লিটারে ভেরিয়েন্স-কোভারিয়েন্স ম্যাট্রিক্স


18

আমি জানি যে মিশ্র মডেলগুলির একটি সুবিধা হ'ল তারা ডেটাগুলির জন্য ভেরিয়েন্স-কোভারিয়েন্স ম্যাট্রিক্স নির্দিষ্ট করার অনুমতি দেয় (যৌগিক প্রতিসাম্য, অটোরিগ্রেসিভ, আনস্ট্রাকচার্ড ইত্যাদি) তবে lmerআর-তে ফাংশন এই ম্যাট্রিক্সের সহজ স্পেসিফিকেশনের অনুমতি দেয় না। lmerডিফল্টরূপে কাঠামো কী ব্যবহার করে এবং সহজেই এটি নির্দিষ্ট করার কোনও উপায় নেই তা কি কেউ জানেন ?

উত্তর:


9

মিশ্র মডেলগুলি (সাধারণ সংস্করণ) ভেরিয়েন্স উপাদানগুলির মডেল। আপনি নির্দিষ্ট প্রভাবগুলির অংশটি লিখে রাখুন, ত্রুটির শর্তাদি যুক্ত করুন যা পর্যবেক্ষণের কয়েকটি গ্রুপের জন্য সাধারণ হতে পারে, প্রয়োজনে লিঙ্ক ফাংশন যুক্ত করুন এবং এটি সম্ভাবনা ম্যাক্সিমাইজারে রেখে দিন।

আপনি যে বিভিন্ন বৈকল্পিক কাঠামো বর্ণনা করছেন তা হ'ল সাধারণ অনুমানের সমীকরণগুলির জন্য কার্যনির্বাহী মডেল, যা অনুমানের দৃust়তার জন্য মিশ্র / মাল্টিলেভেল মডেলের কিছু নমনীয়তার বাণিজ্য করে। জিইইএস সহ, আপনি কেবল স্থির অংশটিতে অনুমান পরিচালনা করতে আগ্রহী এবং আপনি কোনও মিশ্র মডেল হিসাবে যেমন বৈকল্পিক উপাদানগুলি অনুমান না করে ঠিক আছেন। এই স্থির প্রভাবগুলির জন্য, আপনি একটি দৃ /় / স্যান্ডউইচ অনুমান পান যা আপনার পারস্পরিক সম্পর্ক কাঠামো ভুল বানানো থাকলেও উপযুক্ত। যদিও মডেলটির ভুল বানান করা হয় তবে মিশ্র মডেলটির অনুক্রমটি ভেঙে যায়।

সুতরাং প্রচুর পরিমাণে মিল থাকার সময় (একটি বহুমুখী কাঠামো এবং অবশিষ্টাংশগুলি সম্পর্কিত সমস্যার সমাধান করার ক্ষমতা), মিশ্র মডেল এবং জিইই এখনও কিছুটা স্বতন্ত্র পদ্ধতি। জি প্যাকেজগুলির সাথে সম্পর্কিত আর প্যাকেজটিকে যথাযথভাবে ডাকা হয় geeএবং corstrবিকল্পগুলির সম্ভাব্য মানগুলির তালিকায় আপনি উল্লিখিত কাঠামোগত সন্ধান করতে পারেন।

GEEs এর দৃষ্টিকোণ থেকে, lmerবিনিময়যোগ্য পারস্পরিক সম্পর্কের সাথে কাজ করে ... কমপক্ষে যখন মডেলের দুটি স্তরের স্তরক্রম থাকে, এবং কেবল এলোমেলো ইন্টারসেপ্ট নির্দিষ্ট করা হয়।


ধন্যবাদ, স্টাস আমি এর আগে জিইই এর কথা শুনিনি এবং কেবল মিশ্র মডেলিং শিখার চেষ্টা করেছি (যা কৌশলটি জটিল এবং এটি সফ্টওয়্যার বাস্তবায়নের পার্থক্যের দ্বারা প্রশস্তও হয়েছে)। আমি জিইই কে একবার চেষ্টা করব। বায়োমেডিকাল নির্ভর ব্যবস্থাগুলি নিয়ে বারবার ব্যবস্থা নিয়ে আমার সত্যিই একটি সহজ পরীক্ষা রয়েছে। আমি বেশিরভাগ স্থির অংশে আগ্রহী। আমার আগের প্রশিক্ষণটি বেশিরভাগ স্ট্যান্ডার্ড ফিক্সড এ্যানোভাতে থাকে যাতে এটি আরও সহজ স্থানান্তর হতে পারে।
নিকিতা কুজনেটসভ

আমি স্থির পরামিতিগুলি অনুমান করার ধারণা পছন্দ করি এবং জি লাইব্রেরিটি চেষ্টা করেছি। এছাড়াও অন্যান্য গ্রন্থাগার রয়েছে (উদাহরণস্বরূপ জিপ্যাক)। তারা কোনও কারণে খারাপ? আমার ক্ষেত্রে লোকেরা পি-ভ্যালু রিপোর্ট করতে হবে। অনুমানগুলি থেকে এগুলি পেতে এবং ক্লাস্টারিংকে বিবেচনায় নিয়ে যুগলতর তুলনা পরিচালনা করার কোনও উপায় আছে কি?
নিকিতা কুজনেটসভ

পেয়ারওয়াইসের তুলনা কী? আর লাইব্রেরিগুলির বিচিত্রতা সবসময় আমাকে বাদাম চালিয়ে চলেছে এবং আমি নির্দিষ্ট মডেলটিতে কাজ করার সত্যিকার প্রয়োজন না থাকলে প্যাকেজগুলির মধ্যে পার্থক্যগুলি নিয়ে গবেষণা করি না।
স্টাসকে

স্ট্যাটসকে, এটা কি সত্য? আমি মাল্টিলেভেল মডেলিংয়ের একটি শিক্ষানবিস তবে হক্স (২০১০) বা রাবে-হেস্কেথ অ্যান্ড স্ক্রোনডাল (২০১৩) এমএলই এবং জিইই এর মাধ্যমে বিভিন্ন বৈকল্পিক অনুমানের মধ্যে স্পষ্টভাবে পার্থক্য করে। উদাহরণস্বরূপ "শক্তিশালী" স্যান্ডউইচ স্ট্যান্ডার্ড ত্রুটির গণনা করার সময়, হক্স (পৃষ্ঠা 260) বলেছেন যে আপনি হেসিয়ান ম্যাট্রিক্সের ইনফরমেশন ম্যাট্রিক্স / বিপরীতটি ব্যবহার করে (বহুস্তরের কাঠামোটিকে বিবেচনায় নিয়ে) বা তার থেকে ভিন্নতা নির্ধারণের মাধ্যমে মাল্টিলেভেল মডেলিংয়ের মাধ্যমে সেগুলি গণনা করতে পারেন either কাঁচা অবশিষ্টাংশ এবং GLS এর পরে সহগের হিসাব করতে (GEE পদ্ধতির)
আর্ন জোনাস ওয়ার্নকে

1
আমি নিশ্চিত নই যে স্টাসকের প্রস্তাবিত পার্থক্যটি এখানে সত্যই সঠিক। এই বিকল্প পারস্পরিক সম্পর্কের কাঠামোগুলি প্রকৃতপক্ষে জিইই দ্বারা ব্যবহৃত হয়, তবে এলোমেলো প্রভাব বা অবশিষ্টাংশের ত্রুটিগুলির covariance জন্য আরও জটিল কাঠামোযুক্ত (সম্পূর্ণ প্যারামেট্রিক) মিশ্রিত মডেল এবং আর, এসএএস প্রোক মিক্সড, বা এনএলএম প্যাকেজটিতে মেশানো পুরোপুরি সম্ভব or স্টাতার মিক্সড কমান্ডগুলি এটি করে।
জোনাথন বারলেটলেট

4

Lmer এর ফ্লেক্সলাম্বা শাখা যেমন একটি কার্যকারিতা সরবরাহ করে।

কীভাবে ত্রুটি বা এলোমেলো প্রভাবের নির্দিষ্ট কাঠামো প্রয়োগ করতে হয় তার উদাহরণগুলির জন্য https://github.com/lme4/lme4/issues/224 দেখুন ।


আমি কি নিয়মিত এবং ফ্লেক্সলাম্বা দুটি শাখা একবারে ইনস্টল করতে পারি? কিভাবে?
স্ক্যান

3

আমার জ্ঞানের কাছে লিমার এটির সমাধান করার একটি "সহজ" উপায় পাচ্ছে না। এছাড়াও দেওয়া হয়েছে যে বেশিরভাগ ক্ষেত্রে লিমার চোলসকি ফ্যাক্টেরাইজেশনের জন্য স্পার্স ম্যাট্রিক্সের ভারী ব্যবহার করে, আমি এটি অসম্পূর্ণভাবে ভিসিভির জন্য সম্পূর্ণরূপে অস্বীকার করে দেখতে পাব।

(1|আরএকটিএন1)+ +(1|আরএকটিএন2)

আর=[σআর12000000σআর12000000σআর12000000σআর22000000σআর22000000σআর22]

যদিও এলএমই এর সাথে সমস্ত হারিয়ে যায় না: আপনি এই ভিসিভি ম্যাট্রিক্স বৈশিষ্ট্যগুলি "সহজেই" নির্দিষ্ট করতে পারেন আপনি আর-প্যাকেজ এমসিএমসিজিএমএম ব্যবহার করছেন। এ CourseNotes.pdf , পৃ .70। এই পৃষ্ঠায় এটি কীভাবে lme4 এলোমেলো প্রভাবগুলির কাঠামো সংজ্ঞায়িত হবে সে সম্পর্কে কিছু অ্যানালগ দেয় তবে আপনি নিজেরাই দেখবেন, এই ক্ষেত্রে এমসিএমসিজিএমএম এর চেয়ে কম পরিমাণে নমনীয়।

অর্ধ-উপায়ে সমস্যা আছে এনএলএম এর lme কর্সস্ট্রাক্ট ক্লাস, যেমন। corCompSymm , corAR1 , ইত্যাদি ইত্যাদি দীর্ঘসূত্রী প্রতিক্রিয়া এই পদধ্বনি মধ্যে lme4 ভিত্তিক VCV স্পেসিফিকেশন জন্য আরো কিছু সংক্ষিপ্ত উদাহরণ দেয় কিন্তু উল্লিখিত আগে তারা যেমন explictly MCMCglmm বা nlme সেই হিসাবে নয়।


পূর্বের বিতরণগুলির নিষ্পাপ পছন্দের কারণে আমি এমসিসিএমসিজিএলএম "বিশ্বাস" করি না।
স্টাফেন লরেন্ট

উ: আমি মনে করি না এটি "নিষ্পাপ"; তারা বৈধ অনুমান প্রতিফলিত করতে পারে। এমনকি যদি আপনি কোনও কিছুর জন্য দৃ strongly়রূপে অনুভব করেন তবে আপনি অনুচিত প্রিয়ারদেরও সংজ্ঞায়িত করতে পারেন। বি। এটি আমার উত্তরের একাংশ ছিল, এটি বলে না যে এটি কেবলমাত্র একমাত্র পথ; আমি lme4 জন্য উদাহরণ দিয়েছি। সি। যদি আপনার মাল্টিভারিয়েট মিক্সড এফেক্ট করতে হয় তবে এটি কেবল সাব্রেআরের পাশাপাশি কার্যত একমাত্র উপলভ্য প্যাকেজ ...
ইউএসআর 11852 বলেছেন পুনরায় ইনস্টল মনিক

দুঃখিত, আমার মন্তব্য আপনার উত্তর সম্পর্কে সমালোচনা ছিল না। "নিষ্পাপ প্রিরিয়ার্স" বলার সময় আমি নন-ইনফর্মটিভ প্রিয়ারদের নিয়ে কথা বললাম।
স্টাফেন লরেন্ট

এই আর ম্যাট্রিক্সটি ঠিক বলে মনে হচ্ছে না। এমনকি "ধ্রুপদী" পুনরাবৃত্তি-পদক্ষেপ অ্যানোভা শর্তগুলির মধ্যে শূন্য-না পারস্পরিক সম্পর্কের জন্য অনুমতি দেয় (আমি যৌগিক প্রতিসাম্য ম্যাট্রিক্সের কথা ভাবছি)। আমার কাছে মনে হচ্ছে যে এই ম্যাট্রিক্সটি কেবল দুটি ক্লাস্টারের সাথে এলোমেলোভাবে বরাদ্দকরণের সাথে একটি বিষয়-ডিজাইনের জন্য বৈধ হবে।
নিকিতা কুজনেটসভ

(1|আরএকটিএন1)+ +(1|আরএকটিএন2)
আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.