বারবার বাইনারি ফলাফল ব্যবহার করে সময়-প্রতি-ইভেন্ট বিশ্লেষণের সাথে ডিল করার চেষ্টা করছি। মনে করুন যে সময় থেকে ইভেন্টটি দিনের মধ্যে পরিমাপ করা হয় তবে মুহুর্তের জন্য আমরা সপ্তাহের মধ্যে সময়কে আলাদা করে দেখি। বারবার বাইনারি ফলাফল ব্যবহার করে আমি প্রায় এক কাপলান-মিয়ার অনুমানকারী (তবে সিভারিদের অনুমতি দিন) চাই। এটি যাওয়ার মতো চারিদিকের মতো মনে হবে তবে আমি কীভাবে এটি সাধারণ ফলাফল এবং পুনরাবৃত্ত ইভেন্টগুলিতে প্রসারিত তা অন্বেষণ করছি।
যদি আপনি একটি বাইনারি ক্রম তৈরি করেন যা 3 সপ্তাহে সেন্সর করা কারুর জন্য 000, 4W তে সেন্সর করা কারও জন্য 0000, এবং 5W এ ব্যর্থ হয়েছে এমন কোন বিষয়টির জন্য 0000111111111111 .... .... শেষ বিষয়টি 1 পয়েন্ট পর্যন্ত প্রসারিত হবে সমীক্ষায় অনুসরণ করা হয়েছে), আপনি যখন 1 সেকেন্ডের সপ্তাহ-নির্দিষ্ট অনুপাতের গণনা করেন তখন আপনি সাধারণ ক্রমবর্ধমান প্রবণতা পেতে পারেন (যতক্ষণ না আপনি পরিবর্তনশীল সেন্সরিং বারে পৌঁছান, যেখানে এটি কেবল প্রায় কাছাকাছি হয় তবে এটি কাপলান-মিয়ার ক্রমযুক্ত সংখ্যার তুলনায় সমান হয় না)।
উপরের মত সময়কে আলাদা করার পরিবর্তে সময় মতো স্প্লাইন ব্যবহার করার পরিবর্তে আমি জিআইই ব্যবহার করে বাইনারি লজিস্টিক মডেলের সাথে পুনরাবৃত্ত বাইনারি পর্যবেক্ষণগুলি ফিট করতে পারি। ক্লাস্টার স্যান্ডউইচ কোভারিয়েন্স অনুমানক যুক্তিসঙ্গতভাবে ভাল কাজ করে। তবে আমি একটি মিশ্র প্রভাবগুলির মডেল ব্যবহার করে আরও সঠিক অনুমান পেতে চাই। সমস্যাটি হ'ল প্রথম 1 এর পরে 1 এর কাজগুলি অতিরিক্ত কাজ করে। এলোমেলো প্রভাবগুলি নির্দিষ্ট করতে বা এমন কোনও মডেল নির্দিষ্ট করার কোনও উপায় কি কেউ জানেন যে স্ট্যান্ডার্ড ত্রুটিগুলি অপসারণযোগ্য না হয়?
মনে রাখবেন যে, এই সেটআপ পৃথক এফরন এর কারণ তিনি লজিস্টিক মডেল ব্যবহার করছিলেন ঝুঁকি সেটে শর্তাধীন সম্ভাব্যতা অনুমান করার জন্য। আমি শর্তহীন সম্ভাবনার অনুমান করছি।
GLMMadaptiveপ্যাকেজ আরও সাধারণ সেটআপের জন্য ভয়ঙ্কর দেখায়।