोधकर्ता ने निम्नलिखित मॉडल का अनुमान लगाया है, जो उच्च बनाम निम्न की भविष्यवाणी करता है पढ़ना (पढ़ना), गणित (गणित), और विज्ञान (विज्ञान) में मानकीकृत टेस्ट स्कोर पर छात्रों के लिंग (महिला) का उपयोग करते हुए मानक मानकीकृत परीक्षा (एचवीआरआईटी) पर स्कोर, और स्कोर। मॉडल के लिए आउटपुट इस तरह दिखता है: शोधकर्ता यह जानना चाहेगा कि क्या यह मॉडल (चार भविष्यवक्ता चर के साथ) सिर्फ मादा के साथ एक मॉडल की तुलना में काफी बेहतर फिट बैठता है या भविष्यवाणियों के रूप में पढ़ता है। शोधकर्ता इसको कैसे पूरा कर सकता है ये तीन सामान्य परीक्षण होते हैं जिनका उपयोग इस प्रकार के प्रश्न का परीक्षण करने के लिए किया जा सकता है, वे संभावना अनुपात (एलआर) परीक्षा, वाल्ड टेस्ट और लैग्रेज गुणक परीक्षण (कभी-कभी स्कोर परीक्षण कहा जाता है) हैं। इन परीक्षणों को कभी-कभी नेस्टेड मॉडल में अंतर के लिए परीक्षण के रूप में वर्णित किया जाता है, क्योंकि एक मॉडल को दूसरे के भीतर नेस्टेड कहा जा सकता है सभी तीनों परीक्षणों के लिए रिक्त परिकल्पना यह है कि छोटे मॉडल क्ओट्ट्र्यूक्वाट मॉडल हैं, एक बड़े टेस्ट आँकड़े बताते हैं कि रिक्त परिकल्पना झूठी है। जबकि सभी तीन परीक्षण एक ही मूल प्रश्न को संबोधित करते हैं, वे थोड़ा अलग होते हैं। इस पेज में हम यह वर्णन करेंगे कि इन परीक्षणों को कैसे करें और उनके बीच समानताएं और मतभेदों पर चर्चा करें। (ध्यान दें: ये परीक्षण बहुत सामान्य हैं और अन्य प्रकार की परिकल्पनाओं का परीक्षण करने के लिए उपयोग किया जाता है जिसमें परीक्षण शामिल है या नहीं कि पैरामीटर तय करने से मॉडल फिट को काफी नुकसान पहुंचाता है।) संभावना है कि सभी तीन परीक्षण उनके फिट का मूल्यांकन करने के लिए तुलना की जा रही मॉडलों की संभावना का उपयोग करते हैं। संभावना है कि पैरामीटर अनुमान दिए गए डेटा की संभावना है। एक मॉडल का लक्ष्य पैरामीटर (गुणांकों) के लिए मूल्यों को खोजने के लिए है, जो संभावना समारोह के मूल्य को अधिकतम करता है, अर्थात पैरामीटर अनुमानों के सेट को खोजने के लिए जो डेटा को सबसे अधिक संभावना बनाते हैं। कई प्रक्रियाएं संभावना की लॉग का उपयोग करती हैं, संभावना के बजाय, क्योंकि यह काम करना आसान है। लॉग संभावना (यानी संभावना का लॉग) हमेशा उच्चतर मूल्यों (शून्य के करीब) के साथ नकारात्मक होगा, जो एक बेहतर फिटिंग मॉडल को दर्शाता है। उपरोक्त उदाहरण में एक रसद प्रतिगमन मॉडल शामिल है, हालांकि, ये परीक्षण बहुत सामान्य हैं, और संभावना मॉडल के साथ किसी भी मॉडल पर लागू किया जा सकता है। ध्यान दें कि यहां तक ​​कि जिन मॉडलों के लिए एक संभावना या एक लॉग संभावना को आमतौर पर सांख्यिकीय सॉफ्टवेयर द्वारा प्रदर्शित नहीं किया जाता है (उदाहरण के लिए सामान्य कम से कम वर्ग प्रतिगमन) संभावना कार्य हैं जैसा कि ऊपर उल्लेख किया गया है, संभावना गुणांक अनुमानों और डेटा का एक कार्य है। डेटा तय हो गया है, अर्थात, आप उन्हें बदल नहीं सकते हैं, इसलिए गुणांकों के अनुमानों को इस तरह से बदलता है कि संभावना (संभावना) को अधिकतम करने के लिए। विभिन्न पैरामीटर अनुमान, या अनुमान के सेट, संभावना के विभिन्न मान देते हैं। नीचे दिए गए आंकड़े में, आर्क या वक्र एक पैरामीटर (ए) में परिवर्तन की संभावना के मूल्य में परिवर्तन दिखाते हैं। एक्स-एक्स पर एक के मूल्य हैं। जबकि y - अक्ष एक के उचित मूल्य पर संभावना के मूल्य है। अधिकांश मॉडलों में एक से अधिक पैरामीटर हैं, लेकिन, अगर मॉडल में अन्य सभी गुणकों के मूल्य तय हो जाते हैं, तो दिए गए दिए गए परिवर्तनों में एक समान चित्र दिखाएगा। ऊर्ध्वाधर रेखा उस संभावना के गुण को दर्शाती है जो संभावना को अधिकतम करती है। संभावना अनुपात परीक्षण एलआर परीक्षण दो मॉडलों का आकलन करने और दूसरे के फिट करने के लिए एक मॉडल के फिट की तुलना करके किया जाता है। एक मॉडल से भविष्यवक्ता चर को हटाना लगभग हमेशा मॉडल को कम अच्छी तरह से फिट कर देगा (यानी एक मॉडल में कम लॉग संभावना होगी), लेकिन यह परीक्षण करने के लिए आवश्यक है कि क्या मॉडल फ़िट में देखा गया अंतर सांख्यिकीय रूप से महत्वपूर्ण है। एलआईआर परीक्षण दो मॉडलों के लॉग संभावनाओं की तुलना करके करता है, यदि यह अंतर सांख्यिकीय रूप से महत्वपूर्ण है, तो कम प्रतिबंधात्मक मॉडल (अधिक चर वाले एक) को डेटा को अधिक प्रतिबंधात्मक मॉडल से बेहतर ढंग से फिट करने के लिए कहा जाता है। अगर किसी के मॉडल से लॉग की संभावना है, तो एलआर परीक्षण की गणना करना काफी आसान है। एलआर परीक्षण आंकड़ों के लिए सूत्र है: एलआर -2 एलएन (एल (एम 1) एल (एम 2)) 2 (ll (एम 2) - एल (एम 1)) जहां एल (एम) संबंधित मॉडल की संभावना को दर्शाता है (या तो मॉडल 1 या मॉडल 2), और ll (एम) मॉडल के प्राकृतिक लॉग अंतिम संभावना (यानी लॉग संभावना)। जहां एम 1 अधिक प्रतिबंधात्मक मॉडल है, और एम 2 कम प्रतिबंधात्मक मॉडल है। परिणामी परीक्षण आंकड़े ची-स्क्वेर्ड, वितरित किए गए मानकों के बराबर स्वतंत्रता की डिग्री के साथ वितरित किए जाते हैं (वर्तमान उदाहरण में, मॉडल से हटाए गए चर की संख्या, अर्थात् 2)। उपर्युक्त के समान उदाहरण का प्रयोग करके, हम दोनों पूर्ण और प्रतिबंधित मॉडल चलाएंगे, और एलआर टेस्ट का उपयोग करके फिट में अंतर का आकलन करेंगे। आदर्श एक महिला का उपयोग करते हुए मॉडल है और भविष्यवाणियों के रूप में पढ़ा जाता है (मॉडल में गणित और विज्ञान को शामिल नहीं करके, हम अपने गुणांकों को शून्य तक सीमित कर देते हैं) नीचे मॉडल 1 के लिए आउटपुट है। हम परिणामों की व्याख्या को छोड़ देंगे क्योंकि यह हमारी चर्चा का फ़ोकस नहीं है, लेकिन हम अंतिम लॉग संभावना को ध्यान में रखते हैं कि गुणांक तालिका (एल 1 (एम 1) -102.45 )। अब हम 2 मॉडल चला सकते हैं, जिसमें विज्ञान और गणित के गुणांक का आधिकारिक तौर पर अनुमान लगाया गया है, अर्थात, भविष्यवाचक चर का पूरा सेट वाला मॉडल नीचे मॉडल 2 के लिए आउटपुट है। फिर से, हम व्याख्या को छोड़ देंगे, और बस लॉग संभावना (नोट (एम 2) -84.42) का ध्यान रखें। अब जबकि हमारे पास लॉग की संभावना है, परीक्षण आंकड़ों की गणना सरल है: एलआर 2 (-84.419842 - (-102.44518)) 2 (-84.419842 102.44518) 36.050676 तो हमारे संभावना अनुपात परीक्षण आंकड़े 36.05 (वितरित चि-स्क्वेर्ड) हैं, दो स्वतंत्रता का दर्जा। अब हम पी-लेवल के साथ जुड़े पी-वैल्यू को खोजने के लिए एक टेबल या कुछ अन्य विधि का उपयोग कर सकते हैं, जो पीटीटी 0.001 है, यह दर्शाता है कि सभी चार प्रोजेक्टर्स वाला मॉडल केवल दो प्रोजेक्टर के साथ मॉडल से काफी बेहतर फिट बैठता है। ध्यान दें कि कई सांख्यिकीय पैकेज दो मॉडलों की तुलना में एक एलआर टेस्ट करेंगे, हमने हाथ से परीक्षण किया है क्योंकि यह गणना करना आसान है, और ऐसा करने से ऐसा स्पष्ट हो जाता है कि एलआर परीक्षण कैसे काम करता है। वाल्ड टेस्ट वाल्ड टेस्ट एलआर टेस्ट का अनुमान लगाता है, लेकिन इस लाभ से यह केवल एक मॉडल का अनुमान लगाने की आवश्यकता है। वॉलड टेस्ट का काम रिक्त परिकल्पना के परीक्षण से होता है कि मापदंडों का एक सेट कुछ मान के बराबर है। यहां परीक्षण किए जा रहे मॉडल में, शून्य परिकल्पना यह है कि ब्याज के दो गुणांक शून्य के बराबर हैं। यदि परीक्षण अशक्त अभिकल्पना को अस्वीकार करने में विफल रहता है, तो यह सुझाव देता है कि मॉडल से वेरिएबल को हटाने से उस मॉडल के फिट को काफी हद तक नुकसान नहीं पहुंचेगा, क्योंकि गुणक के साथ एक भविष्यवक्ता जो इसकी मानक त्रुटि के मुकाबले बहुत कम सापेक्ष है, आमतौर पर निर्भर चर का अनुमान लगाने में मदद करें वाल्ड टेस्ट के लिए फार्मूला एलआर टेस्ट के लिए फार्मूले की तुलना में थोड़ी अधिक चुनौतीपूर्ण है, इसलिए हम इसे यहाँ लिखने के लिए अभ्यस्त (फॉक्स, 1 99 7, पृष्ठ 56 9 देखें, या यदि आप रुचि रखते हैं तो अन्य प्रतिगमन ग्रंथ देखें)। आपको परीक्षण कैसे काम करता है, इस बारे में एक अंतर्ज्ञान प्रदान करने के लिए, यह परीक्षण करता है कि मानक त्रुटियों में अनुमानित पैरामीटर शून्य (या शून्य अवधारणा के तहत किसी भी अन्य मूल्य) से कितनी दूर हैं, जैसे कि प्रतिगमन उत्पादन में आम तौर पर मुद्रित अवधारणा परीक्षण। अंतर यह है कि वाल्ड टेस्ट का उपयोग एक साथ कई मापदंडों का परीक्षण करने के लिए किया जा सकता है, जबकि परीक्षण आमतौर पर प्रतिगमन आउटपुट में मुद्रित होता है, केवल एक समय में एक पैरामीटर का परीक्षण करता है। हमारे उदाहरण पर लौटने पर, हम अपने मॉडल को चलाने के लिए एक सांख्यिकीय पैकेज का उपयोग करेंगे और फिर वाल्ड टेस्ट करने के लिए। नीचे हम सभी चार अनुमान वाले मॉडल के उत्पादन को देखते हैं (उपरोक्त मॉडल 2 के समान उत्पादन)। रसद प्रतिगमन मॉडल चलाने के बाद, वाल्ड परीक्षण का उपयोग किया जा सकता है। नीचे दिए गए आउटपुट वाल्ड टेस्ट के परिणाम दिखाते हैं। इस विशेष आउटपुट में सूचीबद्ध पहली चीज (वाल्ड टेस्ट प्राप्त करने की विधि और आउटपुट पैकेज के अनुसार अलग-अलग हो सकती है) विशिष्ट पैरामीटर बाधाओं का परीक्षण किया जा रहा है (यानी रिक्त परिकल्पना), जो कि गणित और विज्ञान के गुणांक एक साथ समान हैं शून्य से बाधाओं की सूची के नीचे हम वाल्ड टेस्ट द्वारा उत्पन्न ची-स्क्वेर्ड वैल्यू के साथ-साथ पी-वैल के साथ जुड़ा हुआ है, जिसमें दो डिग्री स्वतंत्रता के साथ 27.53 के ची-स्क्वेयर के साथ जुड़ा हुआ है। पी-मान आम तौर पर 0.05 के मानदंड से कम है, इसलिए हम शून्य अवधारणा को अस्वीकार कर सकते हैं, यह दर्शाता है कि गुणांक शून्य के बराबर नहीं हैं। क्योंकि सांख्यिकीय रूप से महत्वपूर्ण भविष्यवाणियों के साथ बेहतर भविष्यवाणी (यानी बेहतर मॉडल फिट) होनी चाहिए, हम यह निष्कर्ष निकाल सकते हैं कि मॉडल के फिट में सांख्यिकीय सुधार के मामले में गणित और विज्ञान के परिणाम भी शामिल हैं। लैग्रेज गुणक या स्कोर टेस्ट वाल्ड टेस्ट के साथ, लैग्रेज गुणक परीक्षा में केवल एक मॉडल का अनुमान लगाना आवश्यक है। अंतर यह है कि लाग्रेंज गुणक परीक्षण के साथ, अनुमानित मॉडल में ब्याज की पैरामीटर शामिल नहीं है इसका अर्थ है, हमारे उदाहरण में, हम परीक्षण करने के लिए लैग्रेज गुणक टेस्ट का उपयोग कर सकते हैं कि मॉडल में विज्ञान और गणित जोड़ना मॉडल मॉडल में एक महत्वपूर्ण सुधार के परिणामस्वरूप, सिर्फ मादा के साथ एक मॉडल चलाने के बाद और भविष्यवक्ता चर के रूप में पढ़ा जाएगा। टेस्ट आँकड़ों की गणना मॉडल में वेरिएबल (महिला और पढ़ी गई) के मनाया मूल्यों पर संभावना समारोह के ढलान के आधार पर की जाती है। यह अनुमानित ढलान, या quotscorequot कारण Lagrange गुणक परीक्षण कभी कभी स्कोर परीक्षण कहा जाता है फिर मॉडल मॉडल फिट में सुधार का अनुमान लगाने के लिए उपयोग किए जाते हैं यदि मॉडल में अतिरिक्त चर शामिल किए गए थे। परीक्षण आंकड़े मॉडल के लिए ची-स्क्वायर आंकड़ों में अपेक्षित बदलाव है यदि मॉडल में एक वैरिएबल या चर का सेट जोड़ा जाता है। चूंकि मॉडल फिटनेस में सुधार के लिए यह परीक्षण करता है क्योंकि वर्तमान में छोड़े गए वेरिएबल मॉडल में जोड़े जाते हैं, तो लाग्रेंज गुणक परीक्षा को कभी-कभी छोड़े गए चर के लिए एक परीक्षण के रूप में भी जाना जाता है। उन्हें कभी-कभी संशोधन सूचकांक भी कहा जाता है, खासकर संरचनात्मक समीकरण मॉडलिंग साहित्य में। नीचे वेरिएंट माली का उपयोग कर रसद प्रतिगमन मॉडल के लिए आउटपुट है और एचवीआरटीई के भविष्यवाणियों के रूप में पढ़ा जाता है (यह एलआर टेस्ट से मॉडल 1 के समान है)। उपरोक्त मॉडल को चलाने के बाद, हम लाग्रेंज गुणक परीक्षा के परिणामों को देख सकते हैं। पिछले दो परीक्षणों के विपरीत, जो मुख्य रूप से मॉडल फिट में परिवर्तन का आकलन करने के लिए प्रयोग किया जाता है जब एक से अधिक चर मॉडल में जोड़ा जाता है, तो लाग्रेंज गुणक परीक्षण का उपयोग मॉडल फ़िट में अपेक्षित परिवर्तन की जांच के लिए किया जा सकता है यदि एक या अधिक पैरामीटर वर्तमान में विवश होना स्वतंत्र रूप से अनुमानित होने की अनुमति है हमारे उदाहरण में, इसका अर्थ यह है कि गणित और विज्ञान को मॉडल में जोड़ने से मॉडल फिट बेहतर होगा। नीचे स्कोर टेस्ट के लिए आउटपुट दिया गया है। तालिका में पहली दो पंक्तियां मॉडल के लिए केवल अकेले चर को जोड़ने के लिए टेस्ट आँकड़े (या स्कोर) देती हैं। हमारे उदाहरण को जारी रखने के लिए, हम परिणामों पर तीसरे पंक्ति में quotsimultaneous परीक्षण लेबल करेंगे, जो कि हमारे मॉडल को गणित और विज्ञान दोनों को जोड़ने के लिए परीक्षण आंकड़े दर्शाता है। मॉडल में गणित और विज्ञान दोनों को जोड़ने के लिए परीक्षण आंकड़े 35.51 हैं, यह ची-स्क्वेर्ड को वितरित किया जाता है, साथ ही मॉडल में वेरिएबल की संख्या के बराबर आजादी की डिग्री होती है, इसलिए हमारे उदाहरण में, 2. पी-मान है 0.05 के ठेठ कटऑफ के नीचे, यह सुझाव दे रहा है कि मॉडल में चर गणित और विज्ञान सहित मॉडल फिट में सांख्यिकीय रूप से महत्वपूर्ण सुधार पैदा होगा। यह निष्कर्ष एलआर और वाल्ड टेस्ट दोनों के परिणामों के अनुरूप है। तीन परीक्षणों की तुलना, जैसा कि ऊपर चर्चा की गई है, तीनों परीक्षाएं एक ही मूल प्रश्न को संबोधित करती हैं, जो शून्य मानकों को अवरुद्ध करती हैं (यानी इन अनुमानक चर को छोड़कर) मॉडल के फिट को कम करते हैं परीक्षणों में अंतर यह है कि वे कैसे जाते हैं उस प्रश्न का उत्तर देने के बारे में जैसा कि आपने देखा है, एक संभावना अनुपात परीक्षण करने के लिए, एक को उन दोनों मॉडलों का अनुमान लगाना चाहिए जो किसी की तुलना करना चाहती हैं। वाल्ड और लैग्रेज गुणक (या स्कोर) परीक्षणों का लाभ यह है कि वे एलआर परीक्षण का अनुमान लगाते हैं, लेकिन आवश्यकता होती है कि केवल एक मॉडल का अनुमान लगाया जाए। दोनों वाल्ड और लैग्रेज गुणक परीक्षण, एलआईआर परीक्षण के लिए समान रूप से समकक्ष हैं, जैसा कि नमूना का आकार अनन्त रूप से बड़ा हो जाता है, वाल्ड और लैग्रेज गुणक टेस्ट आँकड़ों के मूल्यों में एलआर टेस्ट से टेस्ट आँकड़ों के तेजी से करीब हो जाएगा। परिमित नमूनों में, तीन कुछ अलग-अलग परीक्षण आंकड़े पैदा करने के लिए तैयार होंगे, लेकिन आम तौर पर एक ही निष्कर्ष पर आ जाएगा। तीन परीक्षणों के बीच एक दिलचस्प संबंध यह है कि, जब मॉडल रैखिक होता है तो तीन टेस्ट आँकड़ों में निम्नलिखित संबंध हैं वाल्ड 8805 एलआर 8805 स्कोर (जॉनस्टन और डिआर्डो 1997 पृष्ठ 150)। यही है, वाल्ड टेस्ट आँकड़ों हमेशा एलआर टेस्ट आँकड़ों से अधिक होगा, जो बदले में, हमेशा स्कोर टेस्ट से टेस्ट आँकड़ों से अधिक होगा। जब कंप्यूटिंग पावर ज्यादा सीमित था, और कई मॉडलों को चलाने के लिए लंबा समय लगा, एक मॉडल का उपयोग करके एलआर टेस्ट का अनुमान लगाने में सक्षम होने का एक बड़ा लाभ था। आज, अधिकांश मॉडल शोधकर्ताओं की तुलना करने की संभावना है, कम्प्यूटेशनल समय कोई मुद्दा नहीं है, और हम आम तौर पर ज्यादातर स्थितियों में संभावना अनुपात परीक्षण चलाने की सलाह देते हैं। यह कहना नहीं है कि किसी को वॉल्ड या स्कोर टेस्ट का इस्तेमाल कभी नहीं करना चाहिए। उदाहरण के लिए, वाल्ड टेस्ट का उपयोग आम तौर पर कई तरह के स्वतंत्रता परीक्षणों के लिए किया जाता है, जो डमी वैरिएबल के सेट पर इस्तेमाल किया जाता है, जिनका उपयोग प्रतिगमन में स्पष्ट प्रक्रमक चर मॉडल के लिए किया जाता है (अधिक जानकारी के लिए स्टेटा के साथ प्रतिगमन पर हमारी वेबबुक देखें SPSS और एसएएस विशेष रूप से अध्याय 3 - कनिष्ठ अनुवांशिकताओं के साथ प्रतिगमन।) स्कोर परीक्षण का लाभ यह है कि जब उम्मीदवार चर की संख्या बड़ी होती है, तो छोड़े गए वैरिएबल्स का इस्तेमाल करने के लिए इसका उपयोग किया जा सकता है। फॉक्स में एक आंकड़ा के आधार पर चित्रा (1 99 7, पृष्ठ 570) लेखकों की अनुमति के साथ प्रयोग किया गया था। बेहतर तरीके से समझने का एक तरीका है कि तीन परीक्षण कैसे संबंधित हैं, और वे अलग-अलग कैसे हैं, वे जांच कर रहे हैं कि वे क्या ग्राफ़िकल प्रतिनिधित्व करते हैं। ऊपर दिए गए आंकड़े बताते हैं कि तीनों में से प्रत्येक परीक्षण क्या करता है एक्स-एक्स (लेबल वाले कोटाकोट) के साथ पैरामीटर के संभावित मूल्य (हमारे उदाहरण में, यह गणित या विज्ञान के लिए प्रतिगमन गुणांक होगा) Y-axis के साथ, एक के उन मानों के अनुरूप लॉग संभावना के मूल्य हैं। एलआर टेस्ट पैरामीटर के मूल्यों के साथ एक मॉडल के लॉग संभावना की तुलना करता है जो कि कुछ मान (हमारे उदाहरण में शून्य) के लिए एक मॉडल के लिए विवश है जहां एक स्वतंत्र रूप से अनुमान लगाया गया है। यह दो मॉडल के लिए संभावना की ऊंचाई की तुलना करके यह देखने के लिए करता है कि अंतर सांख्यिकीय रूप से महत्वपूर्ण है (याद रखें, संभावना के उच्च मूल्य बेहतर फिट इंगित करते हैं) ऊपर की आकृति में, यह दो बिंदीदार रेखाओं के बीच ऊर्ध्वाधर दूरी से मेल खाती है। इसके विपरीत, वाल्ड टेस्ट उस पैरामीटर अनुमान की तुलना करता है, जो ए-हैट को ए 0 ए 0 के लिए शून्य परिकल्पना के तहत मान की जाती है, जो आम तौर पर 0 बताता है। यदि ए-टोट ए 0 से काफी अलग है। यह पता चलता है कि स्वतंत्र रूप से अनुमान लगा रहा है (ए-टोट का उपयोग करके) मॉडल फिट बेहतर बनाता है चित्रा में, यह एक्स-अक्ष (ठोस पंक्तियों द्वारा प्रकाश डाला गया) पर ए 0 और ए-हेट के बीच की दूरी के रूप में दिखाया गया है। अंत में, स्कोर परीक्षण लॉग संभावना की ढलान पर दिखता है, जब एक विवश (हमारे उदाहरण में शून्य के लिए)। यही है, यह दिखता है कि कितनी तेजी से एक की परिकल्पना (शून्य) पर संभावना बदल रही है। नीचे दिए गए आंकड़े में ए 0 में स्पर्शरेखा लाइन के रूप में दिखाया गया है। सन्दर्भ फॉक्स, जे। (1 99 7) एप्लाइड रिग्रेस विश्लेषण, रैखिक मॉडल, और संबंधित तरीके हजार ओक्स, सीए: ऋषि प्रकाशन जॉनस्टन, जे। और डायनर्डो, जे। (1 99 7) इकोनॉमेटिक मेथड्स चौथा संस्करण न्यूयॉर्क, एनवाई: मैकग्रा-हिल कंपनीज, इंक। नोटः आईडीईई सांख्यिकी परामर्श समूह वेबसाइट को फरवरी में वर्डप्रेस सीएमएस में माइग्रेट कर देगा ताकि नई सामग्री के रख-रखाव और निर्माण 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 एक उपहार देने के लिए स्टेट कंसल्टिंग ग्रुप द्वारा सहायता करें। Stata FAQ मैं स्टैट में संभावना अनुपात, वाल्ड, और लैग्रेज गुणक (स्कोर) टेस्ट कैसे कर सकता हूँ संभावना अनुपात (एलआर) परीक्षा, वाल्ड टेस्ट, और लाग्रेंज गुणक परीक्षण (कभी-कभी एक अंक परीक्षण कहा जाता है) आमतौर पर नेस्टेड मॉडलों के बीच अंतर का मूल्यांकन करने के लिए उपयोग किया जाता है। एक मॉडल दूसरे में नेस्टेड माना जाता है, अगर पहले मॉडल दूसरे के मापदंडों पर प्रतिबंध लगाकर उत्पन्न किया जा सकता है। अक्सर, प्रतिबंध यह है कि पैरामीटर शून्य के बराबर है मॉडल से प्रक्षेपक चर को निकालकर शून्य के लिए पैरामीटर्स को प्रतिबंधित करने के लिए एक प्रतिगमन मॉडल पूरा किया जाता है। उदाहरण के लिए, नीचे दिए गए मॉडल में, प्रमेक्टर वैरिएबल मॉडल वाला मॉडल। और पढ़ो । मॉडल के भीतर प्रत्यारोपण चर महिला के साथ नेस्टेड है। पढ़ें गणित और विज्ञान एलआर, वाल्ड, और लैग्रेज गुणक परीक्षण एक ही मूल प्रश्न पूछते हैं, जो है, इन मापदंडों को शून्य (यानी इन प्रिकेटक चर को छोड़कर) को सीमित करता है, मॉडल की फिटनेस को काफी कम करता है एक संभावना अनुपात परीक्षण करने के लिए, दोनों का अनुमान लगाना चाहिए मॉडल की तुलना करना चाहती है वॉल्ड और स्कोर टेस्ट का फायदा यह है कि वे एलआर टेस्ट का अनुमान लगाते हैं लेकिन आवश्यकता होती है कि केवल एक मॉडल का अनुमान लगाया जाए। जब कंप्यूटिंग पावर ज्यादा सीमित था, और कई मॉडल चलाने के लिए लंबा समय लगा, यह एक बहुत बड़ा फायदा था आज, अधिकांश मॉडल शोधकर्ताओं की तुलना करने की संभावना है, यह कोई मुद्दा नहीं है, और हम आम तौर पर ज्यादातर स्थितियों में संभावना अनुपात परीक्षण चलाने की सलाह देते हैं। यह कहना नहीं है कि किसी को वॉल्ड या स्कोर टेस्ट का इस्तेमाल कभी नहीं करना चाहिए। उदाहरण के लिए, वाल्ड टेस्ट का उपयोग आम तौर पर कई तरह के स्वतंत्रता परीक्षणों के लिए किया जाता है, जो डमी वैरिएबल के सेट पर इस्तेमाल किया जाता है, जो कि प्रतिगमन में स्पष्ट वैरिएल्स के लिए इस्तेमाल होता है (अधिक जानकारी के लिए स्टेटा के साथ प्रतिवाद पर हमारी वेबबुक, विशेष रूप से अध्याय 3 - वर्गीकरण के साथ प्रतिगमन देखें)। एक अन्य उदाहरण संरचनात्मक समीकरण मॉडलिंग में उपयोग किए जाने वाले उद्धरण चिह्नक सूचकांक हैं, वे लाग्रेंज गुणक परीक्षण हैं। जैसा हमने ऊपर बताया है, एलआर परीक्षण के लिए दो मॉडलों को चलाने की आवश्यकता है, जिनमें से एक पैरामीटर (वेरिएबल्स) का एक सेट है, और पहले के सभी मापदंडों के साथ दूसरा मॉडल, प्लस एक या अधिक अन्य चर। वाल्ड टेस्ट अधिक मापदंडों वाला एक मॉडल की जांच करता है और यह आकलन करता है कि उन मापदंडों (आमतौर पर शून्य से, मॉडल से संबंधित चर को हटाकर) को सीमित करने से मॉडल की फिटनेस गंभीरता से छीनती है। इसके विपरीत, स्कोर टेस्ट एक छोटे मॉडल के परिणामों की जांच करता है और पूछता है कि क्या एक या अधिक छोड़े गए वैरिएबल को मॉडल के फिट में सुधार होगा। सामान्य तौर पर, तीन परीक्षण एक ही निष्कर्ष पर पहुंचने चाहिए (क्योंकि वाल्ड और स्कोर टेस्ट, कम से कम सिद्धांत में, लगभग एलआर परीक्षण)। एक उदाहरण के रूप में, हम सभी तीन परीक्षणों का उपयोग करते हुए दो मॉडल के बीच सांख्यिकीय रूप से महत्वपूर्ण अंतर के लिए परीक्षण करेंगे। इस उदाहरण के लिए डाटासेट में जनसांख्यिकीय डेटा शामिल है, साथ ही 200 हाई स्कूल के छात्रों के लिए मानकीकृत परीक्षण स्कोर भी शामिल हैं। हम दो मॉडल की तुलना करेंगे। दोनों मॉडलों के लिए निर्भर वैरिएबल hiwrite है (नेस्टेड होना चाहिए दो मॉडलों को एक ही निर्भर चर को साझा करना चाहिए), जो एक द्विपातिक चर है जो इंगित करता है कि छात्र के पास एक लेखन स्कोर था जो कि मतलब से ऊपर था। चार संभव अनुमानक चर, महिला हैं। एक डमी वैरिएबल जो इंगित करता है कि छात्र मादा है, और लगातार वैरिएबल पढ़ते हैं। गणित और विज्ञान जो क्रमशः पढ़ने, गणित और विज्ञान में छात्रों के मानकीकृत टेस्ट स्कोर हैं। हम एक मॉडल का परीक्षण करेंगे जिसमें सिर्फ भविष्यवक्ता चर वाली महिला होगी और पढ़ा जाएगा। एक मॉडल के विपरीत जिसमें भविष्यवक्ता चर और महिलाएं पढ़ती हैं साथ ही, अतिरिक्त भविष्यवक्ता चर, गणित और विज्ञान संभावना अनुपात परीक्षण का उदाहरण जैसा कि ऊपर चर्चा की गई है, एलआर परीक्षण में दो मॉडल का अनुमान लगाया गया है और उनकी तुलना करना है। मॉडल से उस पैरामीटर से जुड़े वेरिएबल्स को निकालकर, शून्य से एक या अधिक मापदंडों को फिक्स करना, लगभग हमेशा मॉडल को कम अच्छी तरह से फिट कर देगा, इसलिए लॉग संभावना में बदलाव का मतलब यह नहीं है कि अधिक वैरिएबल वाला मॉडल काफी बेहतर फिट बैठता है एलआर टेस्ट दो मॉडलों के लॉग संभावनाओं की तुलना करती है और यह जांच करती है कि यह अंतर सांख्यिकीय रूप से महत्वपूर्ण है। यदि अंतर सांख्यिकीय रूप से महत्वपूर्ण है, तो कम प्रतिबंधात्मक मॉडल (अधिक चर वाले एक) को डेटा को अधिक प्रतिबंधात्मक मॉडल की तुलना में बेहतर ढंग से फिट करने के लिए कहा जाता है। एलआर परीक्षण आँकड़ों की गणना निम्नलिखित तरीके से की जाती है: एलआर -2 एलएन (एल (एम 1) एल (एम 2) 2 (एल 2 (एल 2) - एल (एम 1)) जहां एल (एम) संबंधित मॉडल की संभावना को दर्शाता है, और एल (एम) मॉडल संभावना की प्राकृतिक लॉग इस आंकलन को दो मॉडलों के बीच आजादी की डिग्री की संख्या में अंतर के बराबर स्वतंत्रता की डिग्री के साथ ची-स्क्वायर किया गया है (यानी मॉडल में जोड़े गए वेरिएबल्स की संख्या)। संभावना अनुपात परीक्षण करने के लिए हमें दोनों मॉडल चलाने और उनके अंतिम लॉग संभावनाओं को ध्यान में रखना होगा। हम स्टेटा का उपयोग कर मॉडल चलाएंगे और लॉग संभावनाओं को संग्रहीत करने के लिए कमांड का उपयोग करेंगे। हम भी संभावनाओं की प्रतिलिपि भी कम कर सकते हैं (यानी उन्हें नीचे लिखे, या काटने और चिपकाने), लेकिन कमांड का उपयोग करना थोड़ा आसान है और त्रुटियों का परिणाम होने की कम संभावना है। नीचे दी गई सिंटेक्स की पहली पंक्ति डेटासेट में हमारी वेबसाइट से पढ़ती है सिंटैक्स की दूसरी पंक्ति एक लैंगिक रिपरेशन मॉडल चलाती है, जो छात्र लिंग (महिला), और पढ़ने के स्कोर (पढ़ना) के आधार पर एचवीआरटी की भविष्यवाणी करती है। कोड की तीसरी लाइन मॉडल के लिए लॉग संभावना के मूल्य को संग्रहीत करता है, जिसे अस्थायी रूप से लौटा अनुमान के रूप में संग्रहीत किया जाता है (अधिक जानकारी के लिए, स्टैटा कमांड विंडो में टाइप करें सहायता रिटर्न), स्कैटर एम 1 में। नीचे आउटपुट है संभावना अनुपात परीक्षण करने के लिए हमें लॉग संभावना (-102.44) का ट्रैक रखने की आवश्यकता होगी, इस उदाहरण के लिए वाक्यविन्यास (ऊपर) एक स्केलर में मान को संचय करके करता है। चूंकि यह हमारी प्राथमिक चिंता नहीं है, इसलिए हम बाकी रसद प्रतिगमन मॉडल की व्याख्या को छोड़ देंगे। ध्यान दें कि लौटाए गए अनुमान को भंडारण किसी भी आउटपुट का उत्पादन नहीं करता है। नीचे दिए गए वाक्यविन्यास की पहली पंक्ति दूसरे मॉडल को चलाती है, अर्थात, चारों प्रक्रमक चर के साथ मॉडल। कोड की दूसरी पंक्ति मॉडल (-84.4) के लिए लॉग संभावना के मूल्य को संग्रहीत करता है, जिसे अस्थायी रूप से लौटा अनुमान (ई (ll)) के रूप में संग्रहीत किया जाता है, स्कैला नामित एम 2 में। फिर, हम आउटपुट के बारे में बहुत कुछ नहीं मानते हैं, इसके अलावा ध्यान दें कि गणित और विज्ञान दोनों के गुणांक सांख्यिकीय रूप से महत्वपूर्ण हैं इसलिए हम जानते हैं कि, व्यक्तिगत रूप से, वे हिवताव के सांख्यिकीय रूप से महत्वपूर्ण अनुमान लगाते हैं। अब जब हमारे पास दोनों मॉडल से लॉग संभावना है, हम एक संभावना अनुपात परीक्षण कर सकते हैं। सिंटैक्स की पहली पंक्ति नीचे संभावना अनुपात परीक्षण आंकड़े की गणना करता है नीचे दिए वाक्यविन्यास की दूसरी पंक्ति को हमारे परीक्षण आंकड़ों से जुड़े पी-मान को दो डिग्री स्वतंत्रता मिले। नीचे देखें हम देखते हैं कि परीक्षण आंकड़े 36.05 हैं, और संबंधित पी-मान बहुत कम है (0.0001 से कम)। परिणाम बताते हैं कि गणित और विज्ञान को एक साथ प्रक्षेपक चर के रूप में जोड़कर (न सिर्फ अलग-अलग) मॉडल फिट में सांख्यिकीय रूप से महत्वपूर्ण सुधार में परिणाम दिखाते हैं ध्यान दें कि यदि हमने मॉडल में एक एकल चर जोड़ने के लिए संभावना अनुपात परीक्षण किया है, तो परिणाम उसी तालिका के रूप में प्रस्तुत किए गए वेरिएबल के गुणांक के लिए महत्वपूर्ण परीक्षा के समान होगा। एक संभावना अनुपात परीक्षण की गणना करने के लिए Statas postestimation आदेशों का उपयोग करना जैसा कि आपने देखा है, संभावना अनुपात परीक्षण उद्धरण हाथ की गणना करने के लिए आसान है। हालांकि, आप अनुमानों को स्टोर करने और आपके लिए परीक्षण चलाने के लिए स्ताटा का उपयोग भी कर सकते हैं। यह विधि अभी भी आसान है, और शायद कम त्रुटि प्रवण। वाक्यविन्यास की पहली पंक्ति एक लैंगिक रिपरेशन मॉडल चलाती है, जो छात्र लिंग (महिला), और पढ़ने के स्कोर (पढ़ना) के आधार पर एचवीआरटी की भविष्यवाणी करती है। सिंटैक्स की दूसरी पंक्ति ने मॉडल से अनुमान लगाए रखने के लिए स्टाटा पूछता है और हम स्टैट को बताते हैं कि हम अनुमान एम 1 कॉल करना चाहते हैं। अनुमानों को एक नाम देना जरूरी है, चूंकि स्टेटा उपयोगकर्ताओं को अनुमानों को एक से अधिक विश्लेषण से स्टोर करने की अनुमति देता है, और हम अनुमान के एक से अधिक सेटों को संग्रहित करेंगे। नीचे आउटपुट है चूंकि यह हमारी प्राथमिक चिंता नहीं है, इसलिए हम रसद प्रतिगमन मॉडल की व्याख्या को छोड़ देंगे। ध्यान दें कि अनुमान संग्रहित करने से कोई उत्पादन नहीं होता है इस अनुच्छेद के नीचे वाक्यविन्यास की पहली पंक्ति दूसरे मॉडल को चलाती है, जो कि चारों प्रिवक्ता चर के साथ मॉडल है सिंटैक्स की दूसरी पंक्ति इस मॉडल से अनुमानों को बचाती है, और उन्हें एम 2 नाम देती है। सिंटैक्स के नीचे उत्पादन उत्पन्न है फिर, हम आउटपुट के बारे में बहुत कुछ नहीं मानते हैं, इसके अलावा ध्यान दें कि गणित और विज्ञान दोनों के गुणांक सांख्यिकीय रूप से महत्वपूर्ण हैं इसलिए हम जानते हैं कि, व्यक्तिगत रूप से, वे हिवताव के सांख्यिकीय रूप से महत्वपूर्ण अनुमान लगाते हैं। नीचे दिए गए परीक्षण हमें यह जांचने की अनुमति देंगे कि मॉडल में इन दोनों पहलुओं को जोड़ने से मॉडल की फिटनेस में काफी सुधार हुआ है, एक मॉडल की तुलना में जो सिर्फ महिला है और पढ़ी गई है नीचे दिए वाक्यविन्यास की पहली पंक्ति स्ताता को बताती है कि हम एक एलआर परीक्षण चलाने के लिए चाहते हैं, और हम उन अनुमानों की तुलना करना चाहते हैं जो हमने एम 1 के रूप में सहेजी हैं जिन्हें हम एम 2 के रूप में सहेजा है। आउटपुट हमें याद दिलाता है कि यह परीक्षण मानता है कि ए को नीला में है, जो कि यह है। यह हमें परीक्षा (36.05) के लिए ची-स्क्वार्ड मूल्य और साथ ही साथ 36.05 की ची-स्क्वायर के लिए पी-वेल को दो डिग्री स्वतंत्रता प्रदान करता है। ध्यान दें कि एलआर परीक्षा के लिए आजादी की डिग्री, अन्य दो परीक्षणों के साथ, हमारे मामले में, (जैसे कि मॉडल से निकाले गए) मापदंडों की संख्या के बराबर होती है, 2। ध्यान दें कि परिणाम समान हैं जब हमने एलआर परीक्षण की गणना ऊपर के हाथ से की थी। गणित और विज्ञान को अग्रदूत चर के रूप में एक साथ जोड़ना (न सिर्फ अलग-अलग) मॉडल फिट में सांख्यिकीय रूप से महत्वपूर्ण सुधार में परिणाम। जैसा कि हमने उल्लेख किया है कि जब हम मॉडल से एक संभावना अनुपात का परीक्षण करते हैं, तो हम मॉडल में एक एकल चर जोड़ने के लिए एक संभावना अनुपात परीक्षण करते हैं, तो परिणाम समान तालिका के ऊपर दिए गए तालिका में प्रस्तुत किए गए वेरिएबल के गुणांक के लिए महत्वपूर्ण परीक्षा के समान होंगे। एक संभावना अनुपात परीक्षण के लिए पूरे सिंटैक्स, एक ब्लॉक में सभी, इस तरह दिखता है: एक वाल्ड टेस्ट का उदाहरण ऊपर उल्लेखित किया गया था, वाल्ड टेस्ट एलआर टेस्ट का अनुमान लगाता है, लेकिन इस लाभ से यह केवल एक मॉडल का अनुमान लगाने की आवश्यकता है वाल्ड टेस्ट का परीक्षण करके जांच की जाती है कि ब्याज के मापदंडों को एक साथ शून्य के बराबर है यदि वे हैं, तो यह दृढ़ता से सुझाव देता है कि उन्हें मॉडल से निकालने से उस मॉडल के फिट को काफी हद तक कम नहीं होगा, क्योंकि एक भविष्यवक्ता जिसका गुणांक इसकी मानक त्रुटि के मुकाबले बहुत छोटा है आम तौर पर निर्भर चर का अनुमान लगाने में बहुत कुछ नहीं कर रहा है। वाल्ड टेस्ट करने में पहला कदम पूरे मॉडल को चलाने के लिए है (यानी सभी चार अनुमानक चर वाला मॉडल) नीचे दिए वाक्यविन्यास की पहली पंक्ति यह करती है (लेकिन चुपचाप उपसर्ग का उपयोग करती है ताकि प्रतिगमन से उत्पादन नहीं दिखाया गया हो)। नीचे दिए वाक्यविन्यास की दूसरी पंक्ति यह निर्धारित करने के लिए कि क्या वैरिएबल गणित और विज्ञान के गुणांक शून्य से एक के बराबर हैं, वाल्ड टेस्ट चलाने के लिए स्टाटा को निर्देशित करता है। आउटपुट पहले रिक्त परिकल्पना देता है नीचे हम वाल्ड टेस्ट द्वारा उत्पन्न ची-स्क्वेर्ड वैल्यू के साथ-साथ पी-वैल को 27.53 की ची-स्क्वायर के साथ दो डिग्री स्वतंत्रता से जोड़ते हैं। पी-वैल्यू के आधार पर, हम रिक्त परिकल्पना को अस्वीकार कर सकते हैं, फिर से यह संकेत मिलता है कि गणित और विज्ञान के गुणांक एक साथ शून्य के बराबर नहीं हैं, जिसका अर्थ है कि इन चर को मॉडल के फिट में एक सांख्यिकीय रूप से महत्वपूर्ण सुधार होता है। स्कोर या लाग्रेंज गुणक परीक्षण का उदाहरण कृपया ध्यान दें कि उपयोगकर्ता-लिखित परीक्षा में स्ताटा में अब उपलब्ध नहीं है। स्कोर परीक्षण करने के लिए, आपको स्टेटा के लिए दो उपयोगकर्ता लिखित पैकेज डाउनलोड करने होंगे। इन संकुलों को एनोमॉप और टेस्टोमिट कहा जाता है। यदि आपका कंप्यूटर ऑनलाइन है, तो आप स्टाटा कमांड विंडो में findit enumopt टाइप कर सकते हैं। (अधिक जानकारी के लिए या हमारे अकसर किये गए सवाल पृष्ठ देखने में मदद के लिए मैं प्रोग्राम को अतिरिक्त खोज के लिए खोज को कैसे उपयोग कर सकता हूं) मान लें कि आवश्यक पैकेज इंस्टॉल किए गए हैं, नीचे दिया गया सिंटैक्स दिखाता है कि स्कोर टेस्ट कैसे चलाया जाए। सिंटैक्स की पहली पंक्ति मॉडल को केवल महिला के साथ चलाती है और भविष्यवक्ता चर के रूप में पढ़ती है (याद रखें कि स्कोर टेस्ट कम चर के साथ एक मॉडल का उपयोग करता है और छोड़े गए चर के लिए परीक्षण करता है)। अगली पंक्ति कमांड का उपयोग भविष्यवाणी करता है कि एक नया वैरिएबल जो कि प्रत्येक मामले के लिए स्कोर शामिल है। बहुत अधिक विस्तार में जाने के बिना, यहां स्कोर अनुमानित मॉडल पर आधारित होते हैं और प्रत्येक मामले के लिए मॉडल में वेरिएबल का मूल्य। सिंटेक्स की तीसरी पंक्ति परीक्षण करने के लिए testomit कमांड का उपयोग करती है, यह देखने के लिए कि क्या चर गणित और विज्ञान वेरिएबल हैं जो मॉडल से ग़लत ढंग से छोड़े गए थे। विकल्प स्कोर (परीक्षण) स्टेता को स्कोर वाले चर का नाम बताता है, हालांकि यह विकल्प अनुभाग में है (यानी अल्पविराम के बाद), यह आवश्यक है। कृपया ध्यान दें कि उपयोगकर्ता-लिखित परीक्षा में स्ताटा में अब उपलब्ध नहीं है। आउटपुट का पहला भाग मॉडल रन का प्रकार देता है, जिसके बाद परिणाम की एक तालिका होती है। मॉडल में जोड़े गए चर की संख्या के बराबर अंक की परीक्षा के परिणाम स्वतंत्रता की डिग्री के साथ ची-स्क्वायर वितरित किए जाते हैं। तालिका में तीन स्तंभ हैं, पहला परीक्षण आंकड़ों का मूल्य दे रहा है, दूसरा परीक्षण के लिए स्वतंत्रता की डिग्री की संख्या, और तीसरे द्वारा दिए गए संख्या के साथ किसी मूल्य के ची-स्क्वायर के साथ जुड़े पी-मान देना स्वतंत्रता की डिग्री चर गणित और विज्ञान अपनी पंक्तियों में अलग-अलग दिखाई देते हैं, पहले दो पंक्तियों में एक परीक्षण के परिणाम होते हैं कि मॉडल में इन चर के दोनों (लेकिन दोनों नहीं) जोड़ने से मॉडल की फिटनेस में काफी सुधार होगा। नीचे पंक्ति, एक साथ परीक्षण लेबल, परीक्षण कि मॉडल के लिए दोनों चर जोड़ने चाहे मॉडल की फिट काफी सुधार होगा। तालिका में दिखाए गए परिणाम वाल्ड और एलआर परीक्षणों के साथ संगत हैं जो हमने ऊपर किए हैं वे ऊपर की प्रतिगमन के उत्पादन के अनुरूप भी हैं, जिसमें गणित और विज्ञान के गुणांक सांख्यिकीय रूप से महत्वपूर्ण थे। कमांड टेस्टोमेट अलग अनुमान आदेशों के लिए कुछ भिन्न रूप से व्यवहार करता है। नीचे कई अन्य प्रतिगमन आदेशों के साथ परीक्षण के उपयोग के उदाहरण दिए गए हैं अधिकांश बहु समीकरण कमांड, शोरन के लिए सिंटैक्स के समान सिंटैक्स का उपयोग करेगा। दो अपवाद ologit और oprobit हैं और वापस जाना जो अलग से दिखाए जाते हैं। कृपया ध्यान दें कि उपयोगकर्ता-लिखित परीक्षा में स्ताटा में अब उपलब्ध नहीं है। मोब्लिट और कई अन्य बहु-समीकरण आदेशों के लिए: ologit और oprobit के लिए: