আমি মনে করি এটির পার্থক্য যা পরীক্ষাগুলি গণনা করা হয়। car::Anovaওয়াল্ড পরীক্ষাগুলি ব্যবহার করে, যেখানে drop1একক পদ ছাড়ার মডেলটিকে রিফেক্ট করে। জন ফক্স একবার আমাকে লিখেছেন, ওয়াল্ড সম্ভাবনা অনুপাতের পরীক্ষা ব্যবহার করে (যেমন কৌশলটি drop1) রেফিটেড মডেলগুলি পরীক্ষা করে এবং পরীক্ষাগুলি লিনিয়ার পক্ষে সম্মত হয় তবে অগত্যা অ-রৈখিক মডেল নয়। দুর্ভাগ্যক্রমে এই মেলটি অফলিস্ট ছিল এবং এতে কোনও রেফারেন্স নেই। তবে আমি জানি যে তাঁর বইয়ের ওয়াল্ড পরীক্ষার একটি অধ্যায় রয়েছে, যাতে কাঙ্ক্ষিত তথ্য থাকতে পারে।
বলতে সহায়তা car::Anova:
টাইপ -২ পরীক্ষাগুলি মার্জিনালটির নীতি অনুসারে গণ্য করা হয়, প্রতিটি পদটির উচ্চতর অর্ডার আত্মীয়দের অগ্রাহ্য করা ছাড়া অন্য সকলের পরে পরীক্ষা করে; তথাকথিত ধরণের III পরীক্ষাগুলি প্রান্তিকতা লঙ্ঘন করে, প্রতিটি ক্ষেত্রেই অন্যদের সমস্তের পরে মডেলটিতে পরীক্ষা করে। টাইপ -২ পরীক্ষার এই সংজ্ঞাটি এসএএস-এর-বিশ্লেষণ-বৈকল্পিক মডেলগুলির জন্য উত্পাদিত পরীক্ষার সাথে মিলে যায়, যেখানে ভবিষ্যদ্বাণীকারীরা সমস্ত কারণ হয়, তবে সাধারণভাবে হয় না (অর্থাত্ যখন পরিমাণগত ভবিষ্যদ্বাণী থাকে)। প্রকার III পরীক্ষার জন্য মডেল গঠনে খুব সতর্কতা অবলম্বন করুন বা পরীক্ষিত হাইপোথিসগুলি অর্থবোধ করবে না।
দুর্ভাগ্যক্রমে আমি আপনাকে দ্বিতীয় বা তৃতীয় প্রশ্নের উত্তর দিতে পারি না কারণ আমি এটিও জানতে চাই।
পুনর্গঠন মন্তব্য আপডেট করুন :
সাধারণ মিশ্রিত মডেলগুলির জন্য কোনও ওয়াল্ড, এলআর এবং এফ পরীক্ষা নেই। Anovaশুধু জন্য করতে পারবেন "chisq"এবং "F"মিশ্র মডেলের জন্য পরীক্ষার (যেমন "mer"হিসাবে দ্বারা ফিরে বস্তু lmer)। ব্যবহার বিভাগটি বলে:
## S3 method for class 'mer'
Anova(mod, type=c("II","III", 2, 3),
test.statistic=c("chisq", "F"), vcov.=vcov(mod), singular.ok, ...)
তবে যেমন merবস্তুর জন্য এফ-টেস্টগুলি গণনা করা হয় pbkrtest, যা আমার জ্ঞানের জন্য কেবল রৈখিক মিশ্র মডেলের জন্য কাজ করে, Anovaকারণ জিএলএমএমগুলি সর্বদা ফিরে আসা উচিত chisq(যার ফলে আপনি কোনও পার্থক্য দেখেন না)।
প্রশ্ন সম্পর্কিত আপডেট:
আমার আগের উত্তর শুধু আপনার মূল প্রশ্ন, মধ্যে পার্থক্য সাড়া চেষ্টা Anova()এবং drop1()। তবে আমি এখন বুঝতে পেরেছি যে আপনি যদি নির্দিষ্ট নির্দিষ্ট প্রভাবগুলি গুরুত্বপূর্ণ বা না তা পরীক্ষা করতে চান। আর-স্বাক্ষর মিশ্র মডেলিং প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী এই সংক্রান্ত নিম্নলিখিত বলেছেন:
একক পরামিতি পরীক্ষা
সবচেয়ে খারাপ থেকে সেরা:
- ওয়াল্ড জেড-টেস্টস
- সুষম, নেস্টেড এলএমএমগুলির জন্য যেখানে ডিএফ গণনা করা যায়: ওয়াল্ড টি-টেস্ট
- সম্ভাবনা অনুপাত পরীক্ষা, হয় মডেল সেটআপ করে যাতে প্যারামিটারটি বিচ্ছিন্ন / বাদ দেওয়া যায় (আনোভা বা ড্রপ 1 এর মাধ্যমে), অথবা সম্ভাবনা প্রোফাইলগুলির কম্পিউটিংয়ের মাধ্যমে
- MCMC বা প্যারামেট্রিক বুটস্ট্র্যাপের আত্মবিশ্বাসের বিরতি
প্রভাবগুলির পরীক্ষাগুলি (অর্থাত্ বেশ কয়েকটি পরামিতি একই সাথে শূন্য হয়)
সবচেয়ে খারাপ থেকে সেরা:
- ওয়াল্ড চি-স্কোয়ার পরীক্ষা (যেমন গাড়ী: আনোভা)
- সম্ভাবনা অনুপাতের পরীক্ষা (আনোভা বা ড্রপ 1 এর মাধ্যমে)
- সুষম, নেস্টেড এলএমএমগুলির জন্য যেখানে ডিএফ গণনা করা যায়: শর্তসাপেক্ষ এফ-টেস্ট
- এলএমএমগুলির জন্য: ডিএফ সংশোধন সহ শর্তসাপেক্ষ এফ-পরীক্ষা (যেমন পিবিক্রিটেস্ট প্যাকেজে কেনওয়ার্ড-রোজার)
- এমসিএমসি বা প্যারামেট্রিক, বা ননপ্যারামেট্রিক, বুটস্ট্র্যাপ তুলনা (ননপ্যারমেট্রিক বুটস্ট্র্যাপিং অবশ্যই গ্রুপিংয়ের কারণগুলির জন্য অ্যাকাউন্টে প্রয়োগ করতে হবে)
(সামনে জোর দাও)
এটি নির্দেশ করে যে car::Anova()জিএলএমএম ব্যবহার করার জন্য আপনার পদ্ধতির সাধারণত সুপারিশ করা হয় না, তবে এমসিএমসি বা বুটস্ট্র্যাপ ব্যবহার করে এমন একটি পদ্ধতির ব্যবহার করা উচিত। আমি জানি না pvals.fncযে languageRপ্যাকেজটি জিএলএমএমগুলির সাথে ডুবে গেছে, তবে এটি চেষ্টা করার মতো।