নাকাগাওয়া এবং স্কিলজেথ (2013)

Question

আমি মিশ্র মডেলগুলিতে মান গণনা করা এবং আর-সিগ এফএকিউ পড়ার পরে, এই ফোরামে অন্যান্য পোস্টগুলি পড়ার পরে (আমি কয়েকটি সংযুক্ত করব তবে আমার যথেষ্ট খ্যাতি নেই) এবং আমি উল্লেখ করেছি যে আরও কয়েকটি রেফারেন্স ব্যবহার করে মিশ্র মডেলগুলির প্রসঙ্গে আর 2 টি মান জটিল।$R^2$$R^2$

যাইহোক, আমি সম্প্রতি নীচে এই দুটি পেপার জুড়ে এসেছি। যদিও এই পদ্ধতিগুলি প্রতিশ্রুতিবদ্ধ মনে হচ্ছে (আমার কাছে) আমি কোনও পরিসংখ্যানবিদ নই এবং যেমনটি আমি ভাবছিলাম যে তাদের প্রস্তাবিত পদ্ধতিগুলি এবং প্রস্তাবিত অন্য পদ্ধতির সাথে কীভাবে তারা তুলনা করবে সে সম্পর্কে অন্য কারও অন্তর্দৃষ্টি থাকবে কিনা।

নাকাগাওয়া, শিনিচি, এবং হোলার শিলিজেথ। "জেনারাইজড লিনিয়ার মিক্সড-ইফেক্ট মডেলগুলি থেকে আর 2 পাওয়ার জন্য একটি সাধারণ এবং সাধারণ পদ্ধতি" " বাস্তুশাস্ত্র এবং বিবর্তন পদ্ধতিসমূহ 4.2 (2013): 133-142।

জনসন, পল সিডি। "নাকাগাওয়া এবং শ্যায়েলজেথের আর 2 জিএলএমএম এলোমেলো slালু মডেলগুলিতে প্রসারিত করুন।" বাস্তুশাস্ত্র এবং বিবর্তন পদ্ধতি (2014)।

এই পদ্ধতিটি MuMIn প্যাকেজে r.squaredGLMM ফাংশন ব্যবহার করে প্রয়োগ করা যেতে পারে যা পদ্ধতির নিম্নলিখিত বিবরণ দেয়।

মিশ্র-প্রভাবগুলির মডেলগুলির জন্য, কে দুই ধরণের শ্রেণিবদ্ধ করা যেতে পারে। প্রান্তিক আর 2 স্থির কারণগুলির দ্বারা ব্যাখ্যা করা বৈকল্পিকতা উপস্থাপন করে এবং এটি সংজ্ঞায়িত করা হয়: শর্তসাপেক্ষে স্থির এবং এলোমেলো উভয় কারণ (যেমন পুরো মডেল) দ্বারা ব্যাখ্যা করা বৈকল্পিক হিসাবে ব্যাখ্যা করা হয় এবং সমীকরণ অনুসারে গণনা করা হয়: যেখানে স্থির প্রভাবের উপাদানগুলির বৈকল্পিক এবং হ'ল সমস্ত বৈকল্পিক উপাদান (গোষ্ঠী, স্বতন্ত্র ইত্যাদি) এর ,$R^2$$R^2$

$$R_{GLMM}(m)^2 = \frac{σ_f^2}{σ_f^2 + \sum(σ_l^2) + σ_e^2 + σ_d^2}$$ $R^2$ $$R_{GLMM}(c)^2= \frac{(σ_f^2 + \sum(σ_l^2))}{(σ_f^2 + \sum(σ_l^2) + σ_e^2 + σ_d^2}$$ $σ_f^2$$\sum(σ_l^2)$$σ_l^2$অ্যাডিটিভ ছড়িয়ে পড়ার কারণে বৈকল্পিক এবং হল বিতরণ-নির্দিষ্ট বৈকল্পিক। $σ_d^2$

আমার বিশ্লেষণে আমি দ্রাঘিমাংশের তথ্যগুলি দেখছি এবং আমি প্রাথমিকভাবে মডেলটির স্থির প্রভাবগুলি দ্বারা ব্যাখ্যা করা বৈকল্পিকতায় আগ্রহী

library(MuMIn) 
library(lme4)

fm1 <- lmer(zglobcog ~ age_c + gender_R2 + ibphdtdep + iyeareducc + apoegeno + age_c*apoegeno + (age_c | pathid), data = dat, REML = FALSE, control = lmerControl(optimizer = "Nelder_Mead"))

# Jarret Byrnes (correlation between the fitted and the observed values)
r2.corr.mer <- function(m) {
   lmfit <-  lm(model.response(model.frame(m)) ~ fitted(m))
   summary(lmfit)$r.squared
}

r2.corr.mer(fm1)
[1] 0.8857005

# Xu 2003
1-var(residuals(fm1))/(var(model.response(model.frame(fm1))))
[1] 0.8783479

# Nakagawa & Schielzeth's (2013)
r.squaredGLMM(fm1)
      R2m       R2c 
0.1778225 0.8099395 

Comments

আমি আপনার পোস্টকে ম্যাথজ্যাক্স ফর্ম্যাটিং ব্যবহার করতে সম্পাদনা করেছি। দয়া করে ডাবল-চেক করুন যে আমি ঘটনাক্রমে কোনও ত্রুটি পরিচয় করিয়ে দিই নি।

— সাইকোরাক্স মনিকাকে

আপনার প্রশ্নের যতদূর আমি এটি বুঝতে পারি তেমন একটি আসল প্রশ্ন নেই is আপনি কি চান তা পরিষ্কার করতে পারেন? একটি সুপারিশ কি ব্যবহার করবেন?

— হেনরিক

হাই @ হেনরিক, আমি কী ব্যবহার করব তার একটি সুপারিশে আগ্রহী ছিল, হ্যাঁ, তবে আরও বিভিন্ন পদ্ধতিতে একে অপরের সাথে কীভাবে তুলনা করা হয় এবং কী পার্থক্য রয়েছে তা আরও ব্যাপকভাবে প্রকাশিত হয়েছিল।

— অ্যান্ড্রুজ

আমি বিশ্বাস করি যে মূল এবং উপরের সমীকরণগুলি ভুল। এটি @ ব্যবহারকারীর 777 এর পরিবর্তনের কারণে নয়। ডান দিকের দুটি পদ হ'ল বিভাজনে থাকা উচিত। এই দেখুন ।

— সিরিল

এই ত্রুটিটি সম্ভবত MuMIn প্যাকেজ ডকুমেন্টেশনের কারণে বন্ধনী বন্ধনীগুলি হারিয়েছে ।

— সিরিল

Answer 1

জেনারালাইজড লিনিয়ার মিশ্রিত মডেলগুলির জন্য কোনও পরিসংখ্যান কীভাবে গণনা করতে হবে সে প্রশ্নে আমি 17 ডিসেম্বর 2014-এ আর-সিগ-এমই মেলিং তালিকায় ডগলাস বেটসের জবাবটি পেস্ট করে জবাব দিচ্ছি , যা আমি বিশ্বাস করি যে আগ্রহী প্রত্যেককেই পড়া দরকার যেমন একটি জিনিস. বেটস আর এর প্যাকেজের মূল লেখক এবং সহ-লেখক , পাশাপাশি মিশ্র মডেলগুলির একটি সুপরিচিত বইয়ের সহ-লেখক এবং সিভি কেবল একটি লিঙ্কের পরিবর্তে উত্তরের পাঠ্যটি পেয়ে উপকার পাবেন এটা।$R^2$lme4nlme

লোকেরা "জিএলএমএমের জন্য আর 2" সম্পর্কে কথা বললে আমাকে অবশ্যই দু'দিক বার্ধক্য পেতে হবে। রৈখিক মডেলের জন্য আর 2 ভাল সংজ্ঞাযুক্ত এবং এর অনেক পছন্দসই বৈশিষ্ট্য রয়েছে। অন্যান্য মডেলগুলির জন্য কেউ বিভিন্ন পরিমাণ নির্ধারণ করতে পারে যা কিছু বৈশিষ্ট্য প্রতিফলিত করে তবে এই সমস্ত বৈশিষ্ট্য নয়। তবে লিনিয়ার মডেলগুলির জন্য আর 2 এর সমস্ত বৈশিষ্ট্য রয়েছে এমন একটি সংখ্যা প্রাপ্তির অর্থে এটি কোনও আর 2 গণনা করছে না। সাধারণত বিভিন্ন ধরণের সংজ্ঞা দেওয়া যেতে পারে could বিশেষত জিএলএম এবং জিএলএমএমগুলির জন্য "প্রতিক্রিয়াটির অনুপাতের অনুপাত ব্যাখ্যা করা" এর আগে আপনাকে প্রথমে "রেসপন্স ভেরিয়েন্স" বলতে কী বোঝাতে হবে তা নির্ধারণ করতে হবে।

অন্যান্য মডেলের ক্ষেত্রে যেমন লিনিয়ার মডেলগুলির সাথে যুক্ত অন্য কোনও পরিমাণে আর 2 বা স্বাধীনতার ডিগ্রি কী তা নিয়ে বিভ্রান্তি আসে ধারণাটির সাথে সূত্রকে বিভ্রান্ত করে। যদিও সূত্রগুলি মডেলগুলি থেকে উদ্ভূত হয় ডেরাইভেশন প্রায়শই যথেষ্ট পরিশীলিত গণিতের সাথে জড়িত। একটি সম্ভাব্য বিভ্রান্তিকর উদ্ভাবন এড়াতে এবং কেবল "ধাওয়া করতে করতে কাটা" সূত্রগুলি উপস্থাপন করা আরও সহজ। তবে সূত্রটি ধারণা নয়। একটি সূত্রকে সাধারণীকরণ করা ধারণাটি সাধারণীকরণের সমতুল্য নয়। এবং এই সূত্রগুলি প্রায়শই অনুশীলনে ব্যবহৃত হয় না, বিশেষত জেনারেলাইজড লিনিয়ার মডেলগুলির জন্য, বৈকল্পিকতা এবং এলোমেলো প্রভাবগুলির বিশ্লেষণ। আমার কাছে একটি "মেটা-উপপাদ্য" রয়েছে যা সূচনামূলক পাঠ্যগুলিতে প্রদত্ত সূত্র অনুসারে প্রকৃত পরিমাণে গণনা করা হয় নমুনা গড়।

দেখে মনে হতে পারে যে আমি এই সম্পর্কে একজন অসম্পূর্ণ বৃদ্ধ, এবং সম্ভবত আমিই আছি তবে বিপদটি হ'ল লোকেরা লিনিয়ার মডেলগুলির জন্য একটি আর 2 এর সমস্ত বৈশিষ্ট্য পেতে একটি "আর 2-জাতীয়" পরিমাণ আশা করে। এটা পারে না। জিএলএমএম এর মতো আরও জটিল মডেলের সমস্ত বৈশিষ্ট্যকে সাধারণ করার কোনও উপায় নেই।

আমি একবার পিএইচডি করার জন্য একটি থিসিস প্রস্তাব পর্যালোচনা কমিটি ছিল। প্রার্থীপদ। প্রস্তাবটি ছিল আমার কাছে 9 টি সূত্র যাচাই করার জন্য যা একটি ননলাইনার রিগ্রেশন মডেলকে কোনটি "সেরা" বলে সিদ্ধান্ত নেওয়ার জন্য কোনও আর 2 গণনার উপায় হিসাবে বিবেচনা করা যেতে পারে বলে মনে করে। অবশ্যই, এটি কেবলমাত্র বিভিন্ন মডেলের কয়েকটি এবং প্রতিটিটির জন্য প্যারামিটার মানগুলির কয়েকটি পৃথক সেট সহ একটি সিমুলেশন অধ্যয়নের মাধ্যমে করা হবে। আমার পরামর্শ যে এটি সম্পূর্ণ অর্থহীন অনুশীলন ছিল উষ্ণভাবে অভ্যর্থনা জানানো হয়নি।

Answer 2

সাহিত্যের ব্রাউজ করার পরে আমি নীচের কাগজটি জুড়ে এসেছি যা মিশ্র মডেলগুলির জন্য মান গণনা করার জন্য বিভিন্ন বিভিন্ন পদ্ধতির তুলনা করে, যেখানে (এমভিপি) পদ্ধতিগুলি নাকাগাওয়া এবং শচিলজেথ প্রস্তাবিত পদ্ধতির সমান।$R^2$$R^2$

• লাহুইস, ডি এট আল (২০১৪) বহুবিধ মডেলগুলির জন্য বর্ণিত পরিমাপের ব্যাখ্যা। সাংগঠনিক গবেষণা পদ্ধতি।

সামগ্রিকভাবে, বেশিরভাগ পদক্ষেপগুলি (সূত্র, সূত্র, (ওএলএস), এবং (এমভিপি)) সমস্ত শর্ত এবং মডেলগুলিতে পক্ষপাত, ধারাবাহিকতা এবং দক্ষতার গ্রহণযোগ্য স্তর প্রদর্শন করে। তদতিরিক্ত, এই ব্যবস্থাগুলির জন্য গড় পক্ষপাত মানগুলির মধ্যে পার্থক্য কম ছিল। সূত্র এবং সূত্রটি এলোমেলো-ইন্টারসেপ্ট মডেলগুলির মধ্যে সর্বনিম্ন পক্ষপাতদুষ্ট ছিল এবং এলোমেলো-opeালু মডেলগুলির মধ্যে ফর্মুলা এবং (এমভিপি) ছিল সবচেয়ে কম পক্ষপাতদুষ্ট। দক্ষতার দিক থেকে, সূত্র এবং (এমভিপি) এর র্যান্ডম-ইন্সেপ্ট মডেলটিতে সর্বনিম্ন স্ট্যান্ডার্ড বিচ্যুতি মান ছিল। (এমভিপি) এবং (ওএলএস) এর এলোমেলো-opeালু মডেলটিতে সর্বনিম্ন স্ট্যান্ডার্ড বিচ্যুতি ছিল। সাধারণভাবে, সূত্রটি কোনও দক্ষ অনুমানকারী ছিল না।$R^2$$R^2$$R^2$$R^2$$R^2$$R^2$