কিভাবে একটি lme4 মিশ্র মডেল একটি প্রভাব এর p- মান (তাত্পর্য পরীক্ষা) পাবেন?

56

আমি মিশ্রিত মডেল ফিট করতে আর তে lme4 ব্যবহার করি

lmer(value~status+(1|experiment)))

যেখানে মান অবিচ্ছিন্ন থাকে, স্থিতি এবং পরীক্ষা ফ্যাক্টর এবং আমি পাই

Linear mixed model fit by REML 
Formula: value ~ status + (1 | experiment) 
  AIC   BIC logLik deviance REMLdev
 29.1 46.98 -9.548    5.911    19.1
Random effects:
 Groups     Name        Variance Std.Dev.
 experiment (Intercept) 0.065526 0.25598 
 Residual               0.053029 0.23028 
Number of obs: 264, groups: experiment, 10

Fixed effects:
            Estimate Std. Error t value
(Intercept)  2.78004    0.08448   32.91
statusD      0.20493    0.03389    6.05
statusR      0.88690    0.03583   24.76

Correlation of Fixed Effects:
        (Intr) statsD
statusD -0.204       
statusR -0.193  0.476

আমি কীভাবে জানতে পারি যে স্থিতির প্রভাবটি তাৎপর্যপূর্ণ? আর-কেবলমাত্র ভ্যালু এবং মূল্যগুলির প্রতিবেদন করে। $t$ $p$

— ECII
সূত্র

1

এই প্রশ্নের প্রদান উত্তর দ্বারা যাওয়া আসলে ওপি এখানে আগ্রহী এক বিস্ময়ের: একটি নাল বিরুদ্ধে পরীক্ষার কোফিসিয়েন্টস (ভ্যানিলা -test এক একটি নাল বিরুদ্ধে নিয়মিত রৈখিক রিগ্রেশনে করে ), বা বৈকল্পিকতা হ্রাস করার জন্য পরীক্ষা করা ( এএনওওএর বহু প্রকারের থেকে আমরা -টেষ্ট) পাই। এই দুটি লক্ষ্য বিভিন্ন জিনিস। একটি আলোকিত উত্তর, যদিও মিশ্র-প্রভাবগুলির মডেলগুলি সম্পর্কে নয়, এখানে পাওয়া যায় ।

t

$t$

H_{0} : β = β_{null}

$H_0:\beta=\beta_{\text{null}}$

F

$F$

— ফায়ারব্যাগ

61

জিএলএমএম এফএকিউ এ এই বিষয়ে প্রচুর তথ্য রয়েছে । তবে আপনার বিশেষ ক্ষেত্রে, আমি ব্যবহার করার পরামর্শ দেব

library(nlme)
m1 <- lme(value~status,random=~1|experiment,data=mydata)
anova(m1)

কারণ আপনার যে কোনও স্টাফ lmerসরবরাহ করার প্রয়োজন নেই (উচ্চ গতি, ক্রস র্যান্ডম এফেক্টগুলি পরিচালনা, জিএলএমএমস ...)। lmeআপনাকে ঠিক একই গুণফল এবং বৈকল্পিক অনুমান দেওয়া উচিত তবে এটি আপনার জন্য ডিএফ এবং পি-মানগুলিও গণনা করবে (যা আপনার কাছে "ধ্রুপদী" নকশায় বোঝায় যা আপনি যেমন দেখেন )। আপনি এলোমেলো পদটিও বিবেচনা করতে চাইতে পারেন ~status|experiment(ব্লকগুলিতে স্থিতির প্রভাবের পরিবর্তনের জন্য মঞ্জুরি দেয় বা সমপরিমাণ স্ট্যাটাস-বাই এক্সপেরিমেন্ট ইন্টারঅ্যাকশন সহ)। উপরের পোস্টারগুলিও সঠিক যে আপনার tপরিসংখ্যান এত বড় যে আপনার পি-মান অবশ্যই <0.05 হবে তবে আমি ভাবতে পারি যে আপনি "বাস্তব" পি-মান চান like

— বেন বলকার
সূত্র

3

আমি এই উত্তর সম্পর্কে জানি না। lmerঠিক একই ধরণের পি-মানগুলির হিসাবে সহজেই প্রতিবেদন করতে পারে তবে বৈধ কারণে নয়। আমি অনুমান করি যে এটি এমন মন্তব্য যে এখানে কোনও "বাস্তব" পি-মান রয়েছে যা আমাকে বাগ করেছে। আপনি তর্ক করতে পারেন যে আপনি একটি সম্ভাব্য কাটঅফ খুঁজে পেতে পারেন এবং যে কোনও যুক্তিসঙ্গত কাটঅফ পাস হয়েছে। তবে আপনি যুক্তি দিতে পারবেন না যে আসল পি-মান রয়েছে।

— জন

11

একটি ধ্রুপদী নকশার জন্য (ভারসাম্যযুক্ত, নেস্টেড, ইত্যাদি) আমি মনে করি আমি সত্যিই যুক্তি করতে পারি যে সত্যিকারের p-vaue আছে, অর্থাত নাল অনুমান (বিটা = 0) যদি একটি পর্যবেক্ষণের মাত্রা বা এর চেয়ে বেশি বিটারের অনুমানের সম্ভাবনা থাকে মিথ্যা ছিল ... lme4 এই ডিনোমিনেটর ডিএফ সরবরাহ করে না, আমি বিশ্বাস করি, কারণ নির্দিষ্ট মডেলটি যখন ক্লাসিকাল ডিনোমিনেটর ডিএফ গণনা করার জন্য কিছু হিউরিস্টিক হয় তখন একটি lme4 মডেল স্ট্রাকচার থেকে সাধারণভাবে সনাক্ত করা কঠিন ...

— বেন বলকার

চেষ্টা summary(m1)পরিবর্তে (আমি nlme প্যাকেজের সাথে এই ব্যবহার করুন)

— Jena

36

আপনি প্যাকেজ lmerTest ব্যবহার করতে পারেন । আপনি কেবল এটি ইনস্টল / লোড করুন এবং লটার মডেলগুলি প্রসারিত হবে। সুতরাং যেমন

library(lmerTest)
lmm <- lmer(value~status+(1|experiment)))
summary(lmm)
anova(lmm)

আপনাকে পি-মান সহ ফলাফল দেবে। পি-মানগুলি হ'ল সঠিক ইঙ্গিতটি যদি কিছুটা বিতর্কিত হয় তবে আপনি যদি সেগুলি রাখতে চান তবে এগুলি পাওয়ার উপায়।

— pbx101
সূত্র

28

যদি আপনি পি-মানগুলি ( এবং আপনার হওয়া উচিত ) ছেড়ে দেওয়া পরিচালনা করতে পারেন তবে আপনি সম্ভাবনা অনুপাত গণনা করতে পারেন যা স্থিতির প্রভাবের জন্য প্রমাণের ওজনকে উপস্থাপন করবে:

#compute a model where the effect of status is estimated
unrestricted_fit = lmer(
    formula = value ~ (1|experiment) + status
    , REML = F #because we want to compare models on likelihood
)
#next, compute a model where the effect of status is not estimated
restricted_fit = lmer(
    formula = value ~ (1|experiment)
    , REML = F #because we want to compare models on likelihood
)
#compute the AIC-corrected log-base-2 likelihood ratio (a.k.a. "bits" of evidence)
(AIC(restricted_fit)-AIC(unrestricted_fit))*log2(exp(1))

— মাইক লরেন্স
সূত্র

16

দ্রষ্টব্য যে সম্ভাবনা অনুপাত

— হ'ল

5

আমি আপনার শেষ লাইনে আগ্রহী ফলাফলটির ব্যাখ্যা কী? আমি কি এটি একবার দেখে নিতে পারি এমন কোন উত্স আছে?

— মিগুজ্জামান

13

বিষয়টি হ'ল এই মডেলগুলির জন্য পি-মানগুলির গণনা তুচ্ছ নয়, দ্বিধাটি দেখুন এখানেlme4 প্যাকেজটির লেখকগণ উদ্দেশ্যমূলকভাবে আউটপুটে পি-মানগুলি অন্তর্ভুক্ত না করার জন্য বেছে নিয়েছেন। আপনি এগুলি গণনা করার একটি পদ্ধতি খুঁজে পেতে পারেন, তবে এগুলি অগত্যা সঠিক হবে না।

— মিশেল
সূত্র

9

আপনি যা জিজ্ঞাসা করছেন তা বিবেচনা করুন। যদি আপনি কেবল জানতে চান যে স্থিতির প্রভাবের জন্য সামগ্রিক পি-মানটি কিছুটা নির্বিচারে কাট অফের মান যেমন 0.05 কেটে যায় তবে তা সহজ। প্রথমত, আপনি সামগ্রিক প্রভাবটি সন্ধান করতে চান। আপনি এটি থেকে পেতে পারে anova।

m <- lmer(...) #just run your lmer command but save the model
anova(m)

এখন আপনার একটি এফ মান রয়েছে। আপনি এটি নিতে পারেন এবং এটি কয়েকটি এফ টেবিলগুলিতে সন্ধান করতে পারেন । কেবলমাত্র সর্বনিম্ন সম্ভাব্য ডেনম বাছুন। স্বাধীনতার মাত্রা. সেখানে কাটফফ প্রায় 20 হতে চলেছে। আপনার এফ এর চেয়ে বড় হতে পারে তবে আমি ভুল হতে পারি। তা না হলেও, আপনার কাছে থাকা পরীক্ষাগুলির সংখ্যাটি ব্যবহার করে এখানে প্রচলিত আনোভা গণনা থেকে মুক্তির ডিগ্রির সংখ্যা দেখুন। আপনি যে মানটি কাটাচ্ছেন তাতে কোনও কাট অফের জন্য প্রায় 5 এ নেমে আসুন। এখন আপনি এটি সহজেই আপনার গবেষণায় পাস করুন। আপনার মডেলের জন্য 'সত্য' ডিএফ এর চেয়েও বেশি কিছু হবে কারণ আপনি একটি এনওভা মডেল করবে এমন সামগ্রিক মানগুলির বিপরীতে প্রতিটি ডেটা পয়েন্টকে মডেলিং করছেন।

আপনি যদি সত্যিকারের কোনও সঠিক পি-মান চান তবে যদি আপনি এটি সম্পর্কে কোনও তাত্ত্বিক বক্তব্য দিতে রাজি না হন তবে এ জাতীয় কোনও জিনিস নেই। আপনি যদি পিনহেরো অ্যান্ড বেটস (2001, এবং সম্ভবত আরও কিছু বই পড়েন ... এই উত্তরগুলিতে অন্য লিঙ্কগুলি দেখুন) এবং আপনি কোনও নির্দিষ্ট ডিএফের পক্ষে যুক্তি দেখিয়ে চলে আসেন তবে আপনি এটি ব্যবহার করতে পারেন। তবে আপনি যেভাবেই কোনও সঠিক পি-মান খুঁজছেন না। আমি এটি উল্লেখ করছি কারণ আপনার অতএব কোনও সঠিক পি-মান প্রতিবেদন করা উচিত নয়, কেবলমাত্র আপনার কাট অফটি পেরিয়ে গেছে।

আপনার মাইকে লরেন্সের উত্তরটি সত্যই বিবেচনা করা উচিত কারণ আপনার ডেটা থেকে বের করার জন্য চূড়ান্ত এবং গুরুত্বপূর্ণ তথ্য হিসাবে পি-মানগুলির জন্য কেবল একটি পাস পয়েন্টের সাথে স্টিকিংয়ের পুরো ধারণাটি সাধারণত বিভ্রান্ত করা হয় (তবে আমরা ডন করার পরে আপনার ক্ষেত্রে নাও হতে পারে) সত্যিই জানতে যথেষ্ট তথ্য আছে)। মাইক এলআর গণনার পোষা সংস্করণ ব্যবহার করছে যা আকর্ষণীয়, তবে এটিতে প্রচুর ডকুমেন্টেশন পাওয়া খুব কঠিন। আপনি যদি এআইসি ব্যবহার করে মডেল নির্বাচন এবং ব্যাখ্যার দিকে নজর দেন তবে আপনি এটি পছন্দ করতে পারেন।

— জন
সূত্র

9

সম্পাদনা করুন: এই পদ্ধতিটি আর lme4 এর নতুন সংস্করণগুলিতে সমর্থিত নয়। Pbx101 দ্বারা এই উত্তরে প্রস্তাবিত lmerTest প্যাকেজটি ব্যবহার করুন ।

পি-মানগুলি কেন প্রদর্শিত হচ্ছে না এর জন্য lme4 এর লেখক দ্বারা আর তালিকায় একটি পোস্ট রয়েছে। পরিবর্তে তিনি এমসিএমসি নমুনাগুলি ব্যবহার করার পরামর্শ দেন, যা আপনি ল্যাভেনআরআর প্যাকেজ থেকে pvals.fnc ব্যবহার করে করেন:

library("lme4")
library("languageR")
model=lmer(...)
pvals.fnc(model)

উদাহরণ এবং বিশদ জানতে http://www2.hawaii.edu/~kdrager/ মিক্সেডএফেক্টস মডেলস.পিডিএফ দেখুন ।

— জেফ
সূত্র

3

lme4 আর এটি সমর্থন করে না। এই পোস্টটি লোকেরা যেমন সবে করেছিলাম ঠিক তেমনভাবে খুঁজে বের করার জন্য আপডেট করা যেতে পারে।

— টিমোথি.এস.লাউ

5

এর সম্মিলিত প্রভাবটির statusউল্লেখযোগ্য প্রভাব আছে কিনা তা জানতে আপনি আগ্রহী value? যদি তা Anovaহয় তবে আপনি carপ্যাকেজে ফাংশনটি ব্যবহার করতে পারেন ( anovaবেসে ফাংশনটি নিয়ে বিভ্রান্ত হওয়ার দরকার নেই R)।

dat <- data.frame(
  experiment = sample(c("A","B","C","D"), 264, replace=TRUE), 
  status = sample(c("D","R","A"), 264, replace=TRUE), 
  value = runif(264)   
)
require(lme4)
(fm <- lmer(value~status+(1|experiment), data=dat))

require(car)
Anova(fm)

প্যাকেজটি ?Anovaলোড করার পরে একবার দেখুন car।

— smillig
সূত্র

car::Anova()মিশেল লিঙ্ক করেছে যে পি-মান গণনা কাছাকাছি স্টিকি সমস্যাগুলি এড়ানো যায় কোন ধারণা ?

— মাইক লরেন্স

আমি করি না, তবে আমার অনুমান যে এটি স্টিকি সমস্যাগুলি এড়িয়ে উপেক্ষা করে এড়িয়ে চলে! মূল পোস্টটি পুনরায় পড়ার পরে, আমি মনে করি যে আমি প্রশ্নটি ভুল বুঝেছি। যদি ওপি স্থির প্রতিক্রিয়াগুলির পরামিতিগুলির জন্য সঠিক পি-মান চায় তবে সে সমস্যায় পড়ে। তবে ওপি যদি তা জানতে চায় যে সেগুলি উল্লেখযোগ্য কিনা তবে আমি মনে করি যে টি-মানগুলি সঠিক পি-মানটি কীভাবে গণনা করা হবে সে বিষয়ে কোনও অনিশ্চয়তার চেয়ে বড়। (অন্য কথায়, এগুলি উল্লেখযোগ্য।)

— স্মিলিগ

1

আমি মনে করি পরিসংখ্যানের সামগ্রিক প্রভাব সন্ধানের জন্য একটি আনোভা গণনাতে পুনর্নির্দেশ করা অবশ্যই একটি ভাল ধারণা ছিল তবে আমি নিশ্চিত নই যে পি-মানগুলি ভাল করা ভাল। নিয়মিত anovaকমান্ড আপনাকে এফ দেবে।

— জন

আমি মনে করি এটি আপাত তুলনায় কিছুটা স্টিকিয়ার। আপনি যখন বৈকল্পিকতা হ্রাস করতে চান তখন আনোভা চালানো বৈধ, তবে প্রশ্নোত্তর শব্দটি থেকে আমি মনে করি যে ওপি ভেরিয়েবলের প্রান্তিক প্রভাব স্থাপন করতে চায়, অর্থাৎ শূন্যের বিরুদ্ধে পরীক্ষার সহগগুলি।

— ফায়ারব্যাগ

0

ফাংশনটি pvals.fncআর lme4 দ্বারা সমর্থিত নয়। প্যাকেজ লামেরেস্টেস্ট প্যাকেজটি ব্যবহার করে, পি-মান গণনা করার জন্য অন্যান্য পদ্ধতি ব্যবহার করা সম্ভব যেমন কেন্নওয়ার্ড-রজারের অনুমানের মতো

model=lmer(value~status+1|experiment)
anova(model, ddf="Kenward-Roger")

— স্টেফানো ক্যাকিয়াটোর
সূত্র

0

কেবল এফেক্স প্যাকেজটি লোড করা lme4 প্যাকেজ থেকে lmer ফাংশনের আউটপুটে পি-মানগুলি মুদ্রণ করবে (আপনাকে এফেক্স ব্যবহার করার দরকার নেই; কেবল এটি লোড করুন):

library(lme4)  #for mixed model
library(afex)  #for p-values

এটি নির্দিষ্ট প্রভাবগুলির জন্য স্বয়ংক্রিয়ভাবে lmer (আপনার মডেল) এর আউটপুটে একটি পি-মান কলাম যুক্ত করবে।

— মরিয়ম নাসেরী
সূত্র