আমি বুঝতে পারি যে আমরা যখন র্যান্ডম এফেক্টস (বা মিশ্র প্রভাব) মডেলগুলি ব্যবহার করি তখন আমরা বিশ্বাস করি যে কয়েকটি গ্রুপিং ফ্যাক্টারে কিছু মডেল প্যারামিটারগুলি এলোমেলোভাবে পরিবর্তিত হয়। আমার এমন একটি মডেল ফিট করার আকাঙ্ক্ষা রয়েছে যেখানে একটি গ্রুপিং ফ্যাক্টর জুড়ে প্রতিক্রিয়াটি স্বাভাবিক এবং কেন্দ্রীভূত করা হয়েছে (পুরোপুরি নয়, তবে খুব কাছের) তবে একটি স্বাধীন পরিবর্তনশীল x
কোনওভাবেই সামঞ্জস্য করা হয়নি। এটি আমাকে নীচের পরীক্ষায় নিয়ে গেছে ( মনগড়া ডেটা ব্যবহার করে) তা নিশ্চিত করার জন্য যে আমি সত্যিই সেখানে উপস্থিত ছিলাম তবে আমি যে ফলাফলটি খুঁজছিলাম তা সন্ধান করতে পারি। আমি একটি র্যান্ডম ইন্টারসেপ্ট (সংজ্ঞায়িত গ্রুপগুলি জুড়ে ) এবং একটি নির্দিষ্ট প্রভাবের ভবিষ্যদ্বাণী হিসাবে ফ্যাক্টর এফের সাথে একটি দ্বিতীয় স্থির প্রভাব মডেল সহ একটি মিশ্র ইফেক্ট মডেল চালিয়েছি । আমি মিশ্রিত ইফেক্ট মডেল এবং বেস ফাংশনের জন্য আর প্যাকেজটি ব্যবহার করেছিf
lmer
lm()
স্থির প্রভাব মডেল জন্য। নিম্নলিখিত ডেটা এবং ফলাফল হয়।
লক্ষ্য করুন y
, গোষ্ঠী নির্বিশেষে, প্রায় 0 পরিবর্তিত হয়। এবং এটি গ্রুপের মধ্যে x
নিয়মিত পরিবর্তিত হয় y
, তবে গ্রুপের চেয়ে অনেক বেশি পরিবর্তিত হয়y
> data
y x f
1 -0.5 2 1
2 0.0 3 1
3 0.5 4 1
4 -0.6 -4 2
5 0.0 -3 2
6 0.6 -2 2
7 -0.2 13 3
8 0.1 14 3
9 0.4 15 3
10 -0.5 -15 4
11 -0.1 -14 4
12 0.4 -13 4
আপনি যদি ডেটা নিয়ে কাজ করতে আগ্রহী হন তবে এখানে dput()
আউটপুট রয়েছে:
data<-structure(list(y = c(-0.5, 0, 0.5, -0.6, 0, 0.6, -0.2, 0.1, 0.4,
-0.5, -0.1, 0.4), x = c(2, 3, 4, -4, -3, -2, 13, 14, 15, -15,
-14, -13), f = structure(c(1L, 1L, 1L, 2L, 2L, 2L, 3L, 3L, 3L,
4L, 4L, 4L), .Label = c("1", "2", "3", "4"), class = "factor")),
.Names = c("y","x","f"), row.names = c(NA, -12L), class = "data.frame")
মিশ্র প্রভাবগুলির মডেল ফিটিং:
> summary(lmer(y~ x + (1|f),data=data))
Linear mixed model fit by REML
Formula: y ~ x + (1 | f)
Data: data
AIC BIC logLik deviance REMLdev
28.59 30.53 -10.3 11 20.59
Random effects:
Groups Name Variance Std.Dev.
f (Intercept) 0.00000 0.00000
Residual 0.17567 0.41913
Number of obs: 12, groups: f, 4
Fixed effects:
Estimate Std. Error t value
(Intercept) 0.008333 0.120992 0.069
x 0.008643 0.011912 0.726
Correlation of Fixed Effects:
(Intr)
x 0.000
আমি নোট করি যে ইন্টারসেপ্ট ভেরিয়েন্স উপাদানটি অনুমান করা হয় 0, এবং গুরুত্বপূর্ণভাবে আমার x
কাছে এটি কোনও উল্লেখযোগ্য ভবিষ্যদ্বাণীকারী নয় y
।
পরবর্তী আমি f
এলোমেলো ইন্টারসেপ্টের জন্য গ্রুপিং ফ্যাক্টরের পরিবর্তে ভবিষ্যদ্বাণী হিসাবে ফিক্সড এফেক্ট মডেলটি ফিট করি :
> summary(lm(y~ x + f,data=data))
Call:
lm(formula = y ~ x + f, data = data)
Residuals:
Min 1Q Median 3Q Max
-0.16250 -0.03438 0.00000 0.03125 0.16250
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -1.38750 0.14099 -9.841 2.38e-05 ***
x 0.46250 0.04128 11.205 1.01e-05 ***
f2 2.77500 0.26538 10.457 1.59e-05 ***
f3 -4.98750 0.46396 -10.750 1.33e-05 ***
f4 7.79583 0.70817 11.008 1.13e-05 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 0.1168 on 7 degrees of freedom
Multiple R-squared: 0.9484, Adjusted R-squared: 0.9189
F-statistic: 32.16 on 4 and 7 DF, p-value: 0.0001348
এখন আমি লক্ষ্য করেছি যে, যেমনটি প্রত্যাশা করা হয়েছিল, x
তা একটি উল্লেখযোগ্য ভবিষ্যদ্বাণী y
।
আমি যা খুঁজছি তা হ'ল এই পার্থক্য সম্পর্কিত স্বজ্ঞাততা। এখানে কীভাবে আমার চিন্তাভাবনা ভুল? কেন আমি ভুলভাবে x
এই উভয় মডেলের জন্য একটি গুরুত্বপূর্ণ পরামিতি খুঁজে প্রত্যাশা করি তবে কেবলমাত্র এটি স্থির প্রভাবের মডেলটিতে দেখি?
x
পরিবর্তনশীলটি উল্লেখযোগ্য নয়। আমি সন্দেহ করি যে এটি একই ফলাফল (সহগুণ এবং এসই) আপনি দৌড়তে পারতেনlm(y~x,data=data)
। নির্ণয়ের জন্য আর কোনও সময় নেই, তবে এটি উল্লেখ করতে চেয়েছিলেন।