আমি মনে করি আর-এর পেয়ার্ড তুলনা (পিসি) ডেটার জন্য সেরা প্যাকেজ হ'ল প্রিফমড প্যাকেজ , যা আর্টে বিটিএল মডেলগুলিতে ফিট করার জন্য সুবিধাজনকভাবে ডেটা প্রস্তুত করতে দেয় It এটি পোইসন জিএলএম ব্যবহার করে (আরও সঠিকভাবে, পোয়েসনে একটি বহুজাতিক লগইট সূচনা দেখুন যেমন এই আলোচনা )।
সুন্দর জিনিসটি এটির একটি ফাংশন রয়েছে prefmod::llbt.designযা স্বয়ংক্রিয়ভাবে আপনার ডেটাটিকে প্রয়োজনীয় ফর্ম্যাট এবং প্রয়োজনীয় ডিজাইনের ম্যাট্রিক্সে রূপান্তর করে।
উদাহরণস্বরূপ, বলুন যে আপনার কাছে সমস্ত জুটিযুক্ত তুলনা করে 6 টি অবজেক্ট রয়েছে। তারপর
R> library(prefmod)
R> des<-llbt.design(data, nitems=6)
এমন একটি ডেটা ম্যাট্রিক্স থেকে ডিজাইন ম্যাট্রিক্স তৈরি করবে:
P1 0 0 NA 2 2 2 0 0 1 0 0 0 1 0 1 1 2
P2 0 0 NA 0 2 2 0 2 2 2 0 2 2 0 2 1 1
P3 1 0 NA 0 0 2 0 0 1 0 0 0 1 0 1 1 2
P4 0 0 NA 0 2 0 0 0 0 0 0 0 0 0 2 1 1
P5 0 0 NA 2 2 2 2 2 2 0 0 0 0 0 2 2 2
P6 2 2 NA 0 0 0 2 2 2 2 0 0 0 0 2 1 2
সারিগুলিকে লোক দেখানো, কলামগুলি তুলনা এবং 0 টির অর্থ অনির্ধারিত 1 অর্থ বস্তু 1 পছন্দসই এবং 2 এর অর্থ বস্তু 2 পছন্দসই। অনুপস্থিত মান অনুমোদিত। সম্পাদনা : যেহেতু এটি সম্ভবত উপরের ডেটাগুলি থেকে অনুমান করার মতো কিছু নয়, আমি এখানে এটি বানান করি। তুলনাগুলি অবশ্যই নিম্নলিখিত উপায়ে অর্ডার করতে হবে ((12) এর অর্থ তুলনা বস্তু 1 এর সাথে বস্তু 2):
(12) (13) (23) (14) (24) (34) (15) (25) etc.
ফিটিংটি সুবিধামত gnm::gnmফাংশনটির সাথে সঞ্চালনের চেয়ে বেশি , কারণ এটি আপনাকে পরিসংখ্যানের মডেলিং করতে দেয়। (সম্পাদনা করুন: আপনি prefmod::llbt.fitফাংশনটিও ব্যবহার করতে পারেন যা কিছুটা সহজ, কারণ এটি কেবল গণনা এবং ডিজাইনের ম্যাট্রিক্স লাগে))
R> res<-gnm(y~o1+o2+o3+o4+o5+o6, eliminate=mu, family=poisson, data=des)
R> summary(res)
Call:
gnm(formula = y ~ o1 + o2 + o3 + o4 + o5 + o6, eliminate = mu,
family = poisson, data = des)
Deviance Residuals:
Min 1Q Median 3Q Max
-7.669 -4.484 -2.234 4.625 10.353
Coefficients of interest:
Estimate Std. Error z value Pr(>|z|)
o1 1.05368 0.04665 22.586 < 2e-16 ***
o2 0.52833 0.04360 12.118 < 2e-16 ***
o3 0.13888 0.04297 3.232 0.00123 **
o4 0.24185 0.04238 5.707 1.15e-08 ***
o5 0.10699 0.04245 2.521 0.01171 *
o6 0.00000 NA NA NA
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Dispersion parameter for poisson family taken to be 1)
Std. Error is NA where coefficient has been constrained or is unidentified
Residual deviance: 2212.7 on 70 degrees of freedom
AIC: 2735.3
দয়া করে নোট করুন যে অ্যালিমিট শব্দটি সারাংশ থেকে উপদ্রব পরামিতি বাদ দেবে it এরপরে আপনি মূল্যবান প্যারামিটারগুলি (আপনার ডেল্টাস) পেতে পারেন
## calculating and plotting worth parameters
R> wmat<-llbt.worth(res)
worth
o1 0.50518407
o2 0.17666128
o3 0.08107183
o4 0.09961109
o5 0.07606193
o6 0.06140979
এবং আপনি তাদের সাথে চক্রান্ত করতে পারেন
R> plotworth(wmat)
আপনার যদি অনেকগুলি অবজেক্ট থাকে এবং o1+o2+...+onদ্রুত কোনও সূত্র অবজেক্ট লিখতে চান তবে আপনি ব্যবহার করতে পারেন
R> n<-30
R> objnam<-paste("o",1:n,sep="")
R> fmla<-as.formula(paste("y~",paste(objnam, collapse= "+")))
R> fmla
y ~ o1 + o2 + o3 + o4 + o5 + o6 + o7 + o8 + o9 + o10 + o11 +
o12 + o13 + o14 + o15 + o16 + o17 + o18 + o19 + o20 + o21 +
o22 + o23 + o24 + o25 + o26 + o27 + o28 + o29 + o30
সূত্রটি তৈরি করতে gnm(যার জন্য আপনার প্রয়োজন হবে না llbt.fit)।
একটি জেএসএস নিবন্ধ আছে , এছাড়াও https://r-forge.r-project.org/projects/prefmod/ এবং এর মাধ্যমে ডকুমেন্টেশন দেখুন ?llbt.design।