আমার উজ্জ্বল আউটপুটে আমি কীভাবে 'স্থির প্রভাবগুলির সম্পর্কিত সম্পর্কগুলি' ব্যাখ্যা করব?

Question

আমি নিম্নলিখিত আউটপুট আছে:

Generalized linear mixed model fit by the Laplace approximation 
Formula: aph.remain ~ sMFS2 +sAG2 +sSHDI2 +sbare +season +crop +(1|landscape) 

 AIC   BIC    logLik deviance
 4062  4093  -2022   4044

Random effects:
Groups    Name        Variance Std.Dev.
landscape (Intercept) 0.82453  0.90804 
Number of obs: 239, groups: landscape, 45

Fixed effects:
            Estimate Std. Error z value Pr(>|z|)    
(Intercept)  2.65120    0.14051  18.868   <2e-16     
sMFS2        0.26922    0.17594   1.530   0.1260    
sAG2         0.09268    0.14529   0.638   0.5235    
sSHDI2       0.28345    0.17177   1.650   0.0989  
sbare        0.41388    0.02976  13.907   <2e-16 
seasonlate  -0.50165    0.02729 -18.384   <2e-16 
cropforage   0.79000    0.06724  11.748   <2e-16 
cropsoy      0.76507    0.04920  15.551   <2e-16 

Correlation of Fixed Effects:
           (Intr) sMFS2  sAG2   sSHDI2 sbare  sesnlt crpfrg
sMFS2      -0.016                                          
sAG2        0.006 -0.342                                   
sSHDI2     -0.025  0.588 -0.169                            
sbare      -0.113 -0.002  0.010  0.004                     
seasonlate -0.034  0.005 -0.004  0.001 -0.283              
cropforage -0.161 -0.005  0.012 -0.004  0.791 -0.231       
cropsoy    -0.175 -0.022  0.013  0.013  0.404 -0.164  0.557

আমার সমস্ত অবিচ্ছিন্ন ভেরিয়েবল ( sভেরিয়েবল নামের আগে একটি ছোট দ্বারা চিহ্নিত ) মানক (জেড-স্কোর) হয় are season2 স্তরের (প্রারম্ভিক এবং দেরী) cropসহ একটি শ্রেণিবদ্ধ পরিবর্তনশীল , এবং 3 স্তর (কর্ন, চারণ এবং সয়া) সহ একটি শ্রেণিবদ্ধ পরিবর্তনশীল।

ফিক্সড এফেক্টস ম্যাট্রিক্সের এই পারস্পরিক সম্পর্কটি আমাকে সত্যিই বিভ্রান্ত করছে, কারণ আমি যখন জোড়ের জোড়গুলির সহজ সরল রেজিস্ট্রেশনগুলি দেখি তখন সমস্ত পারস্পরিক সম্পর্কের বিপরীত চিহ্ন থাকে। অর্থাত্ স্থির প্রতিক্রিয়া ম্যাট্রিক্সের পারস্পরিক সম্পর্কের মধ্যকার একটি শক্তিশালী ইতিবাচক পারস্পরিক সম্পর্ককে বোঝায় cropforageএবং sbareযখন বাস্তবে এই ভেরিয়েবলগুলির মধ্যে একটি খুব শক্তিশালী নেজিটিভ পারস্পরিক সম্পর্ক থাকে - দানা এবং সয়া ফসলের তুলনায় চরাঞ্চলের ফসলগুলি খুব কম খালি জমি থাকে। অবিচ্ছিন্ন ভেরিয়েবলের জোড়গুলির একই সমস্যা রয়েছে, ফিক্সড এফেক্টস ম্যাট্রিক্সের পারস্পরিক সম্পর্ক বলছে সবকিছু যা হওয়া উচিত তার বিপরীত ... এটি কি কেবল মডেলের জটিলতার কারণে হতে পারে (সরল রিগ্রেশন না হওয়া)? ভেরিয়েবলগুলি মানক করা হয়েছে এই সত্যটির সাথে এটির কোনও সম্পর্ক থাকতে পারে?

ধন্যবাদ।

Answer 1

"স্থির প্রভাবগুলির সাথে সম্পর্কিত" আউটপুটটির স্বজ্ঞাত অর্থ নেই যা বেশিরভাগই এটির কাছে সম্মতি জানায়। বিশেষত, ভেরিয়েবলের (ওপি নোট হিসাবে) পারস্পরিক সম্পর্ক সম্পর্কিত নয়। এটি আসলে রিগ্রেশন সহগের প্রত্যাশিত পারস্পরিক সম্পর্ক সম্পর্কিত। যদিও এটি বহুবিধরনের সাথে কথা বলতে পারে এটি অগত্যা নয়। এই ক্ষেত্রে এটি আপনাকে বলছে যে আপনি যদি আবার পরীক্ষা-নিরীক্ষা করেন এবং এমনটি ঘটেছিল যে এর সহগ cropforageআরও কম হয়ে যায়, সম্ভবত এটিও এর সহকর্মী হবে sbare।

অংশে তাঁর বই "ভাষাগত তথ্য বিশ্লেষণ: একটি ব্যবহারিক পরিসংখ্যানের ব্যবহারিক পরিসংখ্যানের ব্যবহার আর" লেম 4 বায়েন নিয়ে কাজ করে আউটপুটটির সেই অংশটিকে দমন করে এবং কেবল বিশেষ ক্ষেত্রে এটি কার্যকর হিসাবে ঘোষণা করে। এখানে একটি তালিকার সংরক্ষণ বার্তা দেওয়া হয়েছে যেখানে আউটপুটটির সেই অংশটি কীভাবে ব্যাখ্যা করতে হবে তা ব্যাটস নিজেই বর্ণনা করেছেন:

এটি নির্দিষ্ট প্রভাবগুলির অনুমানের আনুমানিক পারস্পরিক সম্পর্ক। (আমি "আনুমানিক" শব্দটি অন্তর্ভুক্ত করি কারণ আমার উচিত হওয়া উচিত তবে এই ক্ষেত্রে অনুমানটি খুব ভাল)) এর থেকে কীভাবে এটি আরও ভাল ব্যাখ্যা করা যায় তা সম্পর্কে আমি নিশ্চিত নই। মনে করুন যে আপনি মডেলটির পরামিতিগুলি থেকে একটি এমসিসিএম নমুনা নিয়েছেন, তাহলে আপনি স্থির-প্রভাবের পরামিতিগুলির নমুনাটি এই ম্যাট্রিক্সের মতো একটি সম্পর্কযুক্ত কাঠামো প্রদর্শন করার আশা করবেন।

Comments

আমি দুঃখিত, এটি সম্ভবত একটি নির্বোধ প্রশ্ন হবে, তবে তারপরে কেন এই সম্পর্কটিকে বিবেচনা করা গুরুত্বপূর্ণ? মানে, কোন পরিস্থিতিতে সেই আউটপুটটি বিবেচনা করা উচিত?

— এমটিওও

@ তেরেসা এটি নির্ভর করে যে আপনি এটির জন্য কী ব্যবহার করছেন। আপনি যদি ব্যাখ্যার বিষয়ে যত্নশীল হন, তবে এটি আপনাকে প্রভাবের দুটি উত্স কতটা বিভ্রান্তিকর তা সম্পর্কে বলছে। আপনি যদি ভবিষ্যদ্বাণী সম্পর্কে যত্নশীল হন তবে এটি অন্যান্য ভবিষ্যদ্বাণী মডেলগুলি কী দেখতে পারে সে সম্পর্কে আপনাকে কিছুটা বলবে এবং আপনি কোনও ভবিষ্যদ্বাণীকে বাদ দিলে মডেলটি কীভাবে পরিবর্তিত হতে পারে সে সম্পর্কে আপনাকে কিছুটা ইঙ্গিত দেয়।

— রাসেলপিয়ের্স

সুতরাং, কল্পনা করুন যে উদাহরণস্বরূপ, ০.৯০ এর পারস্পরিক সম্পর্ক সহ আমার আউটপুটে দুটি পরিবর্তনশীল রয়েছে। ব্যাখ্যার শর্তে, আমি ধরে নিলাম তাদের মধ্যে একটি বাদ দেওয়া উচিত, কারণ তারা "বিভ্রান্তিকর" এবং তারা একই তথ্য বলছে বলে মনে হচ্ছে। ভবিষ্যদ্বাণী হিসাবে, আমি যদি সেগুলির মধ্যে একটি ড্রপ করি তবে অন্যান্য মডেলগুলিকে এতটা পরিবর্তন করা উচিত নয়, যেমন তারা সম্পর্কযুক্ত, আমি কি ঠিক আছি? নাকি আমি এর ভুল ব্যাখ্যা দিচ্ছি?

— mtao

আপনি জানেন, আমি মনে করি আপনি সঠিকভাবে যা বলেছিলেন তা প্রতিধ্বনিত করছেন; তবে, প্রতিচ্ছবিতে আমি 100pct নিশ্চিত নই যে আমি ঠিক আছি। একটি নতুন প্রশ্ন খোলার মাধ্যমে আপনি সর্বোত্তমভাবে পরিবেশিত হতে পারেন - এটি আপনার প্রশ্নের দিকে আরও নজর রাখবে এবং আপনার সঠিক উত্তর পাওয়ার সম্ভাবনা বাড়বে।

— রাসেলপিয়ার্স

@ রাসেলপিয়ার্স, এই উত্তরের জন্য ধন্যবাদ। যদিও একটি প্রশ্ন, আমি শিখেছি যে বহুবিদরা তখন ঘটে থাকে যখন ভবিষ্যদ্বাণীকারীরা একে অপরের সাথে সম্পর্কিত হয়। তবে আপনার উত্তরে আপনি বলেছেন যে এটি হ'ল রিগ্রেশন কোফিয়েনিয়েন্টের (পূর্বাভাসীদের নয়) পারস্পরিক সম্পর্ক যা বহুবিশ্বের সাথে কথা বলতে পারে। কেন কেবল অনুমানকারী সহগের পরিবর্তে ভবিষ্যদ্বাণীদেরকে সংযুক্তি দিচ্ছেন না?

— লোকাস

Answer 2

যদি আপনার নেতিবাচক এবং ইতিবাচক পারস্পরিক সম্পর্কগুলি তাদের মানতে একই হয় এবং কেবল তাদের চিহ্নটি পৃথক হয়, আপনি ভুল করে ভেরিয়েবলটি প্রবেশ করছেন। আপনি ইতিমধ্যে পরিসংখ্যানের ক্ষেত্রে বেশ উন্নত বলে মনে হচ্ছে বলে মনে হয় না যে এটি আপনার ক্ষেত্রে।

আপনি যে অসঙ্গতিটি অনুভব করছেন তা হতে পারে এবং সম্ভবত বহুবিচিত্রের কারণে ঘটে। এর অর্থ যখন কিছু স্বতন্ত্র ভেরিয়েবলগুলি কিছু ওভারল্যাপযুক্ত প্রভাবগুলি ভাগ করে দেয় বা অন্য কথায় তারা নিজের সাথে সংযুক্ত থাকে। উদাহরণস্বরূপ, "গ্রোথ রেট" এবং "টিউমার সাইজ" ভেরিয়েবলগুলিতে মডেলিংয়ের ফলে বহুবিধ লাইনারিটির কারণ হতে পারে, কারণ এটি সম্ভব এবং সম্ভাব্য যে বৃহত্তর টিউমারগুলির প্রতি বর্ধমান বৃদ্ধির হার (তারা সনাক্ত হওয়ার আগে) বেশি রয়েছে rates এটি মডেলকে বিভ্রান্ত করতে পারে। এবং যদি আপনার মডেলটিতে কয়েকটি স্বতন্ত্র ভেরিয়েবল থাকে যা একে অপরের সাথে সম্পর্কিত হয়, ফলাফল ব্যাখ্যা করা মাঝে মাঝে বেশ কঠিন হয়ে উঠতে পারে। এটি কখনও কখনও সম্পূর্ণ অদ্ভুত সহগকে বাড়ে এমনকি এমন বাণীতেও নিয়ে যায় যে কিছু কিছু সম্পর্কের চিহ্নটি উল্টে যায়।

আপনাকে প্রথমে বহুবিধ লাইনারিটির উত্সগুলি সনাক্ত করতে হবে এবং তাদের সাথে ডিল করতে হবে এবং তারপরে আপনার বিশ্লেষণটি পুনরায় চালু করা উচিত।

Comments

-1; বিভ্রান্তিকর। ওপি তার ভেরিয়েবলগুলি ভুলভাবে প্রবেশ করায় না এবং বহুবিধ লাইনটি কোনও সমস্যা নাও হতে পারে। কাঁচা স্থির প্রভাবগুলির মধ্যে একটি সম্পর্ক এই পয়েন্টের সাথে কথা বলতে পারে, তবে সিম্পসনের প্যারাডক্স আপনাকে সেই দিকনির্দেশকে ভুল দিকে পরিচালিত করতে পারে।

— রাসেলপিয়ের্স

কেন "বিভ্রান্তিকর"? কোন অংশটি বিভ্রান্তিকর ছিল? আমি খুব স্পষ্টভাবে কথা বলেছি এবং পরিষ্কার সিদ্ধান্তগুলি অনুমান করা এড়িয়ে চলেছি। আমি যা বলেছি তা প্রকৃতপক্ষে বহুবিধ লক্ষণগুলির মধ্যে একটি এবং এটি আমাদের বলছে আমাদের ভিআইএফও পরীক্ষা করা উচিত। তবে আমি বুঝতে পারি না আপনি কীভাবে জানেন বা নিশ্চিত যে "ওপি তার ভেরিয়েবলগুলি ভুলভাবে প্রবেশ করে নি এবং বহুবিধ লাইনটি কোনও সমস্যা হতে পারে না?"

— ভিক

এছাড়াও আপনি আমার পোস্টটি পুরোপুরি পড়েন নি (এবং এটিকে নিম্নচোটিত করেছেন এবং এটিকে বিভ্রান্তিকর বলেছেন)। যদি আপনি থাকতেন তবে আপনি দেখেছিলেন যে আমি পরামর্শ দিয়েছি যে ওপিতে ভিআইএফগুলি পরীক্ষা করা উচিত (মাল্টিসির আধিকারিক সূচক হিসাবে) এই উচ্চ সম্পর্কের সত্যিকার অর্থে এমসির দিকে ইঙ্গিত করছে কিনা? তবে যাইহোক, আমি যতক্ষণ না এটি অহংকার এবং ব্যক্তিগত আক্রমণ থেকে মুক্ত ততক্ষণ শেখার জন্য উন্মুক্ত।

— ভিক

@ ভিক: এখন পর্যন্ত আপনার মন্তব্যগুলি দেখেনি। আপনি আমার প্রতিক্রিয়াটিকে ব্যক্তিগত আক্রমণ হিসাবে দেখছেন বলে আমি বোঝাতে চাইনি। আমি মতামতটি ছিল এটি বিভ্রান্তিকর ছিল এবং আমি উপরে যা সঠিক উত্তর বলে বিশ্বাস করি তা সরবরাহ করেছিলাম। আমি আপনার পোস্টটি সম্পূর্ণ সময়ে পড়েছি। আমি মন্তব্যগুলিতে খনন করেছি কিনা তা জানি না। আমি আমার ডাউনটাতে পাশে আছি

— রাসেলপিয়ের্স

... তবে আমি অনুমতি দিচ্ছি যে এই রায়টিতে আমার ভুল হতে পারে। যাইহোক, আমি কেন কেবল ডাউনভোটের চেয়ে বরং ডাউনভিট করেছিলাম তা বোঝানো ভাল বলে মনে হয়েছিল।

— রাসেলপিয়ের্স

Answer 3

মডেল "vcov" কে একটি সম্পর্ক ম্যাট্রিক্সে রূপান্তর করে স্থির প্রভাবগুলির মধ্যে those পারস্পরিক সম্পর্কগুলি পাওয়া যায় তা দেখাতে সহায়ক হতে পারে। যদি fitআপনার লাগানো lme4 মডেল হয় তবে

vc <- vcov(fit)

# diagonal matrix of standard deviations associated with vcov
S <- sqrt(diag(diag(vc), nrow(vc), nrow(vc)))

# convert vc to a correlation matrix
solve(S) %*% vc %*% solve(S)

এবং স্থির প্রভাবগুলির মধ্যে পারস্পরিক সম্পর্কগুলি হ'ল অফ-ডায়াগোনাল এন্ট্রি।