আমি একটি পরীক্ষা করেছি যেখানে আমি দুটি ভিন্ন উত্স জনসংখ্যা থেকে বিভিন্ন পরিবারকে উত্থাপন করেছি। প্রতিটি পরিবারকে দুটি চিকিত্সার মধ্যে একটির দায়িত্ব দেওয়া হয়েছিল। পরীক্ষার পরে আমি প্রতিটি ব্যক্তির বেশ কয়েকটি বৈশিষ্ট্য পরিমাপ করেছিলাম। চিকিত্সা বা উত্স পাশাপাশি তাদের মিথস্ক্রিয়াগুলির একটি প্রভাবের জন্য পরীক্ষার জন্য, আমি পরিবারের সাথে র্যান্ডম ফ্যাক্টর হিসাবে রৈখিক মিশ্র প্রভাবের মডেল ব্যবহার করেছি, অর্থাত্
lme(fixed=Trait~Treatment*Source,random=~1|Family,method="ML")এতদূর ভাল, এখন আমাকে তুলনামূলকভাবে বৈকল্পিক উপাদানগুলি গণনা করতে হবে, অর্থাত্ চিকিত্সা বা উত্স এবং ইন্টারঅ্যাকশন দ্বারা ব্যাখ্যা করা হয়েছে তারতম্যের শতাংশ।
এলোমেলো প্রভাব ছাড়াই প্রতিটি ফ্যাক্টরের দ্বারা ব্যাখ্যা করা বৈকল্পিক গণনা করতে আমি সহজেই স্কোয়ারের যোগফলগুলি (এসএস) ব্যবহার করতে পারি। তবে একটি মিশ্র মডেলের জন্য (এমএল অনুমান সহ) কোনও এসএস নেই, তাই আমি ভেবেছিলাম যে আমি ভিন্নতা অনুমান করার জন্যও ট্রিটমেন্ট এবং উত্সটিকে এলোমেলো প্রভাব হিসাবে ব্যবহার করতে পারি, অর্থাৎ
lme(fixed=Trait~1,random=~(Treatment*Source)|Family, method="REML")তবে, কিছু ক্ষেত্রে, lme রূপান্তর করে না, তাই আমি lme4 প্যাকেজ থেকে lmer ব্যবহার করেছি:
lmer(Trait~1+(Treatment*Source|Family),data=DATA)আমি যেখানে সারাংশ ফাংশনটি ব্যবহার করে মডেল থেকে বৈকল্পগুলি বের করি:
model<-lmer(Trait~1+(Treatment*Source|Family),data=regrexpdat)
results<-VarCorr(model)
variances<-results[,3]
আমি VarCorr ফাংশন হিসাবে একই মান পেতে। আমি এই মানগুলিকে মোট ভিন্নতা হিসাবে সমষ্টি গ্রহণ করে পরিবর্তনের প্রকৃত শতাংশ গণনা করতে ব্যবহার করি।
যেখানে আমি লড়াই করছি তা প্রাথমিক lme মডেল (চিকিত্সা এবং স্থির প্রভাব হিসাবে উত্স সহ) থেকে ফলাফলের ব্যাখ্যার সাথে এবং ভেরিয়েন্স উপাদানগুলি (চিকিত্সা এবং এলোমেলো প্রভাব হিসাবে উত্স সহ) অনুমান করার জন্য এলোমেলো মডেল। আমি বেশিরভাগ ক্ষেত্রে দেখতে পাই যে প্রতিটি ফ্যাক্টর দ্বারা ব্যাখ্যা করা বৈকল্পিকতার শতাংশ স্থির প্রভাবের তাৎপর্যের সাথে মিলে না।
বৈশিষ্ট্য এইচডি জন্য উদাহরণস্বরূপ, প্রাথমিক lme ইন্টারঅ্যাকশন জন্য একটি ঝোঁক পাশাপাশি চিকিত্সার জন্য একটি তাত্পর্য প্রস্তাব করে। একটি পশ্চাদপদ প্রক্রিয়া ব্যবহার করে, আমি দেখতে পাচ্ছি যে চিকিত্সাটির উল্লেখযোগ্য প্রবণতাটির খুব কাছাকাছি রয়েছে। যাইহোক, ভেরিয়েন্স উপাদানগুলির অনুমান করে, আমি খুঁজে পেয়েছি যে উত্সটিতে সর্বোচ্চ বৈকল্পিকতা রয়েছে যা মোট বৈকল্পিকতার 26.7% অবধি তৈরি করে।
ল্যাম্প:
anova(lme(fixed=HD~as.factor(Treatment)*as.factor(Source),random=~1|as.factor(Family),method="ML",data=test),type="m")
numDF denDF F-value p-value
(Intercept) 1 426 0.044523 0.8330
as.factor(Treatment) 1 426 5.935189 0.0153
as.factor(Source) 1 11 0.042662 0.8401
as.factor(Treatment):as.factor(Source) 1 426 3.754112 0.0533
এবং লিমার:
summary(lmer(HD~1+(as.factor(Treatment)*as.factor(Source)|Family),data=regrexpdat))
Linear mixed model fit by REML
Formula: HD ~ 1 + (as.factor(Treatment) * as.factor(Source) | Family)
Data: regrexpdat
AIC BIC logLik deviance REMLdev
-103.5 -54.43 63.75 -132.5 -127.5
Random effects:
Groups Name Variance Std.Dev. Corr
Family (Intercept) 0.0113276 0.106431
as.factor(Treatment) 0.0063710 0.079819 0.405
as.factor(Source) 0.0235294 0.153393 -0.134 -0.157
as.factor(Treatment)L:as.factor(Source) 0.0076353 0.087380 -0.578 -0.589 -0.585
Residual 0.0394610 0.198648
Number of obs: 441, groups: Family, 13
Fixed effects:
Estimate Std. Error t value
(Intercept) -0.02740 0.03237 -0.846
সুতরাং আমার প্রশ্নটি হচ্ছে, আমি কী করছি এটি সঠিক? বা প্রতিটি ফ্যাক্টর (যেমন চিকিত্সা, উত্স এবং তাদের মিথস্ক্রিয়া) দ্বারা ব্যাখ্যা করা তারতম্যের পরিমাণটি অনুমান করার জন্য আমার অন্য কোনও উপায় ব্যবহার করা উচিত? উদাহরণস্বরূপ, এফেক্ট মাপগুলি কি আরও উপযুক্ত উপায়ে যেতে হবে?