1 সম্পর্কিত: হ্যাঁ, vi
মডারেটর হিসাবে যুক্ত করা আসলেই আরও জটিল মডেলগুলিতে এগার পরীক্ষা বাড়ানোর যৌক্তিক উপায়।
প্রকৃতপক্ষে, স্যাম্পলিং বৈকল্পিককে মডারেটর হিসাবে ব্যবহার করা "ফানেলের প্লট অসমমিতির জন্য রিগ্রেশন পরীক্ষা" পরিচালনার কেবল একটি সম্ভাবনা। অন্যরা স্যাম্পলিং বৈকল্পিকগুলির বিপরীত বা স্ট্যান্ডার্ড ত্রুটিগুলি (নমুনা বৈকল্পের বর্গমূল) বা তাদের বিপরীতগুলি বা মোট নমুনার আকার (বা এর কোনও ফাংশন) মডারেটর হিসাবে ব্যবহার করার পরামর্শ দিয়েছেন। এটি সম্পূর্ণ পরিষ্কার নয় যে কোন ভবিষ্যদ্বাণীকারী "সেরা" পছন্দ (এবং এটি আপনার মেটা-বিশ্লেষণের জন্য আপনি কী ফলাফলের পরিমাপ ব্যবহার করেন তার উপর নির্ভর করে)। উদাহরণস্বরূপ, কিছু ব্যবস্থার জন্য, আমরা নমুনা বৈকল্পিকের আনুমানিক / অনুমানের জন্য যে সমীকরণটি ব্যবহার করি তা আসলে পর্যবেক্ষণের ফলাফলের একটি ফাংশন, যা প্রকাশের পক্ষপাতের অভাবে এমনকি স্বয়ংক্রিয়ভাবে দুজনের মধ্যে সম্পর্ক তৈরি করে (বা "ছোট-অধ্যয়ন পক্ষপাত") বা আমরা যা কিছু বলতে চাই)। এই ক্ষেত্রে,
তবে মূল বিষয়টি হ'ল: হ্যাঁ, মডেলটিতে একটি উপযুক্ত মডারেটর যুক্ত করে আরও জটিল মডেলের সাথে কাজ করার সময় রিগ্রেশন টেস্টটি সহজেই প্রয়োগ করা যেতে পারে।
ফানেল প্লটগুলি কার্যকর কিনা বা যখন মাল্টিলেভেল / মাল্টিভারিয়েট স্ট্রাকচারগুলি ডেটার নীচে অন্তর্ভুক্ত থাকে তখন বিতর্কযোগ্য। উদাহরণস্বরূপ, পরিসংখ্যান নির্ভর নির্ভরতার কারণে পয়েন্টগুলির সেটগুলি একসাথে ক্লাস্টার হতে পারে (এটি উপযুক্ত মাল্টিলেভেল / মাল্টিভারিয়েট মডেল ব্যবহার করার সময় গণ্য করা হয়) তবে ফানেল প্লটে পয়েন্টগুলি ঠিক এটি: পয়েন্টগুলির একগুচ্ছ। এটি ফানেলের প্লটগুলির ব্যাখ্যা আরও জটিল করে তোলে কারণ (যদি না আপনি বিভিন্ন রঙ বা চিহ্ন ব্যবহার করে অতিরিক্ত পদক্ষেপ গ্রহণ করেন) তবে আপনি সেই অন্তর্নিহিত নির্ভরতা দেখতে পাচ্ছেন না - বেশিরভাগ লোকেরা (আমার অন্তর্ভুক্ত) এমনকি সরলতম জায়গায় এমনকি ফানেলের প্লটগুলির ব্যাখ্যায়ও ভাল are কেসগুলি (সেখানে গবেষণামূলক গবেষণার বিষয়টি প্রমাণিত হয়!)।
2 সম্পর্কিত: হ্যাঁ, পোস্ট মডেল ফিটিং ফাংশনগুলির একটি গুচ্ছ বর্তমানে rma.mv
মডেল অবজেক্টগুলির সাথে কাজ করে না । আমি এটিকে বাস্তবায়নের লক্ষ্যে পৌঁছতে পারি নি এবং এর কিছুতে আসলে কিছু চিন্তাভাবনা প্রয়োজন। উদাহরণস্বরূপ, leave1out()
একবারে একটি অধ্যয়ন সরিয়ে দেয় - অবিচ্ছিন্ন প্রসঙ্গে, এটি একবারে প্রতিটি পর্যবেক্ষণের ফলাফল অপসারণের সমতুল্য, তবে মাল্টিলেভেল / মাল্টিভারিয়েট ডেটা কী? এছাড়াও প্রতিটি পর্যবেক্ষণের ফলাফল একবারে মুছে ফেলবেন? বা পয়েন্টের সেট অপসারণ করবেন? বা বিভিন্ন বিকল্প উপলব্ধ করা? ট্রিম-এন্ড-ফিলের ক্ষেত্রে (এই পদ্ধতিটি আসলে কীভাবে কার্যকর তা প্রশ্ন বাদ দিয়ে): মাল্টিলেভাল / মাল্টিভারিয়েট ডেটাতে পদ্ধতিটি প্রসারিত করা একটি সম্পূর্ণ কাগজ লেখার জন্য উপযুক্ত।
সুতরাং, এটি দুর্দান্ত যে আপনি সংবেদনশীলতা বিশ্লেষণ করতে চান, তবে এই মুহূর্তে আপনাকে ম্যানুয়ালি কিছু করতে হবে। লেভ-ওয়ান-আউট বিশ্লেষণগুলি সহজেই একটি সরল ফর-লুপ এবং "একটি" কী তা (যেমন, প্রতিটি পর্যবেক্ষণের ফলাফল, প্রতিটি ক্লাস্টার / অধ্যয়ন) কী তা সম্পর্কে সাবধানতার সাথে চিন্তা করে করা হয়। আপনি রিগ্রেশন পরীক্ষা করতে পারেন এবং আপাতত ট্রিম-এন্ড-ফিল পূরণ করতে পারেন। স্ট্যান্ডার্ডাইজড অবশিষ্টাংশগুলি এর মাধ্যমে উপলভ্য rstandard()
, যাতে আপনি সম্ভাব্য বিদেশীগুলির জন্য ডেটা পরীক্ষা করতে পারেন। আপনি টুপি মূল্যগুলি hatvalues()
(তির্যক বা পুরো টুপি ম্যাট্রিক্স বরাবর কেবল লিভারেজ ) এর মাধ্যমে পেতে পারেন যা আপনাকে এমন একটি ইঙ্গিত দেয় যা ফলাফলগুলিতে পয়েন্টগুলির শক্তিশালী প্রভাব রয়েছে। এই প্রসঙ্গে আরেকটি সত্যিকারের দরকারী পরিমাপ হ'ল কুকের দূরত্ব , যা আপনি বস্তুর cooks.distance()
জন্যও পেতে পারেন rma.mv
।