আনোভা এবং রেজিস্ট্রেশন সমতুল্য বিষয়ে আমার বিয়ারিংগুলি পাওয়ার ক্ষেত্রে এই অস্থায়ী (প্রগতিতে) প্রয়াসটি সম্পূর্ণ করার জন্য কী আমি সহায়তা পেতে পারি? আমি এই দুটি পদ্ধতির ধারণাগুলি, নামকরণ এবং সিনট্যাক্সের পুনর্মিলন করার চেষ্টা করছি। এই সাইটে তাদের সাধারণতা সম্পর্কে অনেকগুলি পোস্ট রয়েছে, উদাহরণস্বরূপ এটি বা এটি , তবে শুরু করার সাথে সাথে দ্রুত "আপনি এখানে আছেন" মানচিত্রটি পাওয়া এখনও ভাল।
আমি এই পোস্টটি আপডেট করার পরিকল্পনা করছি এবং ভুলগুলি সংশোধন করতে সহায়তা পাব বলে আশা করি।
একমুখী আনোভা:
Structure: DV is continuous; IV is ONE FACTOR with different LEVELS.
Scenario: miles-per-gal. vs cylinders
Note that Income vs Gender (M, F) is a t-test.
Syntax: fit <- aov(mpg ~ as.factor(cyl), data = mtcars); summary(fit); TukeyHSD(fit)
Regression: fit <- lm(mpg ~ as.factor(cyl), mtcars)
# with F dummy coded;
summary(fit); anova(fit)
দ্বিমুখী আনোভা:
Structure: DV is continuous; IV is > 1 FACTORS with different LEVELS.
Scenario: mpg ~ cylinders & carburators
Syntax: fit <- aov(mpg ~ as.factor(cyl) + as.factor(carb), mtcars);
summary(fit); TukeyHSD(fit)
Regression: fit <- lm(mpg ~ as.factor(cyl) + as.factor(carb), mtcars)
# with F dummy coded;
summary(fit); anova(fit)
দ্বি-মুখের ফ্যাক্টরিয়াল আনোভা:
Structure: All possible COMBINATIONS of LEVELS are considered.
Scenario: mpg ~ cylinders + carburetors + (4cyl/1,...8cyl/4)
Syntax: fit <- aov(mpg ~ as.factor(cyl) * as.factor(carb), mtcars);
summary(fit); TukeyHSD(fit)
Regression: fit <- lm(mpg ~ as.factor(cyl) * as.factor(carb), mtcars)
# with F dummy coded;
summary(fit); anova(fit)
ANCOVA:
Structure: DV continuous ~ Factor and continuous COVARIATE.
Scenario: mpg ~ cylinders + weight
Syntax: fit <- aov(mpg ~ as.factor(cyl) + wt, mtcars); summary(fit)
Regression: fit <- lm(mpg ~ as.factor(cyl) + wt, mtcars)
# with F dummy coded;
summary(fit); anova(fit)
MANOVA:
Structure: > 1 DVs continuous ~ 1 FACTOR ("One-way") or 2 FACTORS ("Two-way MANOVA").
Scenario: mpg and wt ~ cylinders
Syntax: fit <- manova(cbind(mpg,wt) ~ as.factor(cyl), mtcars); summary(fit)
Regression: N/A
MANCOVA:
Structure: > 1 DVs continuous ~ 1 FACTOR + 1 continuous (covariate) DV.
Scenario: mpg and wt ~ cyl + displacement (cubic inches)
Syntax: fit <- manova(cbind(mpg,wt) ~ as.factor(cyl) + disp, mtcars); summary(fit)
Regression: N/A
ফ্যাক্টর (বা সাবজেক্ট) ছাড়াই আনোভা: ( এখানে কোড )
Structure: DV continuous ~ FACTOR with each level * with subject (repeated observations).
Extension paired t-test. Each subject measured at each level multiple times.
Scenario: Memory rate ~ Emotional value of words for Subjects @ Times
Syntax: fit <- aov(Recall_Rate ~ Emtl_Value * Time + Error(Subject/Time), data);
summary(fit); print(model.tables(fit, "means"), digits=3);
boxplot(Recall_Rate ~ Emtl_Value, data=data)
with(data, interaction.plot(Time, Emtl_Value, Recall_Rate))
with(data, interaction.plot(Subject, Emtl_Value, Recall_Rate))
NOTE: Data should be in the LONG FORMAT (same subject in multiple rows)
Regression: Mixed Effects
require(lme4); require(lmerTest)
fit <- lmer(Recall_Rate ~ Emtl_Value * Time + (1|Subject/Time), data);
anova(fit); summary(fit); coefficients(fit); confint(fit)
or
require(nlme)
fit <- lme(Recall_Rate ~ Emtl_Value * Time, random = ~1|Subject/Time, data)
summary(fit); anova(fit); coefficients(fit); confint(fit)
স্প্লিট প্লট: ( এখানে কোড )
Structure: DV continuous ~ FACTOR/-S with RANDOM EFFECTS and pseudoreplication.
Scenario: Harvest yield ~ Factors = Irrigation / Density of seeds / Fertilizer
& RANDOM EFFECTS (Blocks and plots of land):
Syntax: fit <- aov(yield ~ irrigation * density * fertilizer +
Error(block/irrigation/density), data); summary(fit)
Regression: Mixed Effects
require(lme4); require(lmerTest);
fit <- lmer(yield ~ irrigation * fertilizer +
(1|block/irrigation/density), data = splityield);
anova(fit); summary(fit); coefficients(fit); confint(fit)
or
library(nlme)
fit <- lme(yield ~ irrigation * variety, random=~1|field, irrigation)
summary(fit); anova(fit)
প্রয়োজনীয় ডিজাইন: ( এখানে কোড )
Structure: DV continuous ~ FACTOR/-S with pseudoreplication.
Scenario: [Glycogen] ~ Factors = Treatment & RANDOM EFFECTS with Russian-doll effect:
Six rats (6 Livers)-> 3 Microscopic Slides/Liver-> 2 Readings/Slide).
Syntax: fit <- aov(Glycogen ~ Treatment + Error(Rat/Liver), data); summary(fit)
Regression: Mixed Effects
require(lme4); require(lmerTest)
fit <- lmer(Glycogen ~ Treatment + (1|Rat/Liver), rats);
anova(fit); summary(fit); coefficients(fit); confint(fit)
or
require(nlme)
fit<-lme(Glycogen ~ Treatment, random=~1|Rat/Liver, rats)
summary(fit); anova(fit); VarCorr(fit)
কার্যকর সাইটগুলি:
ধন্যবাদ! নির্লিপ্ত ভুল। আপনার নোটের জন্য ধন্যবাদ আমি সিলটিকেও অবিচ্ছিন্ন হিসাবে গণ্য করেছি, তাই আমি এটিকে as.factor এ পরিবর্তন করেছি। এবং, আমি TukeyHSD অন্তর্ভুক্ত।
—
আন্তোনি পরেল্লদা
আমি মনে করি আপনার শিরোনাম থেকে 'বেঁচে থাকা' বাদ দেওয়া উচিত কারণ এটি পরিসংখ্যানগুলির একটি খুব নির্দিষ্ট ক্ষেত্র যা আপনি যেভাবে সংক্ষিপ্ত করছেন (খুব সুন্দরভাবে) তার সাথে সম্পূর্ণ সম্পর্কযুক্ত নয়।
—
ব্রায়ান হ্যানসন
আন্তোনি ভালো লাগলো! হয়তো আপনার কাছে যোগ করতে পারিনি glmmFAQs বেন Bolker দ্বারা এবং সম্ভবত কিছু সহজ দ্বিপদ এবং পইসন উদাহরণ (GLM এবং GLMM)। তবে আমি বুঝতে পারি যে এটি জিনিসগুলিকে অত্যধিক জটিল করে তুলতে পারে এবং এই সুন্দর এবং সংক্ষিপ্ত সংক্ষিপ্তসার থেকে দূরে সরে যায়। বিকল্পভাবে আপনি এই সাইটে উদাহরণগুলির সাথে লিঙ্ক করতে পারেন। সম্পূর্ণ সাধারণ পোইসন
—
স্টেফান
cyl + hp। হর্সপাওয়ার অবিচ্ছিন্ন, তাই এখানে কাজ করে না।carb, কার্বুরেটরের সংখ্যা আরও ভাল পছন্দ হবে।