আরে পুনরাবৃত্তি ব্যবস্থা সহ লিনিয়ার রিগ্রেশন

আমি বারবার পরিমাপের ডিজাইনের জন্য কীভাবে আর এর মধ্যে রৈখিক প্রতিরোধ সম্পাদন করব তা বুঝতে ব্যর্থ হয়েছি। পূর্ববর্তী একটি প্রশ্নে (এখনও অনুत्तरযুক্ত) এটি আমাকে ব্যবহার না করে lmমিশ্র মডেলগুলি ব্যবহার করার পরামর্শ দেওয়া হয়েছিল । আমি lmনিম্নলিখিত পদ্ধতিতে ব্যবহার করেছি :

lm.velocity_vs_Velocity_response <- lm(Velocity_response~Velocity*Subject, data=mydata)

(ডেটাসেট সম্পর্কিত আরও বিবরণ উপরের লিঙ্কটিতে পাওয়া যাবে)

তবে আমি কীভাবে রৈখিক প্রতিরোধ বিশ্লেষণ করতে পারি তা আর কোড সহ কোনও উদাহরণই ইন্টারনেটে খুঁজে পাইনি।

আমি যা চাই তা একদিকে ডেটা ফিটিং করার সাথে ডেটার একটি প্লট এবং অন্যদিকে মডেলটির তাত্পর্য পরীক্ষা করার জন্য পি-ভ্যালু সহ মান। $R^2$

কেউ কি কিছু পরামর্শ দিতে পারেন? যে কোনও আর কোড উদাহরণ দুর্দান্ত সাহায্য করতে পারে।

সম্পাদনা
আমি এখনও অবধি প্রাপ্ত পরামর্শ অনুসারে, সমাধানটি আমার ডাটা বিশ্লেষণের সমাধানটি বোঝার জন্য যে দুটি ভেরিয়েবল ভেলোসিটি_স্পেসোনস (প্রশ্নোত্তর থেকে প্রাপ্ত) এবং वेग (পারফরম্যান্স থেকে প্রাপ্ত) এর মধ্যে রৈখিক সম্পর্ক রয়েছে কিনা তা বুঝতে হবে:

library(nlme)
summary(lme(Velocity_response ~ Velocity*Subject, data=scrd, random= ~1|Subject))

সংক্ষিপ্তসার ফলাফল এটি দেয়:

    > summary(lme(Velocity_response ~ Velocity*Subject, data=scrd, random= ~1|Subject))
    Linear mixed-effects model fit by REML
     Data: scrd 
           AIC      BIC   logLik
      104.2542 126.1603 -30.1271

    Random effects:
     Formula: ~1 | Subject
            (Intercept) Residual
    StdDev:    2.833804 2.125353

Fixed effects: Velocity_response ~ Velocity * Subject 
                              Value Std.Error DF    t-value p-value
(Intercept)               -26.99558  25.82249 20 -1.0454288  0.3083
Velocity                   24.52675  19.28159 20  1.2720292  0.2180
SubjectSubject10           21.69377  27.18904  0  0.7978865     NaN
SubjectSubject11           11.31468  33.51749  0  0.3375754     NaN
SubjectSubject13           52.45966  53.96342  0  0.9721337     NaN
SubjectSubject2           -14.90571  34.16940  0 -0.4362299     NaN
SubjectSubject3            26.65853  29.41574  0  0.9062674     NaN
SubjectSubject6            37.28252  50.06033  0  0.7447517     NaN
SubjectSubject7            12.66581  26.58159  0  0.4764880     NaN
SubjectSubject8            14.28029  31.88142  0  0.4479188     NaN
SubjectSubject9             5.65504  34.54357  0  0.1637076     NaN
Velocity:SubjectSubject10 -11.89464  21.07070 20 -0.5645111  0.5787
Velocity:SubjectSubject11  -5.22544  27.68192 20 -0.1887672  0.8522
Velocity:SubjectSubject13 -41.06777  44.43318 20 -0.9242591  0.3664
Velocity:SubjectSubject2   11.53397  25.41780 20  0.4537754  0.6549
Velocity:SubjectSubject3  -19.47392  23.26966 20 -0.8368804  0.4125
Velocity:SubjectSubject6  -29.60138  41.47500 20 -0.7137162  0.4836
Velocity:SubjectSubject7   -6.85539  19.92271 20 -0.3440992  0.7344
Velocity:SubjectSubject8  -12.51390  22.54724 20 -0.5550080  0.5850
Velocity:SubjectSubject9   -2.22888  27.49938 20 -0.0810519  0.9362
 Correlation: 
                          (Intr) Velcty SbjS10 SbjS11 SbjS13 SbjcS2 SbjcS3 SbjcS6 SbjcS7 SbjcS8 SbjcS9 V:SS10 V:SS11 V:SS13 Vl:SS2 Vl:SS3
Velocity                  -0.993                                                                                                         
SubjectSubject10          -0.950  0.943                                                                                                  
SubjectSubject11          -0.770  0.765  0.732                                                                                           
SubjectSubject13          -0.479  0.475  0.454  0.369                                                                                    
SubjectSubject2           -0.756  0.751  0.718  0.582  0.362                                                                             
SubjectSubject3           -0.878  0.872  0.834  0.676  0.420  0.663                                                                      
SubjectSubject6           -0.516  0.512  0.490  0.397  0.247  0.390  0.453                                                               
SubjectSubject7           -0.971  0.965  0.923  0.748  0.465  0.734  0.853  0.501                                                        
SubjectSubject8           -0.810  0.804  0.769  0.624  0.388  0.612  0.711  0.418  0.787                                                 
SubjectSubject9           -0.748  0.742  0.710  0.576  0.358  0.565  0.656  0.386  0.726  0.605                                          
Velocity:SubjectSubject10  0.909 -0.915 -0.981 -0.700 -0.435 -0.687 -0.798 -0.469 -0.883 -0.736 -0.679                                   
Velocity:SubjectSubject11  0.692 -0.697 -0.657 -0.986 -0.331 -0.523 -0.607 -0.357 -0.672 -0.560 -0.517  0.637                            
Velocity:SubjectSubject13  0.431 -0.434 -0.409 -0.332 -0.996 -0.326 -0.378 -0.222 -0.419 -0.349 -0.322  0.397  0.302                     
Velocity:SubjectSubject2   0.753 -0.759 -0.715 -0.580 -0.360 -0.992 -0.661 -0.389 -0.732 -0.610 -0.563  0.694  0.528  0.329              
Velocity:SubjectSubject3   0.823 -0.829 -0.782 -0.634 -0.394 -0.622 -0.984 -0.424 -0.799 -0.667 -0.615  0.758  0.577  0.360  0.629       
Velocity:SubjectSubject6   0.462 -0.465 -0.438 -0.356 -0.221 -0.349 -0.405 -0.995 -0.449 -0.374 -0.345  0.425  0.324  0.202  0.353  0.385
Velocity:SubjectSubject7   0.961 -0.968 -0.913 -0.740 -0.460 -0.726 -0.844 -0.496 -0.986 -0.778 -0.718  0.886  0.674  0.420  0.734  0.802
Velocity:SubjectSubject8   0.849 -0.855 -0.807 -0.654 -0.406 -0.642 -0.746 -0.438 -0.825 -0.988 -0.635  0.783  0.596  0.371  0.649  0.709
Velocity:SubjectSubject9   0.696 -0.701 -0.661 -0.536 -0.333 -0.526 -0.611 -0.359 -0.676 -0.564 -0.990  0.642  0.488  0.304  0.532  0.581
                          Vl:SS6 Vl:SS7 Vl:SS8
Velocity                                      
SubjectSubject10                              
SubjectSubject11                              
SubjectSubject13                              
SubjectSubject2                               
SubjectSubject3                               
SubjectSubject6                               
SubjectSubject7                               
SubjectSubject8                               
SubjectSubject9                               
Velocity:SubjectSubject10                     
Velocity:SubjectSubject11                     
Velocity:SubjectSubject13                     
Velocity:SubjectSubject2                      
Velocity:SubjectSubject3                      
Velocity:SubjectSubject6                      
Velocity:SubjectSubject7   0.450              
Velocity:SubjectSubject8   0.398  0.828       
Velocity:SubjectSubject9   0.326  0.679  0.600

Standardized Within-Group Residuals:
        Min          Q1         Med          Q3         Max 
-1.47194581 -0.46509026 -0.05537193  0.39069634  1.89436646 

Number of Observations: 40
Number of Groups: 10 
Warning message:
In pt(q, df, lower.tail, log.p) : NaNs produced
>

এখন আর আমি বুঝতে পারি না যে আমি আর ^ 2 কোথায় পেতে পারি এবং সংশ্লিষ্ট পি-মানগুলি আমাকে ইঙ্গিত করে যে দুটি ভেরিয়েবলের মধ্যে রৈখিক সম্পর্ক আছে বা না, বা আমি বুঝতে পারি না যে কীভাবে আমার ডেটাটি লাইনের সাথে ফিটিং করা যায়? রিগ্রেশন।

কেউ কি আমাকে আলোকিত করার জন্য এত সদয় হতে পারেন? আমার সত্যিই আপনার সাহায্যের দরকার ছেলেদের ...

r regression mixed-model repeated-measures

— L_T
সূত্র

জুয়ার ইট আল রচনা করে "ইকোলজিতে মিশ্রিত প্রভাবগুলির মডেল এবং এক্সটেনশনগুলি আর"। রৈখিক মিশ্র প্রভাবগুলির মডেলগুলির একটি দুর্দান্ত পরিচয়, যা তত্ত্বের উপর কম এবং পদ্ধতিটির প্রয়োগগুলিতে বেশি মনোনিবেশ করে।

— রোল্যান্ড

প্রিয় রোল্যান্ড, আমি বিশ্বাস করি যে সেই বইটি কার্যকর, তবে আমি বরং লাইনে থাকা কোনও কিছুর জন্য অনুসন্ধান করছি ... আপনার কি কোনও ওয়েবপৃষ্ঠা সুপারিশ করার দরকার আছে?

— এল পি

যেমনটি আমি আপনার আগের পোস্টে বলেছি, lm () এর সাথে একটি প্লট যুক্ত রয়েছে। সুতরাং, আপনার মডেলটি যদি এম 1 হয় তবে আপনি প্লট (এম 1) ব্যবহার করতে পারেন।

— পিটার ফ্লুম - মনিকা পুনরায়

প্রিয় @ পিটারফ্লম হ্যাঁ, তবে আপনি আমাকে বারবার ব্যবস্থা ডিজাইনের জন্য এলএম ব্যবহার এড়াতে বলেছিলেন। সুতরাং, আমার প্রশ্নটি যদি আমার ডেটা বা অন্য কোনও ফাংশন বিশ্লেষণের জন্য আমাকে এলএম ব্যবহার করতে হয়। যেকোনো পরামর্শ?

— এল টি

আমি যেমন বলেছি, বহু-স্তরের মডেলগুলি দেখুন। আর এ, আপনি nlmeপ্যাকেজটি দেখতে পারেন । এছাড়াও, বিষয়টির জন্য এই সাইটটি অনুসন্ধান করুন, এটি সম্পর্কে এখানে অনেকগুলি লেখা আছে।

— পিটার ফ্লুম - মনিকা পুনরায়

আপনি যা করেন তা নির্ভর করে বিশ্লেষণের লক্ষ্যগুলির উপর। আপনার বিশ্লেষণের লক্ষ্যগুলি ঠিক কী তা আমি নিশ্চিত নই, তবে আমি বেশ কয়েকটি উদাহরণ দিয়ে যাব এবং আশা করি এর মধ্যে একটিরও আপনার পরিস্থিতিতে প্রযোজ্য হবে।

কেস 1 : এক পরিমাণগত পরিবর্তনশীল দুটিবার পরিমাপ করা হয়

ধরা যাক যে আপনি একটি মানবিক বিষয় নিয়ে গবেষণা চালিয়েছেন যেখানে আপনি অংশগ্রহণকারীদের দুবার স্ট্যাটাস পরীক্ষা দিয়েছিলেন এবং দ্বিতীয় মাপের গড় স্কোর প্রথম পরিমাপের চেয়ে আলাদা ছিল কিনা তা জানতে চেয়েছিলেন (শিখন হয়েছে কিনা তা নির্ধারণ করতে)। যদি স্কোর টেস্ট 1 এবং টেস্ট 2 ডেটা ফ্রেমে ডি সঞ্চয় করা থাকে তবে আপনি সম্পূর্ণভাবে lm () ফাংশনটি ব্যবহার করে এটি করতে পারেন:

mod <- lm(test2 - test1 ~ 1, data = d)
summary(mod)

ইন্টারসেপ্টের পরীক্ষা হ'ল টেস্ট 1 এবং টেস্ট 2 এর মধ্যে পার্থক্যের পরীক্ষা। নোট করুন যে টেস্ট 1 এবং টেস্ট 2 এর মধ্যে পার্থক্যের জন্য আপনার কোনও ডেল্টা-আর ^ 2 থাকবে না - পরিবর্তে, আপনার প্রভাব আকারের পরিমাপ কোহেনের ডি এর মতো কিছু হওয়া উচিত।

কেস 2 এ : এক পরিমাণগত ভেরিয়েবল দু'বার পরিমাপ করা হয়, একটি দ্বৈতশাস্ত্রীয় ভেরিয়েবল, বিষয়গুলির মধ্যে পুরোপুরি পরিমাপ করা হয়

আসুন আমরা বলি যে আমাদের অধ্যয়নের নকশা একই রয়েছে, তবে আমরা জানতে চাই যে পুরুষ এবং মহিলাদের জন্য বিভিন্ন হারের শিক্ষাগুলি ঘটেছে কিনা। সুতরাং, আমাদের একটি পরিমাণগত পরিবর্তনশীল (পরীক্ষার পারফরম্যান্স) যা দুবার পরিমাপ করা হয়, এবং একটি দ্বিধাত্বক ভেরিয়েবল, একবার পরিমাপ করা হয়। ধরে নিই যে টেস্ট 1, টেস্ট 2, এবং লিঙ্গ সবই ডেটা ফ্রেমে রয়েছে ডি, আমরা এই মডেলটিকে কেবলমাত্র এলএম () ব্যবহার করে পরীক্ষা করতে পারতাম, যেমন:

mod <- lm(test2 - test1 ~ gender, data = d)
summary(mod)
lm.sumSquares(mod) # lm.sumSquares() is located in the lmSupport package, and gives the change in R^2 due to the between-subjects part of the model

ধরে নিই লিঙ্গ কেন্দ্রিক (যেমন, কোডিং, উদাহরণস্বরূপ, পুরুষ = -.5 এবং মহিলা = +.5), এই মডেলটির বিরতি পুরুষ এবং স্ত্রী জুড়ে গড়ে পরীক্ষা 1 এবং পরীক্ষা 2 এর পার্থক্যের পরীক্ষা। লিঙ্গের জন্য সহগ হ'ল সময় এবং লিঙ্গের মধ্যে মিথস্ক্রিয়া। সময় জুড়ে গড়ে লিঙ্গের প্রভাব পেতে, আপনাকে করতে হবে:

mod <- lm(rowMeans(cbind(test2, test1)) ~ gender, data = d)
summary(mod)

কেস 2 বি : একটি পরিমাণগত পরিবর্তনশীল দু'বার পরিমাপ করা হয়, একটি পরিমাণগত পরিবর্তনশীল, কেবল একবার পরিমাপ করা হয়

আসুন ধরে নেওয়া যাক যে আমাদের আবার একটি পরিমাণগত ভেরিয়েবল দু'বার পরিমাপ করা হয়েছে এবং একবার পরিমাণগত পরিবর্তনশীল একবার পরিমাপ করা হয়েছে। সুতরাং, উদাহরণস্বরূপ, আসুন আমরা বলি যে আমাদের পরিসংখ্যানগুলির জন্য বেসলাইন আগ্রহের একটি পরিমাপ ছিল এবং আমরা নির্ধারণ করতে চেয়েছিলাম যে যাদের বেসলাইন আগ্রহের উচ্চ স্তরের লোকেরা প্রথম সময়ে সময়ে আরও বেশি কিছু শিখেছে কিনা। আমরা প্রথমে আগ্রহের কেন্দ্রবিন্দু করতে চাই, :

d$interestc <- d$interest - mean(d$interest)

ধরে নিই যে টেস্ট 1, টেস্ট 2, এবং ইন্টারেস্টক সমস্তই ডেটা ফ্রেমে ডি তে রয়েছে, এই প্রশ্নটি তখন কেস 1 এ এর সাথে একইভাবে পরীক্ষা করা যেতে পারে:

mod <- lm(test2 - test1 ~ interestc, data = d)
summary(mod)
lm.sumSquares(mod)

আবারও, এই মডেলটির ইন্টারসেপ্ট পরীক্ষা করে স্কোরের গড় গড়, পরীক্ষার স্কোর 1 থেকে সময় সময় 2 পরিবর্তিত হয় কিনা পরীক্ষা করে। তবে, এই ব্যাখ্যাটি কেবল তখনই আগ্রহী যখন আগ্রহকে কেন্দ্র করে is আগ্রহের জন্য সহগ হ'ল সময়ের প্রভাব বেসলাইনের সুদের উপর নির্ভর করে কিনা। উপরের মত টেস্ট 1 এবং টেস্ট 2 একসাথে গড় করে এবং এই সংমিশ্রিত ভেরিয়েবলের উপর আগ্রহের প্রভাব পরীক্ষা করে আমরা সময়ের সাথে গড়ে, আগ্রহের প্রভাব পেতে পারি।

কেস 2 সি : একটি পরিমাণগত ভেরিয়েবল দু'বার পরিমাপ করা হয়, একটি শ্রেণিবদ্ধ ভেরিয়েবল, কেবল একবার মাপা হয়

আসুন ধরে নেওয়া যাক আপনার বিষয়গুলির মধ্যে পরিবর্তনশীলটি একটি বিভাগ ছিল যা কেবল একবারেই পরিমাপ করা হয়েছিল। সুতরাং, উদাহরণস্বরূপ, ধরে নেওয়া যাক যে আপনি বিভিন্ন বর্ণের লোকদের (হোয়াইট বনাম এশিয়ান বনাম কৃষ্ণ বনাম হিস্পানিক) লোকদের 1 থেকে সময় সময় বিভিন্ন ধরণের শিক্ষাগুলি ছিল কিনা তা সম্পর্কে আগ্রহী ছিলেন। পরীক্ষা 1, টেস্ট 2 এবং জাতি ডেটা ফ্রেমে ডি তে আছে ধরে নেওয়া , আপনার প্রথমে কোড রেসের বিপরীতে প্রয়োজন। আপনি পরিকল্পনা করতে চান এমন নির্দিষ্ট অনুমান / প্রশ্নগুলির উপর নির্ভর করে পরিকল্পিত অরথোগোনাল বৈসাদৃশ্য, ডামি কোডগুলি বা প্রভাব কোডগুলি ব্যবহার করে এটি করা যেতে পারে (আপনি যদি এটির জন্য কোনও সহায়ক ফাংশন সন্ধান করেন তবে lm.setContrasts () দেখার পরামর্শ দিই) । রেস ভেরিয়েবলটি ইতিমধ্যে কনট্রাস্ট কোডড হিসাবে ধরে নেওয়া, আপনি উপরের দুটি ক্ষেত্রে খুব একইভাবে lm () ব্যবহার করবেন:

mod <- lm(test2 - test1 ~ race, data = d)
summary(mod)
lm.sumSquares(mod)

জাতি বৈপরীত্যকে কেন্দ্রিক বলে ধরে নিচ্ছি, এই মডেলটির মধ্যে বিরতি আবারও সময়ের "প্রধান প্রভাব"। প্রতিযোগিতার বৈপরীত্যের সহগগুলি হ'ল সেই বিপরীতে এবং সময়ের মধ্যে মিথস্ক্রিয়া। রেসের সর্বজনীন প্রভাবগুলি পেতে, নিম্নলিখিত কোডটি ব্যবহার করুন:

Anova(mod, type = 3)

কেস 3 : একটি পরিমাণগত পরিবর্তনশীল 3 বার পরিমাপ করা হয় (অর্থাত্,-বিষয়গুলির মধ্যে ম্যানিপুলেশনের মধ্যে একটি তিন স্তরের)

আসুন ধরে নেওয়া যাক আপনি প্রথমটি কেস থেকে ডিজাইনে একটি তৃতীয় পয়েন্ট যুক্ত করেছেন। সুতরাং, আপনার অংশগ্রহণকারীরা দু'বার পরিবর্তে তিনবার একটি পরিসংখ্যান পরীক্ষা দিয়েছেন। আপনি সময় পয়েন্ট (কখনও কখনও আপনি না) এর মধ্যে পার্থক্যগুলির একটি সর্বজনীন পরীক্ষা চান কিনা তার উপর নির্ভর করে এখানে আপনার কয়েকটি পছন্দ আছে।

উদাহরণস্বরূপ, ধরা যাক যে আপনার মূল অনুমানটি হ'ল পরীক্ষার স্কোর 1 সময় সময় থেকে ধারাবাহিকভাবে বৃদ্ধি পাবে 3 ধরে নিই যে 1 পরীক্ষা 1, টেস্ট 2 এবং টেস্ট 3 ডেটা ফ্রেমে ডি রয়েছে, এই অনুমানটি প্রথমে নিম্নলিখিত সংমিশ্রণ তৈরি করে পরীক্ষা করা যেতে পারে:

d$lin <- d[, paste("test", sep = "", 1:3)] %*% c(-1, 0, 1)

তারপরে আপনি পরীক্ষা করতে পারবেন যে নির্ভরযোগ্য ভেরিয়েবল হিসাবে লিন ব্যবহার করে কেবল একটি ইন্টারসেপ্ট মডেলটির একটি ইন্টারসেপ্ট রয়েছে যা 0 থেকে আলাদা, যেমন:

mod <- lm(lin ~ 1, data = d)
summary(mod)

এটি আপনাকে পরিসংখ্যানের স্কোর সময়ের সাথে বাড়ছে কিনা তা পরীক্ষা দিবে। আপনার নির্দিষ্ট অনুমানের উপর নির্ভর করে আপনি অবশ্যই অন্যান্য ধরণের কাস্টম ডিফারেন্স স্কোর তৈরি করতে পারেন।

আপনি যদি গুরুত্বের ওমনিবাস পরীক্ষাগুলি সম্পর্কে চিন্তা করেন তবে আপনাকে গাড়ী প্যাকেজ থেকে আনোভা () ফাংশনটি ব্যবহার করতে হবে। নির্দিষ্ট বাস্তবায়নটি কিছুটা বিশৃঙ্খল। মূলত, আপনি নির্দিষ্ট করতে পারেন যে কোন ভেরিয়েবলগুলি সাবজেক্টের মধ্যে এবং কোনটি এলএম () ব্যবহার করে সাবজেক্টের মধ্যে রয়েছে। তারপরে আপনি মডেলের অন্তর্গত বিষয়গুলি তৈরি করুন (উদাহরণস্বরূপ, টেস্ট 1, টেস্ট 2 এবং টেস্ট 3 এর মধ্যে কোনটি প্রথম, দ্বিতীয় এবং তৃতীয় হিসাবে পরিমাপ করা হয়েছে তা নির্দিষ্ট করুন) এবং তারপরে ইডাটা নামে একটি ডেটা ফ্রেম তৈরি করে সেই মডেলটি আনোভাতে () পাস করুন। আমার অনুমানমূলক উদাহরণ ব্যবহার করে:

mod <- lm(cbind(test1, test2, test3) ~ 1, data = d) # No between-subjects portion of the model
idata <- data.frame(time = c("time1", "time2", "time3")) # Specify the within-subjects portion of the model
mod.A <- Anova(mod, idata = idata, idesign = ~time, type = 3) # Gives multivariate tests.  For univariate tests, add multivariate = FALSE
summary(mod.A)

ইডসাইন বিবৃতিটি আনোভাকে সময় ভেরিয়েবল (টেস্ট 1, টেস্ট 2 এবং টেস্ট 3 দিয়ে গঠিত) মডেলটিতে অন্তর্ভুক্ত করতে বলে। এই কোডটি আপনাকে পরীক্ষার স্কোরগুলিতে সময়ের প্রভাবগুলির আপনার সর্বজনীন পরীক্ষা দেবে।

কেস 4 : একটি পরিমাণগত পরিবর্তনশীল 3 বার পরিমাপ করা হয়, একটি বিষয়গুলির মধ্যে পরিমাণগত পরিবর্তনশীল

এই কেসটি 3 কেসটির একটি সহজ বর্ধিতাংশ হিসাবে উপরের মত, যদি আপনি কেবল 1 ডিগ্রি স্বাধীনতা পরীক্ষার বিষয়ে যত্নশীল হন তবে আপনি কেবলমাত্র আপনার বিষয়গুলির মধ্যে পরিবর্তনশীল সহ একটি কাস্টম ডিফারেন্স স্কোর তৈরি করতে পারেন। সুতরাং, ধরে নিই যে টেস্ট 1, টেস্ট 2, টেস্ট 3, এবং আগ্রহ সমস্তই ডেটা ফ্রেম ডি-তে রয়েছে এবং ধরে নিই যে আমরা পরীক্ষার স্কোরগুলিতে সময়ের রৈখিক প্রভাবগুলিতে আগ্রহী (এবং সময়ের সেই প্রভাবগুলি বেসলাইনের আগ্রহের সাথে কীভাবে পৃথক হয়), আপনি কি করবেন অনুসরণ:

d$lin <- d[, paste("test", sep = "", 1:3)] %*% c(-1, 0, 1)

তারপরে, নিম্নলিখিতগুলি (মধ্যকেন্দ্রিক আগ্রহের সাথে) করুন:

mod <- lm(lin ~ interestc, data = d)
summary(mod)
lm.sumSquares(mod)

আপনি যদি সর্বজনীন পরীক্ষা করতে চান তবে নিম্নলিখিতগুলি করুন:

mod <- lm(cbind(test1, test2, test3) ~ interest, data = d) # We now have a between-subjects portion of the model
idata <- data.frame(time = c("time1", "time2", "time3"))
mod.A <- Anova(mod, idata = idata, idesign = ~time * interest, type = 3) # The idesign statement assumes that we're interested in the interaction between time and interest
summary(mod.A)

অন্যান্য কেস: আমি বংশবৃদ্ধির জন্য এগুলি বাদ দেব, তবে আমি ইতিমধ্যে যা বর্ণনা করেছি তার এগুলি সহজ এক্সটেনশন।

দয়া করে নোট করুন যে সময়ের (অবিবাহিত) সর্বজনীন পরীক্ষা যেখানে সময় 2 টিরও বেশি থাকে সমস্ত গোলকত্ব অনুমান করে। আপনি স্তর সংখ্যা বৃদ্ধি করার সাথে সাথে এই অনুমানটি বেশ অযোগ্য হয়ে যায়। আপনার নকশায় পরিমাপের বেশ কয়েকটি পয়েন্ট থাকলে (বলুন, 4+) আমি আপনাকে দৃ strongly ়ভাবে সুপারিশ করছি যে আপনি মাল্টিলেভেল মডেলিংয়ের মতো কিছু ব্যবহার করুন এবং এই কৌশলটির জন্য বিশেষত কোনও প্যাকেজটিতে যান (যেমন এনএলএম বা lme4) ।

আশাকরি এটা সাহায্য করবে!

— প্যাট্রিক এস
সূত্র

প্রিয় পেট্রিক @ ব্যবহারকারী ১১৮৮৪০7, আপনাকে এইরকম উত্তর দেওয়ার ক্ষেত্রে অত্যন্ত সদয় আচরণের জন্য অনেক ধন্যবাদ। দুর্ভাগ্যক্রমে আমার কেস সম্ভবত আপনি শেষ বাক্যে যা লিখেছিলেন তার সাথে খাপ খায় ... সুতরাং আমার ডেটা কীভাবে আচরণ করবেন তা বোঝার জন্য আমার একটি আর কোড উদাহরণ দরকার need প্রকৃতপক্ষে যদি আপনি আমার পরীক্ষা পূর্ববর্তী পোস্টে বর্ণনা নকশা তাকান stackoverflow.com/questions/12182373/... আপনি দেখতে পারেন আমি একটি পরিবর্তনশীল মাপা 4 সময় (অর্থাত বেগ 4 অবস্থায় মাপা) আছে

— L_T

এবং আমি জানতে চাই যে চারটি শর্তে অনুভূত বেগটি প্রকাশ করে একটি ভেরিয়েবলের (গতিবেগ_গ্রাহী) সাথে রৈখিক সম্পর্ক রয়েছে কিনা। সুতরাং প্রতিটি অংশগ্রহণকারী 4 টি শর্ত পেয়েছে এবং তারপরে সেই শর্তগুলির উপলব্ধি মূল্যায়ন করেছে। পারফরম্যান্স অনুধাবনের সাথে সম্পর্কিত কিনা তা আমি জানতে চাই ...

— L_T

ভাল আপনি যদি কোনও মাল্টিলেভেল মডেলিং সমাধানটি ব্যবহার করতে চান তবে আপনি প্রচুর বিভিন্ন অনলাইন সংস্থান আঁকতে পারেন। শুরু করার জন্য, আপনার এনএলএম প্যাকেজ এবং এই ভিগনেটটি একবার দেখা উচিত । ভিগনেটটি কিছুটা পুরানো (২০০২), যখন আমি মাল্টি-লেভেল মডেলিংয়ের বিষয়ে শিখছিলাম তখন আমি এটি দরকারী বলে মনে করি। অবশেষে, আপনি এনএমএম প্যাকেজ প্রস্তুতকারকদের দ্বারা প্রকাশিত বইটি পরীক্ষা করে দেখতে পারেন ।

— প্যাট্রিক এস ফার্সচার

প্রিয় পেট্রিক @ ব্যবহারকারী 1188407 ধন্যবাদ। আমি মাল্টিলেভেল মডেলগুলি অধ্যয়ন করেছি এবং আমি আমার তথ্য বিশ্লেষণ করতে এই সূত্রটিতে পৌঁছেছি: lme (Velocity_response el Velocity * Subject, data = scrd, random = ~ 1 | বিষয়) আপনি দয়া করে আমাকে নিশ্চিত করতে পারেন যে এই সূত্রটি বিশ্লেষণের জন্য সঠিক কিনা I আমার ডেটাতে পারফর্ম করতে চান? তবে, আমি কীভাবে আর ^ 2 এবং পি-মান পেতে পারি, বা পয়েন্টগুলি এবং গ্রন্থিকাগুলি কীভাবে পেনশন এবং পাকস্থলীতে ফিরিয়ে আনতে পারি তা বুঝতে পারি না। দয়া করে আমাকে একটু সাহায্য করবেন? আমি

— কোনও পরিসংখ্যান

আপনার অধ্যয়নের আমার বোঝার উপর ভিত্তি করে সূত্রটি আমার কাছে সঠিক বলে মনে হচ্ছে (এবং ধরে নিই যে আপনি নিজের ডেটাটি ব্যক্তিগত সময়ের বিন্যাসে ফর্ম্যাট করেছেন)। আপনার বিশ্লেষণের ফলাফলগুলিকে কোনও বস্তুর মধ্যে সংরক্ষণ করে (যেমন আমি আমার উদাহরণগুলিতে করি) এবং সেই বস্তুর সংক্ষিপ্তসার পেয়ে আপনি আপনার পি-মানগুলি পাবেন। তবে মাল্টিলেভেল মডেল এবং traditionalতিহ্যবাহী রিগ্রেশন (যেমন, প্রভাব আকারের মেট্রিক্স - মাল্টিলেভেল মডেলের কোনও মানক মেট্রিক নেই) এর মধ্যে পার্থক্যের কারণে আমি আপনাকে দৃ strongly়ভাবে এই কৌশলটি ব্যবহারের আগে আরও পড়তে পরামর্শ দিচ্ছি। দেখে মনে হচ্ছে অন্যান্য ব্যবহারকারীরা বেশ কয়েকটি ভাল বিকল্পের পরামর্শ দিয়েছেন।

— প্যাট্রিক এস ফার্সচার