আমি প্রকৃত মডেল "পুনরাবৃত্তি ব্যবস্থা আনোভা" কী বর্ণনা করে তা পুরোপুরি নিশ্চিত নই , তবে আমি মনে করি যে একটি সাধারণ বিষয় হ'ল মডেলটিতে কোনও প্রকারের এলোমেলো প্রভাব রাখার চেয়ে উদাহরণস্বরূপ প্ররোচিত নির্ভরতাগুলি আবরণ করার জন্য কেবল বৈকল্পিক অনুমানগুলি সামঞ্জস্য করা উচিত (যেমনটি সময় সিরিজের ক্রস-বিভাগীয় ডেটা বিশ্লেষণে প্যানেল সংশোধিত স্ট্যান্ডার্ড ত্রুটিগুলি বনাম মাল্টিলেভেল মডেলগুলির বিতর্ক)। সুতরাং আমি প্রথমে এই প্রশ্নে যেতে হবে, তারপরে আপনার ঠিকানা।
স্থির এবং এলোমেলো প্রভাব
স্থির প্রভাবের পরিবর্তে কখন এলোমেলো ব্যবহার করতে হবে সে সম্পর্কে দুটি পরিপূরক নীতিগুলি নিম্নলিখিত:
- যখন আপনি বর্তমান বিশ্লেষণে অন্তর্ভুক্ত নয়, যেমন অন্যান্য বিষয় বা অন্যান্য উদ্দীপক প্রকারের মডেলটি সাধারণ করার জন্য মডেলটি ব্যবহার করতে আগ্রহী হন তখন কোনও এলোমেলো প্রভাব সহ কোনও বিষয় (বিষয়, উদ্দীপনা ধরণ ইত্যাদি) উপস্থাপন করুন। একটি নির্দিষ্ট প্রভাব ব্যবহার না হলে।
- কোনও জিনিস এলোমেলো প্রভাবের সাথে প্রতিনিধিত্ব করুন যখন আপনি মনে করেন যে কোনও জিনিসের জন্য, ডেটা সেটের অন্যান্য দৃষ্টান্তগুলি এটি সম্পর্কে সম্ভাব্য তথ্যমূলক। আপনি যদি এ জাতীয় কোনও তথ্যবহুলতা আশা করেন না তবে একটি স্থির প্রভাব ব্যবহার করুন।
উভয়ই বিষয় এলোমেলো প্রভাব সহ স্পষ্টতই অনুপ্রাণিত করে: আপনি সাধারণত সাধারণভাবে মানুষের জনসংখ্যায় আগ্রহী এবং প্রতিটি বিষয়ের প্রতিক্রিয়া সংস্থার উপাদানগুলি পরস্পর সম্পর্কিত, একে অপরের কাছ থেকে অনুমানযোগ্য এবং একে অপরের সম্পর্কে তথ্যপূর্ণ। এটি উদ্দীপকের মতো বিষয়গুলির জন্য কম স্পষ্ট। যদি কেবলমাত্র তিন ধরণের উদ্দীপনা থাকে তবে ১. একটি নির্দিষ্ট প্রভাবকে অনুপ্রাণিত করবে এবং ২। সিদ্ধান্তটিকে উদ্দীপনাটির প্রকৃতির উপর নির্ভর করবে।
তোমার প্রশ্নগুলো
পুনরাবৃত্তি প্রভাবগুলির জন্য মিশ্র মডেলটি ব্যবহারের একটি কারণ হ'ল প্রাক্তনগুলি যথেষ্ট বেশি সাধারণ, যেমন তারা ভারসাম্যহীন এবং ভারসাম্যহীন নকশাগুলির সাথে সমানভাবে সহজেই কাজ করে এবং এগুলি সহজেই বহুস্তরের মডেলগুলিতে প্রসারিত হয়। আমার (স্বীকৃতভাবে সীমাবদ্ধ) শাস্ত্রীয় আনোভা এবং এর এক্সটেনশানগুলিতে পড়ার ক্ষেত্রে, মিশ্র মডেলগুলি আনোভা এক্সটেনশনের সমস্ত বিশেষ ক্ষেত্রে কভার করে বলে মনে হচ্ছে। সুতরাং আমি বারবার ব্যবস্থা আনোভা পছন্দ করার জন্য একটি পরিসংখ্যানগত কারণ সম্পর্কে ভাবতে পারি না। অন্যরা এখানে সহায়তা করতে সক্ষম হতে পারে। (একটি পরিচিত সমাজতাত্ত্বিক কারণ হ'ল আপনার ক্ষেত্রটি স্নাতক স্কুলে তার প্রবীণ সদস্যরা যে পদ্ধতিগুলি শিখেছে সেগুলি সম্পর্কে পড়তে পছন্দ করে এবং এর একটি বাস্তব কারণ হ'ল এএনওওএর সামান্য বর্ধনের চেয়ে মিশ্র মডেলগুলি কীভাবে ব্যবহার করতে হয় তা শিখতে আরও কিছুটা সময় লাগতে পারে))
বিঃদ্রঃ
র্যান্ডম প্রভাব ব্যবহার করার জন্য একটি সতর্কীকরণ জন্য সবচেয়ে প্রাসঙ্গিক অ -experimental ডেটা, যে দৃঢ়তা আপনি হয় অনুমান র্যান্ডম প্রভাব মডেলের সংশোধন প্রভাব সঙ্গে সম্পর্কহীন, অথবা র্যান্ডম প্রভাব জন্য covariates যেমন সংশোধন করা হয়েছে প্রভাব মানে যোগ করুন (আলোচনা আছে বজায় রাখা হয় যেমন বাফুমি এবং গেলম্যানের কাগজে)।