মিশ্রিত প্রভাবগুলির মডেলগুলির জন্য কীভাবে এনএলএম বা lme4 আর লাইব্রেরি চয়ন করবেন?

Question

আমি কয়েকটি মিশ্র ইফেক্ট মডেল (বিশেষত অনুদৈর্ঘ্য মডেল) ব্যবহার lme4করে ফিট করেছি Rতবে মডেলগুলি এবং তাদের সাথে যে কোডটি চলেছে তা সত্যিই আয়ত্ত করতে চাই।

তবে উভয় পায়ে ডুব দিয়ে (এবং কিছু বই কেনার আগে) আমি নিশ্চিত হতে চাই যে আমি সঠিক লাইব্রেরি শিখছি। আমি lme4এখন পর্যন্ত ব্যবহার করেছি কারণ আমি এটির চেয়ে সহজ পেয়েছি nlmeতবে nlmeআমার উদ্দেশ্যগুলির জন্য যদি এটি আরও ভাল হয় তবে আমার মনে হয় এটি ব্যবহার করা উচিত।

আমি নিশ্চিত যে সরল পদ্ধতিতে উভয়ই "ভাল" নয়, তবে আমি কিছু মতামত বা ধারণাকে গুরুত্ব দেব। আমার প্রধান মানদণ্ডগুলি হ'ল:

1. ব্যবহার করা সহজ (আমি প্রশিক্ষণের মাধ্যমে মনোবিজ্ঞানী, এবং বিশেষত পরিসংখ্যান বা কোডিংয়ে পারদর্শী নই, তবে আমি শিখছি)
2. দ্রাঘিমাংশীয় ডেটা ফিট করার জন্য ভাল বৈশিষ্ট্যগুলি (যদি এখানে কোনও পার্থক্য থাকে- তবে এটি আমি প্রধানত তাদের জন্য ব্যবহার করি)
3. গ্রাফিকাল সংক্ষিপ্তসারগুলি ভাল (ব্যাখ্যা করতে সহজ) আবার নিশ্চিত হন না যে এখানে কোনও পার্থক্য রয়েছে কিনা তবে আমি প্রায়শই আমার তুলনায় আরও কম প্রযুক্তিগত লোকের জন্য গ্রাফ তৈরি করি, তাই সুন্দর পরিষ্কার প্লটগুলি সর্বদা ভাল থাকে (আমি জাল্লিতে জাইপ্লট ফাংশনটি খুব পছন্দ করি () এই কারনে).

যথারীতি, আশা করি এই প্রশ্নটি খুব অস্পষ্ট নয়, এবং কোনও জ্ঞানের জন্য আগাম ধন্যবাদ!

Answer 1

উভয় প্যাকেজ ব্যবহার Latticeব্যাকএন্ড হিসাবে, কিন্তু nlmeমত কিছু চমৎকার বৈশিষ্ট্য আছে groupedData()এবং lmList()উদাসীন যে lme4(আইএমও)। ব্যবহারিক দৃষ্টিকোণ থেকে, দুটি সবচেয়ে গুরুত্বপূর্ণ মানদণ্ড মনে হয়, তবে, এটি

1. lme4nlmeঅন্যান্য লিঙ্ক ফাংশনগুলির সাথে প্রসারিত : ইন nlme, আপনি ফলাফলগুলি মাপসই করতে পারবেন না যার বিতরণ গাউসিয়ান নয় lme4, উদাহরণস্বরূপ মিশ্র-প্রভাব লজিস্টিক রিগ্রেশন ফিট করতে ব্যবহার করা যেতে পারে।
2. ইন nlme, এলোমেলো প্রভাবগুলির জন্য ভেরিয়েন্স-কোভারিয়েন্স ম্যাট্রিক্স নির্দিষ্ট করা সম্ভব (যেমন একটি এআর (1)); এটা সম্ভব হয় না lme4।

এখন, lme4খুব সহজেই খুব বিশাল সংখ্যক এলোমেলো প্রভাবগুলি পরিচালনা করতে পারে (অতএব, প্রদত্ত গবেষণায় ব্যক্তি সংখ্যা) এর সি অংশ এবং স্পার্স ম্যাট্রিক্স ব্যবহারের জন্য ধন্যবাদ। nlmeপ্যাকেজ কিছুটা দ্বারা বাতিল করা হয়েছে lme4তাই আমি মানুষ অনেক সময় খরচ উপরে অ্যাড-অন উন্নয়নশীল আশা করা হবে না nlme। ব্যক্তিগতভাবে, আমার মডেলটিতে আমার যখন ধারাবাহিক প্রতিক্রিয়া থাকে, তখন আমি উভয়ই প্যাকেজ ব্যবহার করি, তবে আমি এখন lme4জিএলএমএম ফিটিংয়ের জন্য দক্ষ।

একটি বই কেনার পরিবর্তে, প্রথমে একবার ডগ বেটসের আর-ফরজ: lme4 সম্পর্কিত খসড়া বইটি দেখুন: আর-এর সাথে মিশ্র-প্রভাবগুলির মডেলিং ।

Comments

@ 2) আরও সুনির্দিষ্টভাবে, আপনি lme4র্যান্ডম এফেক্টগুলির জন্য একটি তির্যক সমবায় কাঠামো (অর্থাত্ স্বাধীন র্যান্ডম এফেক্টস) বা কাঠামোগত কোভরিয়েন্স ম্যাট্রিকেস (অর্থাত্ সকল পারস্পরিক সম্পর্কের অনুমান করতে হবে) বা আংশিকভাবে ত্রিভুজযুক্ত, আংশিকভাবে কাঠামোগত কোভারিয়েন্স ম্যাট্রিক্স নির্দিষ্ট করতে পারেন। আমি এমন ক্ষমতার মধ্যে তৃতীয় পার্থক্যও যুক্ত করব যা অনেকগুলি অনুদায়ী তথ্য পরিস্থিতির জন্য আরও প্রাসঙ্গিক হতে পারে: nlmeআসুন আপনি অবশিষ্টাংশের (যেমন স্থানিক বা সাময়িক স্বতঃসংশ্লিষ্টতা বা ভিন্নধর্মীয়তা) এর জন্য বৈচিত্র্য-সমবায় কাঠামো নির্দিষ্ট করে দিন, lme4তা নয়।

— ভক্তরা

@ ফাবিয়েনস (+1) আহ, ধন্যবাদ! বুঝতে পারিনি lme4বিভিন্ন ভিসি স্ট্রাকচার বেছে নিতে দেয়। আপনার নিজের অন্যান্য ধারণাগুলির সাথে আপনি নিজের প্রতিক্রিয়াতে এটি যুক্ত করা ভাল। আমি upvote হবে। বিটিডাব্লু, আমি বুঝতে পেরেছিলাম যে এটিও lmList()উপলব্ধ lme4। আমি আর-সিগ-এমই সম্পর্কে সে সম্পর্কে কিছু আলোচনা মনে করি।

— chl

কোন দ্রুত বিকল্প? আমাকে বড় ডেটাসেট সহ মডেলগুলি ফিট করতে হবে এবং আমার কম্পিউটারে প্রায় এক ঘন্টা সময় নিতে হবে। অনেকগুলি দ্রুত রিগ্রেশন প্যাকেজ রয়েছে তবে কোনওটি এলোমেলো প্রভাবগুলির সাথে মোকাবিলা করতে সক্ষম বলে মনে হচ্ছে না।

— স্ক্যান

Answer 2

চিএল যেমন উল্লেখ করেছেন, মূল পার্থক্য হ'ল আপনি এলোমেলো প্রভাবগুলির জন্য কোন ধরণের বৈচিত্র্য-সমবায় কাঠামো নির্দিষ্ট করতে পারেন। ইন lme4আপনি নির্দিষ্ট করতে পারেন:

• তির্যক কোভেরিয়েন্স স্ট্রাকচার (যেমন সিন্টেক্সের মাধ্যমে পারস্পরিক অসামঞ্জস্যিত এলোমেলো প্রভাব প্রয়োগ করুন ~ (1 | group)+ (0 + x1 | group) + (0 + x2 | group))
• বা কাঠামোহীন কোভেরিয়েন্স ম্যাট্রিকেস (অর্থাত্ সমস্ত পারস্পরিক সম্পর্ক অনুমান করা হয় ~ (1 + x1 + x2 | group))
• বা আংশিকভাবে তির্যক আংশিকভাবে আনস্ট্রাকচারড সহভেদাংক ( y ~ (1 + x1 | group) + (0 + x2 | group), যেখানে আপনি র্যান্ডম পথিমধ্যে এবং জন্য র্যান্ডম ঢাল মধ্যে একটি পারস্পরিক সম্পর্ক অনুমান হবে x1, কিন্তু জন্য র্যান্ডম ঢাল মধ্যে কোন সম্পর্কযুক্তরূপে x2এবং র্যান্ডম পথিমধ্যে জন্য র্যান্ডম ঢাল মধ্যে x2এবং জন্য র্যান্ডম ঢাল x1)।

nlmeএলোমেলো প্রভাবগুলির জন্য প্রচলিত কাঠামোগুলির অনেক বিস্তৃত শ্রেণীর অফার। আমার অভিজ্ঞতা হ'ল lme4বেশিরভাগ অ্যাপ্লিকেশনগুলির জন্য নমনীয়তা যথেষ্ট।

আমি এমন ক্ষমতার মধ্যে তৃতীয় পার্থক্যও যুক্ত করব যা বহু দ্রাঘিমাংশের তথ্যের জন্য আরও প্রাসঙ্গিক হতে পারে: nlme আসুন আপনি weightsআর্গুমেন্টগুলির ( যেমন স্থানিক বা আঞ্চলিক স্বতঃসংশ্লিষ্টতা বা ভিন্নধর্মীয়তা বা কোভারিয়েট-নির্ভরশীল পরিবর্তনশীলতা) জন্য বৈচিত্র্য-সমবায় কাঠামো নির্দিষ্ট করে দিন (সিএফ ?varFunc) lme4কেবলমাত্র পর্যবেক্ষণগুলির জন্য নির্দিষ্ট পূর্বের ওজনকে অনুমতি দেয়।

চতুর্থ পার্থক্যটি হ'ল nlmeপার হওয়া এলোমেলো প্রভাবগুলি (আংশিকভাবে) ফিট করা কঠিন হতে পারে , যদিও এটি একটি নন-ইস্যু lme4।

আপনি যদি আটকে থাকেন তবে আপনি সম্ভবত ভাল থাকবেন lme4।

Comments

এলএমএমে নয় কিন্তু এলএমএমে টেম্পোরাল অটোকোরিলেশন অন্তর্ভুক্ত করতে সক্ষম হওয়ার সম্ভাব্য ব্যতিক্রম (যেমন আপনি উল্লেখ করেছেন) With যদি ডেটা সেটটি যথেষ্ট বড় হয় এবং যদি ডেটাটিতে এই ধরণের কাঠামো থাকে তবে এটি এনএমএমের একটি বড় সুবিধা হতে পারে।

— বেন বলকার

Answer 3

অন্যরা পার্থক্যগুলি খুব ভালভাবে সংক্ষিপ্ত করে তুলেছেন। আমার ধারণাটি হ'ল lme4গুচ্ছযুক্ত ডেটা সেটগুলির জন্য আরও উপযুক্ত more পুনরাবৃত্তি ব্যবস্থা ডিজাইনের জন্য (অনেকগুলি অনুদৈর্ঘ্য ডিজাইন সহ) তবে nlmeএটি কেবলমাত্র nlmeঅবশিষ্টাংশগুলির জন্য একটি পরস্পর সম্পর্কিত কাঠামো নির্দিষ্টকরণকে সমর্থন করে tool আপনি এটি কোনও বস্তুর সাথে correlationsবা corযুক্তি ব্যবহার করে করেন corStruct। এটি আপনাকে varFuncঅবজেক্টটি ব্যবহার করে হিটারোসেসটেস্টিটি মডেল করার অনুমতি দেয় ।

Answer 4

বাস্তবে এমন কোনো পরলোক ফিটিং মিশ্র প্রভাব মডেলের জন্য আর প্যাকেজ একটি নম্বর আছে lme4এবং nlme। মিশ্র মডেলগুলির জন্য আর স্পেশাল ইন্টারেস্ট গ্রুপ দ্বারা পরিচালিত একটি দুর্দান্ত উইকি রয়েছে যার একটি খুব সুন্দর FAQ এবং বিভিন্ন প্যাকেজের সাথে তুলনা করার একটি পৃষ্ঠা রয়েছে ।

প্রকৃতপক্ষে ব্যবহার করার ক্ষেত্রে lme4এবং আমার মতামত হিসাবে nlme: আমি lme4বেসিক আর সূত্র বাক্য গঠনটির সরাসরি প্রসারিত হওয়ার কারণে ব্যবহার করা সহজতর বলে মনে করি। (আপনার যদি সাধারণীকরণযোগ্য মডেলগুলির সাথে কাজ করার দরকার হয় তবে gamm4প্যাকেজটি এই বাক্য গঠনটি আরও একটি ধাপ বাড়িয়ে দেয় এবং তাই আপনার একটি সুন্দর মসৃণ শেখার বক্ররেখা রয়েছে)) অন্যরা যেমন উল্লেখ করেছেন, lme4সাধারণীকরণ করা মডেলগুলি (অন্যান্য লিঙ্ক ফাংশন এবং ত্রুটি বিতরণ) পরিচালনা করতে পারে, যখন nlmeগাউসির লিঙ্ক ফাংশনটির ফোকাসের ফলে এটি এমন কিছু কাজ করতে দেয় যা সাধারণ ক্ষেত্রে খুব কঠিন (সমবায় কাঠামো এবং স্বাধীনতা গণনার ডিগ্রির উপর নির্ভরশীল কিছু জিনিস, যেমন পি-মানগুলির, পরবর্তীগুলির জন্য যা আমি আপনাকে উত্সাহিত করতে উত্সাহিত করি থেকে দূরে!)।