তাদের মধ্যে যখন কারওর চারপাশে এবং ঘনক পদ থাকতে পারে তখন আমি কীভাবে ব্যাখ্যাযোগ্য ভেরিয়েবলগুলির মধ্যে পারস্পরিক মিথস্ক্রিয়া মডেল করব?


10

আমি আন্তরিকভাবে আশা করছি যে আমি এই প্রশ্নটি এমনভাবে বানিয়েছি যাতে এর যথাযথভাবে উত্তর দেওয়া যেতে পারে - যদি তা না হয় তবে দয়া করে আমাকে জানান এবং আমি আবার চেষ্টা করব! আমারও অনুমান করা উচিত যে আমি এই বিশ্লেষণগুলির জন্য আর ব্যবহার করব।

আমার plant performance (Ys)সন্দেহজনক কয়েকটি পদক্ষেপ রয়েছে যে আমি সন্দেহ করি যে আমি আরোপিত চারটি চিকিত্সা দ্বারা প্রভাবিত হয়েছিল - flower thinning (X1), fertilization (X2), leaf clipping (X3)এবং biased flower thinning (X4)। সমস্ত সম্ভাব্য ওয়াইয়ের জন্য, এন কমপক্ষে 242, তাই আমার নমুনার আকারগুলি বড়। সমস্ত প্লট হয় হয় পাতলা হয়ে যায় বা না হয়েছিল, তবে প্রতিটি প্লটকে অন্য তিনটি চিকিত্সার একটিতে (এবং শুধুমাত্র একটিই) সাপেক্ষ করা হয়েছিল (বা না - নিয়ন্ত্রণের প্লটও ছিল)। এই নকশার ধারণাটি ছিল যে অন্য তিনটি চিকিত্সা পাতলা হওয়ার প্রভাবগুলিকে "মাস্কিং" বা "বর্ধন" করতে সক্ষম কিনা তা পরীক্ষা করে দেখা হয়েছিল। সুতরাং, নকশা অনুসারে, পরবর্তী তিনটি চিকিত্সা (এক্স 2-এক্স 4) একে অপরের সাথে ইন্টারঅ্যাক্ট করতে পারেনি কারণ তারা ক্রস হয়নি, তবে তারা প্রতিটি ফুল পাতলা করার সাথে ইন্টারেক্ট করতে পারে - এবং তারা সম্ভবত তা করে।

আমার স্পষ্ট অনুমান যে 1) ফুল পাতলা হওয়া তাত্পর্যপূর্ণ হবে এবং 2) X1*X2, X1*X3, and X1*X4,ফুল পাতলা এবং অন্যান্য তিনটি চিকিত্সার মধ্যে মিথস্ক্রিয়া পদগুলিও তাৎপর্যপূর্ণ হবে। অর্থাত্, ফুল পাতলা হওয়া উচিত, তবে অন্যান্য তিনটি চিকিত্সা কী করেছে তা যে পদ্ধতিতে এটি গুরুত্বপূর্ণ তা উল্লেখযোগ্যভাবে পরিবর্তন করা উচিত।

আমি এই সমস্ত তথ্য মিশ্র মডেলটিতে অন্তর্ভুক্ত করতে চাই:

Y ~ X0 + X1 + X2 + X3 + X4 + X1*X2 + X1*X3 + X1*X4 + (Up to three random effects)

তবে একটি হ্যাং-আপ রয়েছে: ওয়াইয়ের উপর পাতলা হওয়ার প্রভাবগুলি অ-রৈখিক বলে বিশ্বাস করার আমার কাছে ভাল কারণ রয়েছে। এগুলি সম্ভবত চতুর্ভুজ তবে কিছু ক্ষেত্রে ঘনক হতে পারে। এর কারণ এটি যে পারফরম্যান্সে পাতলা হওয়ার প্রভাব উচ্চতর পর্যায়ে পাতলা হওয়ার গতিতে খুব দ্রুত বৃদ্ধি পায়। যদি আমি এক্স 1 এর জন্য চতুর্ভুজ এবং ঘনক পদ যুক্ত করে উপরের সমীকরণের মাধ্যমে এই অ-রৈখিক সম্পর্কের মডেল করার চেষ্টা করি, তবে আমি ইন্টারঅ্যাকশন শর্তগুলি কীভাবে মডেল করব তা সম্পর্কে আমি নিশ্চিত নই - আমি কি এক্স 1, (এক্স 1) এর প্রতিটি সম্ভাব্য সংমিশ্রণ অন্তর্ভুক্ত করব বলে মনে করছি ^ 2, এবং (এক্স 1) ^ 3 * এক্স 2, এক্স 3 এবং এক্স 4? কারণ এটি অনুমান করার চেষ্টা করার মতো অনেকগুলি পরামিতিগুলির মতো বলে মনে হচ্ছে, এমনকি আমার কাছে থাকা ডেটা পয়েন্টের সংখ্যাও রয়েছে এবং আমি কীভাবে ফলাফল পাব তা কীভাবে ব্যাখ্যা করতে পারি তা সম্পর্কে আমি নিশ্চিত নই। এটি বলেছিল, পরিস্থিতি মডেল করার এটি একটি অনর্থক উপায় হতে পারে বলে মনে করার আমার কোনও জৈবিক কারণ নেই।

সুতরাং, এই সমস্যাটি কীভাবে সমাধান করা যায় তার জন্য আমার তিনটি চিন্তাভাবনা রয়েছে:

  1. প্রথমে একটি ছোট মডেল ফিট করুন, উদাহরণস্বরূপ Y ~ X1 + X1^2 + X^3 + Random effects, পাতলা এবং ওয়াইয়ের মধ্যকার সম্পর্ক লিনিয়ার, চতুর্ভুজ বা ঘনক্ষেত্র কিনা তা নির্ণয়ের একমাত্র লক্ষ্য নিয়ে এবং তারপর সম্পর্কটিকে যথাযথভাবে লিনিয়ারাইজ করার জন্য স্কোয়ার- বা কিউব-রুটের মাধ্যমে পাতলা রূপান্তরিত করুন। সেখান থেকে, কথোপকথনের শর্তগুলি রূপান্তরিত ভেরিয়েবলের সাথে উপরের মত মডেল করা যায়।
  2. ধরুন যে তাৎপর্যপূর্ণ ইন্টারঅ্যাকশনগুলি যদি ঘটে থাকে তবে কেবলমাত্র এক্স 1 পদগুলির একটিতে (যেমন কেবল রৈখিক, চতুর্ভুজ বা ঘনক শব্দ) প্রভাবিত করে এবং সেই অনুযায়ী ইন্টারঅ্যাকশনগুলিকে মডেল করে। আমিও নিশ্চিত নই যে এই পদ্ধতির অর্থ হয় কিনা।
  3. উপরের আলোচনা অনুসারে পাতলা শর্তাবলী এবং অন্যান্য চিকিত্সার মধ্যে প্রতিটি সম্ভাব্য ইন্টারঅ্যাকশন শব্দটির সাথে কেবল "পূর্ণ মডেল" ফিট করুন। তারপরে, তাত্পর্যপূর্ণ মিথস্ক্রিয়া শর্তগুলি ছাঁটাই করুন এবং ফলাফলগুলি ব্যাখ্যা করতে গ্রাফ এবং অন্যান্য কৌশল ব্যবহার করুন।

এই অনুচ্ছেদের মধ্যে কোনটি, যদি কোনও হয়, সর্বাধিক অর্থবোধ করে এবং কেন, যে কারণে আমি অনুমানের পরীক্ষায় আগ্রহী এবং মডেল নির্বাচনের ক্ষেত্রে নয়? বিশেষত, উপরের # 1 যদি তা করতে বোঝায় না, তা কেন? আমি এই নিবন্ধটি এবং এই নিবন্ধটি পড়েছি এবং তারা আমার জন্য কী বোঝাতে পারে তা হজম করার চেষ্টা করেছি, তবে আরও পড়ার জন্য যে কোনও উত্সও প্রশংসিত হবে!

উত্তর:


7

এই পদ্ধতির কোনওটিই সঠিকভাবে কাজ করবে না। পদ্ধতির ৩. কাছাকাছি এসেছিল তবে আপনি বলেছিলেন যে আপনি নগণ্য পদ ছাঁটাই করবেন। এটি সমস্যাযুক্ত কারণ সহ-রৈখিকতাগুলি কোন পদগুলি সরিয়ে ফেলতে পারে তা খুঁজে পাওয়া অসম্ভব করে দেয় এবং কারণ আপনি যদি টাইপ আই ত্রুটি সংরক্ষণ করতে চান তবে অনুমানের পরীক্ষায় এটি আপনাকে ভুল ডিগ্রি দিতে পারে।

কার্যকর নমুনার আকার এবং সংকেতের উপর নির্ভর করে: আপনার সমস্যার মধ্যে শব্দের অনুপাত আমি সমস্ত পণ্য এবং প্রধান প্রভাবের পদগুলির সাথে একটি মডেল ফিট করার পরামর্শ দেব এবং প্লট এবং "টুকরো পরীক্ষা" ব্যবহার করে মডেলটির ব্যাখ্যা করব (সম্পর্কিত পদগুলির একাধিক ডিএফ পরীক্ষা, অর্থাৎ, সামগ্রিক ইন্টারঅ্যাকশন জন্য একটি পরীক্ষা, ননলাইন ইন্টারঅ্যাকশন জন্য পরীক্ষা, মূল প্রভাব + ইন্টারঅ্যাকশন, সহ সামগ্রিক প্রভাব পরীক্ষা।) আর rmsপ্যাকেজটি স্ট্যান্ডার্ড ইউনিভারিট মডেলগুলির জন্য এবং দ্রাঘিমাংশীয় মডেলের জন্য যখন মাল্টিভারিয়েট স্বাভাবিক থাকে তখন এটি সহজ করে তোলে । উদাহরণ:Y

# Fit a model with splines in x1 and x2 and tensor spline interaction surface
# for the two.  Model is additive and linear in x3.
# Note that splines typically fit better than ordinary polynomials
f <- ols(y ~ rcs(x1, 4) * rcs(x2, 4) + x3)
anova(f)   # get all meaningful hypothesis tests that can be inferred
           # from the model formula
bplot(Predict(f, x1, x2))    # show joint effects
plot(Predict(f, x1, x2=3))   # vary x1 and hold x2 constant

আপনি যখন anovaটেবিলটি দেখবেন আপনি লাইনযুক্ত লেবেল দেখতে পাবেন All Interactionsযা পুরো মডেলের জন্য সমস্ত ইন্টারঅ্যাকশন শর্তগুলির সম্মিলিত প্রভাব পরীক্ষা করে । পৃথক ভবিষ্যদ্বাণীকারীদের জন্য কেবল তখনই সহায়ক যখন ভবিষ্যদ্বাণী একাধিক ভেরিয়েবলের সাথে যোগাযোগ করে। টেবিলের প্রতিটি লাইন দ্বারা শূন্যের বিপরীতে কোন পরামিতিগুলি পরীক্ষা করা হচ্ছে তা দেখানোর printজন্য পদ্ধতিতে একটি বিকল্প রয়েছে anova.rms। এই সবগুলি শ্রেণিবদ্ধ এবং অবিচ্ছিন্ন ভবিষ্যদ্বাণীগুলির মিশ্রণের সাথে কাজ করে।

আপনি যদি ব্যবহার করতে চান তবে সাধারণ বহুভুতির polপরিবর্তে ব্যবহার করুন rcs

দুর্ভাগ্যক্রমে আমি মিশ্র ইফেক্ট মডেলগুলি প্রয়োগ করি নি।


1
এই উত্তরের জন্য ধন্যবাদ। আমি এর আগে কখনও স্প্লিং ব্যবহার করিনি, তবে আমি মনে করি আমি আপনার উদাহরণটি বুঝতে পেরেছি। আমার কয়েকটি ফলো-আপ প্রশ্ন রয়েছে, তা যদি ঠিক থাকে? ১. আপনার উদাহরণ হিসাবে যেমন অলস থেকে আনোভা ফলাফলগুলি দেখার সময়, কোনও কারণের নীচে "সমস্ত মিথস্ক্রিয়া" বলতে কী বোঝায়? অর্থাত্, সমস্ত মিথস্ক্রিয়া কিসের সাথে? ২. মিশ্র-মডেলিং পদ্ধতির ক্ষেত্রে কি একই জাতীয় দৃষ্টিভঙ্গি অনুমোদিত হবে? আমি মনে করি আমি এলোমেলো কারণগুলির প্রয়োজনের সাথে আটকে আছি। আপনার উদাহরণটি উদাহরণস্বরূপ, lme4 এর সাথে সামঞ্জস্যপূর্ণ? ৩. কিছু ইন্টারেক্টিভ ট্রিটমেন্ট শ্রেণিবদ্ধ হলে এই কাজ করবে? উদাহরণস্বরূপ, এক্স 2 যদি 2-স্তরের ফ্যাক্টর হয়?
বাজকজ

2

আমি পরবর্তীতে প্যারামেট্রিক রিগ্রেশন মডেলগুলি অনুমান করতে গিয়েও নির্ভরশীল ভেরিয়েবল এবং ভবিষ্যদ্বাণীকারীদের মধ্যে সম্পর্কের ফাংশন ফর্মগুলি নির্ধারণ করতে আমি ননপ্যারমেট্রিক স্মুথিং রিগ্রেশনগুলি ব্যবহার করার ভক্ত। যদিও আমি প্রায়শই অনৈখিক সম্পর্ক খুঁজে পেয়েছি, এর প্রধান প্রভাবগুলি দৃ non়রূপে ননলাইনারে থাকা অবস্থায়ও আমি কখনই একটি অনৈখিক ইন্টারঅ্যাকশন ইন্টারঅ্যাকশন শব্দটি পাইনি। আমার বাড়িতে নিয়ে যাওয়া: মিথস্ক্রিয়া প্রভাবগুলি ভবিষ্যদ্বাণীকারীদের মতো একই কার্যকরী ফর্মের সমন্বয়ে তৈরি হওয়া প্রয়োজন না যার মধ্যে তারা গঠিত।


সুতরাং, আপনার বাড়ির টিকিটটি হ'ল আমি যদি # 2 বিকল্পটি বেছে নিই তবে আমি নিরাপদে কেবল লিনিয়ার এক্স 1 টার্মের সাথে ইন্টারঅ্যাকশন শর্তাদি অন্তর্ভুক্ত করতে পারি এবং "উচ্চতর অর্ডার ইন্টারঅ্যাকশন শর্তাদি," উদাহরণস্বরূপ X1 X 2 * X3 ইত্যাদির বিষয়ে চিন্তা না করি?
বাজকজ

1
@ বাজকজ ওয়েল ... আমি অনুমান করি যে আমি দুটি জিনিস বলছি: (1) কেবলমাত্র লিনিয়ার-কেবল ইন্টারঅ্যাকশনগুলির সাথে আমি যে ডেটা সেটগুলি পেয়েছি তা পেতে পেরেছি, তবে (2) আমি দেখতে (ননপ্রেমেট্রিক রিগ্রেশনগুলি ব্যবহার করে ) দেখতে পছন্দ করি এবং অনাগত বিকল্পগুলি বিবেচনা করা উচিত কিনা তা ডেটা আমাকে বলুক। [ননলাইনারের পদগুলিতে একটি মডেল ফিট বা হাইপোথিসিস পরীক্ষার পদ্ধতির গ্রহণ করা আইএমও এটি সম্পর্কে ভুল উপায়, যেহেতু এটি অন্তর্ভুক্ত করে, উদাহরণস্বরূপ, অনুকরণের উপর ভিত্তি করে উদাহরণস্বরূপ, ডেটাগুলি না করে বহুবিধ পদগুলির একটি স্বেচ্ছাসেবী সেট]]
অ্যালেক্সিস

3
বিশ্বাস করার কোনও বড় কারণ নেই যে মিথস্ক্রিয়াগুলি লিনিয়ার হওয়ার সম্ভাবনা বেশি। আমি ননলাইনারি ইন্টারঅ্যাকশনের দুর্দান্ত উদাহরণগুলি পেয়েছি। "দেখার" এবং "ডেটা আপনাকে জানাতে" ধারণাটি খারাপ আত্মবিশ্বাসের ব্যবধান কভারেজ সমস্যাগুলি সহ অনুমানের সমস্যাগুলি নিয়ে ভীত হয়।
ফ্র্যাঙ্ক হ্যারেল

1
@ ফ্র্যাঙ্কহারেল ধন্যবাদ! আপনার প্রথম বাক্যটি ঠিক ঠিক আমার (2) উপরের মন্তব্যে (আমার অতীত অভিজ্ঞতা ভবিষ্যতে নাটকীয়ভাবে পরিবর্তিত হতে পারে) পাওয়ার চেষ্টা করছিলাম। ওটিওএইচ: প্রকৃত ডেটা সম্পর্কে তথ্যসূত্রের উপর ভিত্তি করে মডেলিং অনুমানের শৈল্পিকাগুলি সম্পর্কে তথ্যকে কথা বলার সুযোগ না দেওয়া একটি দুর্দান্ত কৌশল।
অ্যালেক্সিস
আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.