আমি মনে করি না যে আপনি আরএম-আনোভা দিয়ে যা করতে চান তা আপনি সহজেই করতে পারেন যেহেতু পুনর্বার সংখ্যাগুলি সমস্ত বিষয়ের জন্য এক নয়। মিশ্রিত-প্রভাবের মডেলগুলি চালানো আর তে খুব সহজ In বাস্তবে, মৌলিক বিষয়গুলি এবং আদেশগুলি শেখার জন্য কিছুটা সময় ব্যয় করে, এটি আপনার পক্ষে প্রচুর সম্ভাবনা খুলে দেবে। আমি মিশ্র-মডেলিংটি ব্যবহার করতে আরও সহজ এবং আরও নমনীয় এবং প্রায় কখনও সরাসরি আরএম-আনোভা করার দরকার পড়ে না। পরিশেষে, বিবেচনা করুন যে মিশ্র মডেলিংয়ের সাহায্যে আপনি অবশিষ্টাংশের সামঞ্জস্য কাঠামোর জন্যও অ্যাকাউন্ট করতে পারেন (আরএম-আনোভা কেবল একটি তির্যক কাঠামো ধরে নেয়) যা অনেকগুলি অ্যাপ্লিকেশনের জন্য গুরুত্বপূর্ণ হতে পারে।
আরে রৈখিক মিশ্র মডেলিংয়ের জন্য দুটি প্রধান প্যাকেজ রয়েছে: nlmeএবং lme4। lme4প্যাকেজ আরো আধুনিক এক যা বৃহৎ ডেটাসেট জন্য এবং মামলা আপনি ক্লাস্টার তথ্য সাথে মোকাবিলা জন্য মহান হয়। Nlmeএটি পুরানো প্যাকেজ এবং বেশিরভাগের পক্ষে হ্রাস করা হয় lme4। তবে, পুনরাবৃত্তি ব্যবস্থাগুলির নকশাগুলির জন্য এটি এখনও আরও ভাল lme4যেহেতু কেবলমাত্র nlmeআপনার অবশিষ্টাংশের সাম্প্রতিক কাঠামোর মডেল করতে দেয়। এর বেসিক সিনট্যাক্সটি nlmeখুব সহজ। উদাহরণ স্বরূপ:
fit.1 <- lme(dv ~ x + t, random=~1|subject, cor=corCompSymm())
এখানে আমি নির্ভরশীল ভেরিয়েবল dvএবং একটি ফ্যাক্টর xএবং সময়ের সাথে সম্পর্কিত কোভারিয়েটের মধ্যে সম্পর্কের মডেলিং করছি t। Subjectএলোমেলো প্রভাব এবং আমি অবশিষ্টাংশের covariance জন্য একটি যৌগিক প্রতিসম কাঠামো ব্যবহার করেছি। এখন আপনি সহজেই এর মাধ্যমে কুখ্যাত পি-মানগুলি পেতে পারেন:
anova(fit.1)
অবশেষে, আমি আপনাকে এনএলএম এর আরও নির্দিষ্ট রেফারেন্স গাইড, এস এবং এস-প্লাসের মিশ্রিত প্রভাব মডেলগুলি ব্যবহার করে আরও পড়তে পরামর্শ দিতে পারি । নতুনদের জন্য আর একটি ভাল রেফারেন্স হ'ল লিনিয়ার মিক্সড মডেলস - স্ট্যাটিস্টিকাল সফ্টওয়্যার ব্যবহার করে একটি ব্যবহারিক গাইড যা আর, এসএএস, এসপিএস ইত্যাদির কোড সহ মিশ্র মডেলিংয়ের বিভিন্ন অ্যাপ্লিকেশনগুলির প্রচুর উদাহরণ সংকলন করে which