রৈখিক মিশ্র মডেলগুলিতে এলোমেলো- এবং স্থির-প্রতিক্রিয়া কাঠামো কীভাবে চয়ন করবেন?


19

বিষয়গুলি ডিজাইনের মধ্যে দ্বি-মুখী থেকে নিম্নলিখিত ডেটা বিবেচনা করুন:

df <- "http://personality-project.org/r/datasets/R.appendix4.data"
df <- read.table(df,header=T)
head(df)

Observation Subject Task Valence Recall
1           1     Jim Free     Neg      8
2           2     Jim Free     Neu      9
3           3     Jim Free     Pos      5
4           4     Jim Cued     Neg      7
5           5     Jim Cued     Neu      9
6           6     Jim Cued     Pos     10

আমি মিশ্র-লিনিয়ার মডেলগুলি ব্যবহার করে এটি বিশ্লেষণ করতে চাই। সমস্ত সম্ভাব্য স্থির- এবং এলোমেলো-প্রভাব বিবেচনা করে একাধিক সম্ভাব্য মডেল রয়েছে:

# different fixed effects with random-intercept
a0 <- lmer(Recall~1 + (1|Subject), REML=F,df)
a1 <- lmer(Recall~Task + (1|Subject), REML=F,df)
a2 <- lmer(Recall~Valence + (1|Subject), REML=F,df)
a3 <- lmer(Recall~Task+Valence + (1|Subject), REML=F,df)
a4 <- lmer(Recall~Task*Valence + (1|Subject), REML=F,df)

# different fixed effects with random-intercept-random-slope
b0 <- lmer(Recall~1 + (1|Subject) + (0+Task|Subject) + (0+Valence|Subject), REML=F,df)
b1 <- lmer(Recall~Task + (1|Subject) + (0+Task|Subject) + (0+Valence|Subject), REML=F,df)
b2 <- lmer(Recall~Valence + (1|Subject) + (0+Task|Subject) + (0+Valence|Subject), REML=F,df)
b3 <- lmer(Recall~Task+Valence + (1|Subject) + (0+Task|Subject) + (0+Valence|Subject), REML=F,df)
b4 <- lmer(Recall~Task*Valence + (1|Subject) + (0+Task|Subject) + (0+Valence|Subject), REML=F,df)

# different fixed effects with random-intercept-random-slope including variance-covariance matrix
c0 <- lmer(Recall~1 + (1 + Valence + Task|Subject), REML=F,df)
c1 <- lmer(Recall~Task + (1 + Valence + Task|Subject), REML=F,df)
c2 <- lmer(Recall~Valence + (1 + Valence + Task|Subject), REML=F,df)
c3 <- lmer(Recall~Task+Valence + (1 + Valence + Task|Subject), REML=F,df)
c4 <- lmer(Recall~Task*Valence + (1 + Valence + Task|Subject), REML=F,df)
  1. এই প্রসঙ্গে সেরা ফিটিং মডেল নির্বাচন করার প্রস্তাবিত উপায় কী? লগ-সম্ভাবনা অনুপাত পরীক্ষা ব্যবহার করার সময় প্রস্তাবিত পদ্ধতিটি কী? উপরের দিকে মডেল তৈরি করা (নাল মডেল থেকে বেশ জটিল মডেল পর্যন্ত) বা নীচের দিকে (বেশিরভাগ জটিল মডেল থেকে নাল মডেল থেকে)? পদক্ষেপের অন্তর্ভুক্তি বা বর্জন? বা সমস্ত লগকে একটি লগ-সম্ভাবনা অনুপাত পরীক্ষায় রাখার এবং সর্বনিম্ন পি-মান সহ মডেলটি নির্বাচন করার পরামর্শ দেওয়া হয়? নেস্টেড নয় এমন মডেলগুলি কীভাবে তুলনা করবেন?

  2. প্রথমে উপযুক্ত স্থির-প্রতিক্রিয়া কাঠামো এবং তারপরে উপযুক্ত এলোমেলো-প্রভাব কাঠামো বা অন্যভাবে রাউন্ড (উভয় বিকল্পের জন্য রেফারেন্স পেয়েছি ...) সন্ধান করার পরামর্শ দেওয়া হচ্ছে?

  3. ফলাফল রিপোর্ট করার প্রস্তাবিত উপায় কী? লগ-সম্ভাবনা অনুপাতের পরীক্ষা থেকে সম্পূর্ণ মিশ্র-মডেল (প্রশ্নের সাথে প্রভাব সহ) হ্রাস করা মডেল (প্রশ্নের কোনও প্রভাব ছাড়াই) তুলনা করে পি-ভ্যালু রিপোর্ট করা। অথবা সেরা ফিটিং মডেলটি সন্ধান করার জন্য লগ-সম্ভাবনা অনুপাতের পরীক্ষাটি ব্যবহার করা ভাল এবং তারপরে সেরা ফিটিং মডেলটির প্রভাবগুলি থেকে পি-ভ্যালুগুলি রিপোর্ট করতে লামার টেস্ট ব্যবহার করা ভাল?

উত্তর:


18

আমি নিশ্চিত নই যে এর সত্যিকারের কোনও যুক্তিযুক্ত উত্তর আছে তবে আমি এটি শট দেব।

এই প্রসঙ্গে সেরা ফিটিং মডেল নির্বাচন করার প্রস্তাবিত উপায় কী? লগ-সম্ভাবনা অনুপাত পরীক্ষা ব্যবহার করার সময় প্রস্তাবিত পদ্ধতিটি কী? উপরের দিকে মডেল তৈরি করা (নাল মডেল থেকে বেশ জটিল মডেল পর্যন্ত) বা নীচের দিকে (বেশিরভাগ জটিল মডেল থেকে নাল মডেল থেকে)? পদক্ষেপের অন্তর্ভুক্তি বা বর্জন? বা সমস্ত লগকে একটি লগ-সম্ভাবনা অনুপাত পরীক্ষায় রাখার এবং সর্বনিম্ন পি-মান সহ মডেলটি নির্বাচন করার পরামর্শ দেওয়া হয়? নেস্টেড নয় এমন মডেলগুলি কীভাবে তুলনা করবেন?

এটি আপনার লক্ষ্যগুলি কী তা নির্ভর করে।

  • সাধারণভাবে আপনি হওয়া উচিত খুব , খুব মডেল নির্বাচন বিষয়ে সতর্ক (যেমন দেখুন এই উত্তর , অথবা এই পোস্টে , বা শুধু গুগল "Harrell ধাপে ধাপে" ...)।
  • আপনি যদি নিজের পি-মানগুলি অর্থবহ হতে আগ্রহী হন (যেমন আপনি নিশ্চিতকরণের হাইপোথিসিস পরীক্ষা করছেন) তবে আপনার মডেল নির্বাচন করা উচিত নয়তবে : এটি মডেলের নির্বাচনের পদ্ধতিগুলি যথেষ্ট খারাপ কিনা তা আমার কাছে এতটা স্পষ্ট নয় যে আপনি যদি মডেলের অন-ফোকাল অংশগুলিতে মডেল নির্বাচন করছেন, উদাহরণস্বরূপ, যদি আপনার প্রাথমিক আগ্রহ স্থির প্রভাবগুলির উপর নির্ভর করে তবে এলোমেলো প্রভাবগুলিতে মডেল নির্বাচন করা।
  • "সমস্ত সম্ভাব্য মডেলগুলিকে একটি সম্ভাবনা অনুপাত পরীক্ষায় রাখার" মতো কোনও বিষয় নেই - সম্ভাবনা অনুপাতের পরীক্ষাটি একটি যুগল পদ্ধতি। যদি আপনি এলোমেলো প্রভাবগুলিতে মডেল নির্বাচন (উদাহরণস্বরূপ) করতে চান, তবে আমি সম্ভবত উদাহরণ হিসাবে যেমন মাপদণ্ড ব্যবহার করে একটি "সমস্ত একবারে" পদ্ধতির সুপারিশ করব - যা কমপক্ষে পদক্ষেপের পদ্ধতির কিছু সমস্যা এড়িয়ে চলে (তবে তা নয়) আরও সাধারণভাবে মডেল নির্বাচন)।
  • বার এট আল। 2013 "এটিকে সর্বোচ্চ রাখুন" মেমরি এবং ভাষার জার্নাল (doi: 10.1016 / j.jML.2012.11.001) সর্বাধিক মডেল (কেবল) ব্যবহার করার পরামর্শ দিবে।
  • শ্রাবণ বশিষ্ঠ একমত নন , যুক্তি দিয়েছিলেন যে এই জাতীয় মডেলগুলি বিদ্যুৎপাতী হতে চলেছে এবং তাই ডেটা সেটটি খুব বড় না হওয়া পর্যন্ত সমস্যাযুক্ত (এবং সংকেত-থেকে-শব্দ অনুপাত বেশি)
  • আরেকটি যুক্তিসঙ্গতভাবে ডিফেন্সেবল পদ্ধতির একটি বৃহত তবে যুক্তিসঙ্গত মডেল ফিট করা এবং তারপরে, ফিটটি একক হলে, শর্তগুলি অপসারণ না করা পর্যন্ত এটি অপসারণ করুন
  • কিছু সাবধানতার সাথে ( জিএলএমএম এফএকিউতে গণিত ), আপনি নান -নেস্টেড মডেলগুলিকে বিভিন্ন র্যান্ডম এফেক্টের সাথে তুলনা করতে তথ্যের মানদণ্ড ব্যবহার করতে পারেন (যদিও ব্রায়ান রিপলি একমত নন: এখানে পৃষ্ঠাগুলি 6 দেখুন )

প্রথমে উপযুক্ত স্থির-প্রতিক্রিয়া কাঠামো এবং তারপরে উপযুক্ত এলোমেলো-প্রভাব কাঠামো বা অন্যভাবে রাউন্ড (উভয় বিকল্পের জন্য রেফারেন্স পেয়েছি ...) সন্ধান করার পরামর্শ দেওয়া হচ্ছে?

আমার মনে হয় না কেউ জানে। আরও সাধারণভাবে মডেল নির্বাচন সম্পর্কে পূর্ববর্তী উত্তর দেখুন। আপনি যদি আপনার লক্ষ্যগুলি যথেষ্ট পরিস্কারভাবে সংজ্ঞায়িত করতে পারেন (যা কিছু লোকই করেন) তবে প্রশ্নটি উত্তরযোগ্য হতে পারে। যদি আপনার উভয় বিকল্পের জন্য রেফারেন্স থাকে, তবে আপনার প্রশ্নগুলি এগুলি অন্তর্ভুক্ত করার জন্য এটি সম্পাদনা করা কার্যকর হবে ... (এটির মূল্য কী, এই উদাহরণটি (ইতিমধ্যে উপরে উদ্ধৃত) র্যান্ডম এফেক্টস অংশটি নির্বাচনের জন্য তথ্যের মানদণ্ড ব্যবহার করে, তারপরে নির্বাচনের উপর নির্ভরশীল মডেল স্থির-প্রভাব অংশ।

ফলাফল রিপোর্ট করার প্রস্তাবিত উপায় কী? লগ-সম্ভাবনা অনুপাতের পরীক্ষা থেকে সম্পূর্ণ মিশ্র-মডেল (প্রশ্নের সাথে প্রভাব সহ) হ্রাস করা মডেল (প্রশ্নের কোনও প্রভাব ছাড়াই) তুলনা করে পি-ভ্যালু রিপোর্ট করা। অথবা সেরা ফিটিং মডেলটি সন্ধান করার জন্য লগ-সম্ভাবনা অনুপাতের পরীক্ষাটি ব্যবহার করা ভাল এবং তারপরে সেরা ফিটিং মডেলটির প্রভাবগুলি থেকে পি-ভ্যালুগুলি রিপোর্ট করতে লামার টেস্ট ব্যবহার করা ভাল?

এটি (হায়রে) আরও একটি কঠিন প্রশ্ন। আপনি প্রতিবেদন তাহলে প্রান্তিক প্রভাব যেমন দ্বারা রিপোর্ট lmerTest, আপনি marginality সম্পর্কে চিন্তা করতে হবে (যেমন, কিনা প্রধান প্রভাব অনুমান Aএবং Bঅর্থপূর্ণ যখন সেখানে একটা হল Aবাই Bমডেল মিথষ্ক্রিয়া); এটি কৃমির বিশাল ক্যান, তবে আপনি যদি সুপারিশ হিসাবে ব্যবহার করেন তবে কিছুটা প্রশমিত হবে । ভারসাম্যযুক্ত ডিজাইনগুলিও কিছুটা সহায়তা করে। যদি আপনি এই সমস্ত ফাটলগুলি সত্যই কাগজ করতে চান তবে আমি মনে করি যে আমি সুপারিশ করব যা আপনাকে অনুরূপ আউটপুট দেয় তবে এই সমস্যাগুলি মোকাবেলা করার চেষ্টা করে।contrasts="sum"afex::mixed()afex::mixedlmerTest


12

আপডেট মে 2017 : যেমনটি দেখা যাচ্ছে যে আমি এখানে যা লিখেছি তার একটি বেশিরভাগ অংশ অন্যায় । কিছু পোস্ট পোস্ট জুড়ে করা হয়।


বেন বলকার ইতিমধ্যে যা বলেছেন তা নিয়ে আমি অনেকটাই একমত (এর জন্য চেঁচামেচি করার জন্য ধন্যবাদ afex::mixed()) তবে আমাকে এই বিষয়ে আরও কয়েকটি সাধারণ এবং নির্দিষ্ট চিন্তাভাবনা যুক্ত করতে দিন।

স্থির বনাম এলোমেলো প্রভাব এবং কীভাবে ফলাফল প্রতিবেদন করবেন তার উপর ফোকাস করুন

জনাথন ব্যারন যে উদাহরণস্বরূপ ডেটা সেট করেছেন তা উদাহরণস্বরূপ যে ধরনের পরীক্ষামূলক গবেষণার জন্য আপনি গুরুত্বপূর্ণ প্রশ্নটি ব্যবহার করেন তা হ'ল ম্যানিপুলেটেড ফ্যাক্টরটির সামগ্রিক প্রভাব রয়েছে কিনা তা সাধারণত । উদাহরণস্বরূপ, আমরা কি সামগ্রিক প্রধান প্রভাব বা এর মিথস্ক্রিয়া খুঁজে পাই Task? একটি গুরুত্বপূর্ণ বিষয় হ'ল সেই ডেটা সেটগুলিতে সাধারণত সমস্ত উপাদান সম্পূর্ণ পরীক্ষামূলক নিয়ন্ত্রণের অধীনে থাকে এবং এলোমেলোভাবে নির্ধারিত হয়। ফলস্বরূপ, আগ্রহের ফোকাস সাধারণত স্থির প্রভাবগুলিতে থাকে।
বিপরীতে, এলোমেলো প্রভাব উপাদানগুলিকে "উপদ্রব" পরামিতি হিসাবে দেখা যেতে পারে যা নিয়মিত পদ্ধতিতে ভিন্নতা (যেমন, প্রভাবের আকারের আন্ত-স্বতন্ত্র পার্থক্য) ক্যাপচার করে যা মূল প্রশ্নের জন্য প্রয়োজনীয় নয়। এই দৃষ্টিকোণ থেকে ব্যার এট আল দ্বারা সর্বাধিক র্যান্ডম এফেক্টস কাঠামো ব্যবহারের পরামর্শ। কিছুটা প্রাকৃতিকভাবে অনুসরণ করে। এটি সহজেই কল্পনা করা যায় যে পরীক্ষামূলক হেরফেরটি সমস্ত ব্যক্তিকে ঠিক একইভাবে প্রভাবিত করে না এবং আমরা এটি নিয়ন্ত্রণ করতে চাই। অন্যদিকে, কারণ বা স্তরের সংখ্যা সাধারণত খুব বেশি হয় না যাতে ওভারফিটের ঝুঁকি তুলনামূলকভাবে কম মনে হয়।

ফলস্বরূপ, আমি বার বার এট এর পরামর্শ অনুসরণ করব। এবং সর্বাধিক এলোমেলো প্রভাবগুলির কাঠামো নির্দিষ্ট করুন এবং আমার প্রধান ফলাফল হিসাবে স্থির প্রভাবগুলির পরীক্ষার প্রতিবেদন করুন। নির্দিষ্ট প্রভাবগুলি পরীক্ষা করার জন্য আমি afex::mixed()এটি ব্যবহার করার পরামর্শও দেব কারণ এটি প্রভাবগুলি বা কারণগুলির পরীক্ষাগুলির (প্যারামিটারগুলির পরীক্ষার পরিবর্তে) রিপোর্ট করে এবং সেই পরীক্ষাগুলি কিছুটা বুদ্ধিমান উপায়ে গণনা করে (যেমন, সমস্ত মডেলের জন্য একই র্যান্ডম এফেক্ট স্ট্রাকচার ব্যবহার করে যেখানে একটি একক প্রভাব সরানো হয়, যোগফল থেকে শূন্য-বিপরীতে ব্যবহার করে, পি- মূল্যগুলি গণনা করার জন্য বিভিন্ন পদ্ধতি সরবরাহ করে , ...)।

উদাহরণ ডেটা সম্পর্কে কি

উদাহরণস্বরূপ আপনি যে ডেটা দিয়েছেন তাতে সমস্যাটি হ'ল এই ডেটাসেটের জন্য সর্বাধিক র্যান্ডম এফেক্টস স্ট্রাকচারটি ওভারস্যাচুরেটেড মডেলের দিকে নিয়ে যায় কারণ ডিজাইনের প্রতি সেলে কেবল একটি ডেটা পয়েন্ট থাকে:

> with(df, table(Valence, Subject, Task))
, , Task = Cued

       Subject
Valence Faye Jason Jim Ron Victor
    Neg    1     1   1   1      1
    Neu    1     1   1   1      1
    Pos    1     1   1   1      1

, , Task = Free

       Subject
Valence Faye Jason Jim Ron Victor
    Neg    1     1   1   1      1
    Neu    1     1   1   1      1
    Pos    1     1   1   1      1

ফলস্বরূপ, lmerসর্বাধিক এলোমেলো প্রভাব স্ট্রাকচারের উপরে চাপ দেওয়া:

> lmer(Recall~Task*Valence + (Valence*Task|Subject), df)
Error: number of observations (=30) <= number of random effects (=30) for term
(Valence * Task | Subject); the random-effects parameters and the residual variance
(or scale parameter) are probably unidentifiable

দুর্ভাগ্যক্রমে, আমার জ্ঞানের সাথে এই সমস্যাটি মোকাবিলার পথে কোনও সম্মতি নেই। তবে আমাকে স্কেচ এবং কিছু আলোচনা করতে দিন:

  1. প্রথম সমাধানটি হ'ল সর্বোচ্চ এলোমেলো slালু অপসারণ এবং এই মডেলের জন্য প্রভাবগুলি পরীক্ষা করা:

    require(afex)
    mixed(Recall~Task*Valence + (Valence+Task|Subject), df)
            Effect    F ndf  ddf F.scaling p.value
    1         Task 6.56   1 4.00      1.00     .06
    2      Valence 0.80   2 3.00      0.75     .53
    3 Task:Valence 0.42   2 8.00      1.00     .67

    তবে, এই সমাধানটি সামান্য অ্যাড-হক এবং অতিরিক্ত উত্সাহপ্রাপ্ত নয়।

    আপডেট মে 2017: এটি বর্তমানে আমি সমর্থন করছি এমন পদ্ধতির। দেখুন এই ব্লগ পোস্টের এবং অধ্যায়ের খসড়া আমি সহ-রচনা am , "Designs প্রথাগত ANOVA জন্য এলোমেলো এফেক্টস কাঠামো" বিভাগে।

  2. একটি বিকল্প সমাধান (এবং এটি বার বার এট আলকের আলোচনার মাধ্যমে সমর্থন করা হিসাবে দেখা যেতে পারে) সর্বদা ক্ষুদ্রতম প্রভাবের জন্য এলোমেলো .ালু অপসারণ করা হতে পারে। যদিও এর দুটি সমস্যা রয়েছে: (১) কোন ক্ষুদ্রতম প্রভাবটি তা খুঁজে পেতে আমরা কোন এলোমেলো প্রভাবের কাঠামো ব্যবহার করি এবং (২) আর নিম্ন-অর্ডার প্রভাব যেমন মুখ্য প্রভাব হিসাবে অপসারণ করতে নারাজ যদি উচ্চতর আদেশের প্রভাব যেমন একটি এই প্রভাবের মিথস্ক্রিয়া উপস্থিত ( এখানে দেখুন )। ফলস্বরূপ, একজনকে হাত দিয়ে এই র্যান্ডম এফেক্টস স্ট্রাকচার সেটআপ করতে হবে এবং এতটা নির্মান মডেল ম্যাট্রিক্সকে লমার কলটিতে পাস করতে হবে।

  3. তৃতীয় সমাধানটি হতে পারে এলোমেলো প্রভাবগুলির অংশের বিকল্প প্যারামিট্রাইজেশন, যা এই ডেটার জন্য আরএম-আনোভা মডেলের সাথে সম্পর্কিত। দুর্ভাগ্যক্রমে (?), lmer"নেতিবাচক রূপগুলিকে" অনুমতি দেয় না তাই এই প্যারামিটারাইজেশনটি সমস্ত ডেটা সেটের জন্য আরএম-আনোভা-র সাথে যথাযথভাবে সামঞ্জস্য করে না , এখানে এবং অন্য কোথাও আলোচনা দেখুন (যেমন এখানে এবং এখানে )। এই ডেটাগুলির জন্য "লিমার-আনোভা" হ'ল:

    > mixed(Recall~Task*Valence + (1|Subject) + (1|Task:Subject) + (1|Valence:Subject), df)
            Effect    F ndf  ddf F.scaling p.value
    1         Task 7.35   1 4.00      1.00     .05
    2      Valence 1.46   2 8.00      1.00     .29
    3 Task:Valence 0.29   2 8.00      1.00     .76

এই সমস্ত সমস্যাগুলির জন্য আমি lmerসুনির্দিষ্ট ডাটা সেটগুলির জন্য ব্যবহার করব না যার জন্য সর্বাধিক এলোমেলো প্রভাব কাঠামোর সমস্যার সমাধানের জন্য যদি আরও একমত না হয় তবে ডিজাইনের প্রতি সেলে কেবলমাত্র একটি ডেটা পয়েন্ট থাকে।

  1. পরিবর্তে, আমি একজন এখনও ক্লাসিকাল আনোভা ব্যবহার করতে পারতাম। থেকে চাদরে একটি ব্যবহার car::Anova()মধ্যে afexফলাফল হবে:

    > aov4(Recall~Task*Valence + (Valence*Task|Subject), df)
            Effect         df  MSE      F  ges   p
    1      Valence 1.44, 5.75 4.67   1.46  .02 .29
    2         Task       1, 4 4.08 7.35 +  .07 .05
    3 Valence:Task 1.63, 6.52 2.96   0.29 .003 .71

    দ্রষ্টব্য যে afexএখন যে মডেলটি পোস্ট-হক পরীক্ষার জন্য aovপ্রেরণ করা যেতে পারে সেগুলি ফিরিয়ে আনতেও অনুমতি দেয় lsmeans(তবে প্রতিক্রিয়াগুলির দ্বারা পরীক্ষিত ফলাফলগুলি car::Anovaআরও যুক্তিসঙ্গত):

    > require(lsmeans)
    > m <- aov4(Recall~Task*Valence + (Valence*Task|Subject), df, return = "aov")
    > lsmeans(m, ~Task+Valence)
     Task Valence lsmean       SE   df lower.CL upper.CL
     Cued Neg       11.8 1.852026 5.52  7.17157 16.42843
     Free Neg       10.2 1.852026 5.52  5.57157 14.82843
     Cued Neu       13.0 1.852026 5.52  8.37157 17.62843
     Free Neu       11.2 1.852026 5.52  6.57157 15.82843
     Cued Pos       13.6 1.852026 5.52  8.97157 18.22843
     Free Pos       11.0 1.852026 5.52  6.37157 15.62843
    
    Confidence level used: 0.95 

(+1) "দুর্ভাগ্যক্রমে, লিমারটি নেতিবাচক সম্পর্কের অনুমতি দেয় না" - এটি কি "নেতিবাচক রূপগুলির অনুমতি দেয় না"? এছাড়াও, পুনরায় আপডেট করুন: এই উত্তরে "ভুল-ইশ" ঠিক কী সম্পর্কে আপনি আরও স্পষ্ট হতে পারেন?
অ্যামিবা বলেছেন মোনিকা

(আমি লিঙ্কযুক্ত পোস্টটি পড়েছি এবং মনে হচ্ছে যে এখানে প্রধান বার্তাটি হ'ল এখানে # 1 হিসাবে তালিকাভুক্ত পদ্ধতিটি আপনার ভাবার চেয়ে বেশি কোশার Cor সঠিক? আপনি এখন যদি এটি মনে করেন তবে এটি # 3 বা # 4 এর চেয়েও ভাল? )।
অ্যামিবা বলেছেন মোনিকা

@ মোয়েবা হ্যাঁ আপনি ঠিক বলেছেন আমি এখানে ঠিক সেই অনুযায়ী আমার উত্তর আপডেট করতে খুব অলস ছিল।
হেনরিক

@ মোয়েবা এবং আপনিও সঠিক সম্পর্ক lmerনেতিবাচক বৈকল্পিকগুলিকে অনুমতি দেয় না তবে বৈকল্পিক উপাদানগুলির মধ্যে অবশ্যই নেতিবাচক পারস্পরিক সম্পর্ক রয়েছে।
হেনরিক

1
আমি কিছু সম্পাদনা করেছি, আপনি এটি নিশ্চিত করতে চাইতে পারেন যে আমি আপনাকে ভুল উপস্থাপন করি নি।
অ্যামিবা বলছেন মনিকা
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.