পুনরাবৃত্তি ব্যবস্থা আনোয়ার জন্য স্বাভাবিকতা অনুমানের পরীক্ষা? (আর মধ্যে)

Question

সুতরাং ধরে নিই যে আনোয়ার জন্য স্বাভাবিকতা অনুমানের পরীক্ষা করার কোনও বিন্দু রয়েছে (দেখুন 1 এবং 2 )

কীভাবে এটি আর-তে পরীক্ষা করা যায়?

আমি এমন কিছু করার আশা করব:

## From Venables and Ripley (2002) p.165.
utils::data(npk, package="MASS")
npk.aovE <- aov(yield ~  N*P*K + Error(block), npk)
residuals(npk.aovE)
qqnorm(residuals(npk.aov))

যা কার্যকর হয় না, যেহেতু "অবশিষ্টাংশ" এর পুনরাবৃত্তি ব্যবস্থার ক্ষেত্রে এনোভা সম্পর্কিত কোনও পদ্ধতি নেই (বা ভবিষ্যদ্বাণীও করা হয় না)।

তাহলে এই ক্ষেত্রে কী করা উচিত?

অবশিষ্টাংশগুলিকে ত্রুটি শর্ত ছাড়াই কেবল একই ফিটের মডেল থেকে নেওয়া যেতে পারে? আমি সাহিত্যের সাথে এগুলি বৈধ কিনা না তা জানার জন্য যথেষ্ট পরিচিত নই, কোনও পরামর্শের জন্য আগাম ধন্যবাদ।

Answer 1

আপনি এতে একটি সাধারণ প্রতিক্রিয়া নাও পেতে পারেন residuals(npk.aovE)তবে এর অর্থ এই নয় যে সেই অবজেক্টে কোনও অবশিষ্ট নেই। করুন strএবং দেখুন যে স্তরগুলির মধ্যে এখনও অবশিষ্ট রয়েছে। আমি ভাবব যে আপনি "ইনসাইড" স্তরে সবচেয়ে বেশি আগ্রহী ছিলেন

> residuals(npk.aovE$Within)
          7           8           9          10          11          12 
 4.68058815  2.84725482  1.56432584 -5.46900749 -1.16900749 -3.90234083 
         13          14          15          16          17          18 
 5.08903669  1.28903669  0.35570336 -3.27762998 -4.19422371  1.80577629 
         19          20          21          22          23          24 
-3.12755705  0.03910962  2.60396981  1.13730314  2.77063648  4.63730314 

আমার নিজস্ব প্রশিক্ষণ এবং অনুশীলনটি কিউকিউ প্লট এবং শক্ত পদ্ধতির সাথে সমান্তরাল পরীক্ষার পরিবর্তে স্বাভাবিকতা পরীক্ষা করা হয়নি।

Comments

ধন্যবাদ ডুইন আমি আশ্চর্য হয়েছি যে বিভিন্ন অবশিষ্টাংশগুলির মধ্যে কোনটি অন্বেষণ করা উচিত (একের অভ্যন্তরের পাশাপাশি)। চিয়ার্স, তাল

— তাল গালিলি

npk.aovE তিনটি উপাদানের একটি তালিকা। প্রথম দুটি হ'ল প্যারামিটারের অনুমান এবং তাদের জন্য স্বাভাবিকতা ধরে নেওয়া হয় না, সুতরাং $ এর মধ্যে কিছুই পরীক্ষা করা উপযুক্ত মনে হবে না। names(npk.aovE)ফিরে আসে `[1]" (ইন্টারসেপ্ট) "" ব্লক "" এর মধ্যে "`

— ডিউইন

@ ডুইন, আপনি ট্র্যাভ পোস্ট করা সর্বশেষ পন্থা পরীক্ষা করতে পারেন (শেষ উত্তর)? এটি অবশিষ্টাংশ গণনা করতে এক প্রকারের অভিক্ষেপ ব্যবহার করে। গোষ্ঠীগুলির মধ্যে বৈচিত্র্যগুলির একজাতীয়তা সহ একটি গ্রাফ প্লট করার জন্য এটি আমার পক্ষে সহজতম কৌশল।

— টোটো_টিকো

@ ডুইন, এছাড়াও কিউপিপ্লট মনে হয় কেবল এলএম গ্রহণ করে, এবং অ্যাওভকে নয়।

— টোটো_টিকো

Answer 2

আরেকটি বিকল্প হ'ল প্যাকেজের lmeফাংশনটি ব্যবহার করা nlme(এবং তারপরে প্রাপ্ত মডেলটি পাস করতে হবে anova)। আপনি residualsএর আউটপুট ব্যবহার করতে পারেন ।

Answer 3

আমি মনে করি বিশ্লেষণ সম্পাদন করার আগে পুনরাবৃত্ত প্রতিটি ব্যবস্থার জন্য স্বাভাবিকতা অনুমানের মূল্যায়ন করা যেতে পারে। আমি ডেটা ফ্রেমটি পুনরায় আকার দেব যাতে প্রতিটি কলাম একটি পুনরাবৃত্ত পরিমাপের সাথে মিলে যায় এবং তারপরে সেই কলামগুলির প্রত্যেকটির সাথে একটি শাপিরো.স্টেস্ট সম্পাদন করে।

apply(cast(melt(npk,measure.vars="yield"), ...~N+P+K)[-c(1:2)],2,function(x) shapiro.test(x)$p.value)

Comments

ধন্যবাদ gd047 - প্রশ্ন হল যখন আমরা যখন আওভের আরও জটিল পরিস্থিতি তৈরি করি (ফলন ~ N P K + ত্রুটি (ব্লক / (এন + কে)), এনপি কে) আপনি প্রস্তাবিত পরীক্ষার কাজটি করে?

— তাল গালিলি

পরিস্থিতিগুলির মধ্যে পার্থক্যটি ব্যাখ্যা করার জন্য আপনি কি যথেষ্ট দয়াবান হতে পারেন? দুর্ভাগ্যক্রমে আমি মডেলটিতে ত্রুটি শব্দটি ব্যবহারের সাথে যথেষ্ট পরিচিত নই (উপায় দ্বারা, আপনি কি সে সম্পর্কে একটি ভাল বইয়ের পরামর্শ দিতে পারেন?)। আমি যা প্রস্তাব করেছি তা হ'ল এসপিএসএসের স্বাভাবিকতা অনুমানটি যাচাই করার উপায়, যেমনটি আমি এটি শিখেছি। এটি উদাহরণ হিসাবে goo.gl/p45Bx দেখুন

— জর্জ ডন্টাস

হাই gd047। লিঙ্ক করার জন্য আপনাকে ধন্যবাদ। এই মডেলগুলির সম্পর্কে আমি যে জিনিসগুলি জানি সেগুলি এখান থেকে লিঙ্কযুক্ত: r-statistics.com/2010/04/… আপনি যদি অন্য সংস্থানগুলি সম্পর্কে জানতে চান - আমি সেগুলি সম্পর্কে জানতে আগ্রহী। চিয়ার্স, তাল

— তাল গালিলি

Answer 4

ভেনেবলস এবং রিপ্লে ব্যাখ্যা করেছেন যে কীভাবে পুনরায় এলোমেলো এবং মিশ্র প্রভাবগুলির অংশে তাদের বইতে (পৃষ্ঠা 284) পুনরাবৃত্ত-ব্যবস্থা ডিজাইনের জন্য অবশিষ্টাংশ নির্ণয় করা যায়।

প্রতিটি স্তরের ফলাফলের জন্য রেসিড্যুয়ালস ফাংশন (বা অবশেষ) প্রয়োগ করা হয়:

তাদের উদাহরণ থেকে: oats.aov <- aov(Y ~ N + V + Error(B/V), data=oats, qr=T)

লাগানো মান বা অবশিষ্টাংশগুলি পেতে:

"সুতরাং fitted(oats.aov[[4]])এবং resid(oats.aov[[4]])শেষ স্তর থেকে লাগানো মান এবং অবশিষ্টাংশের প্রতিনিধিত্ব করে 54 দৈর্ঘ্যের ভেক্টর।"

গুরুত্বপূর্ণভাবে, তারা যোগ:

"এগুলিকে মূল পরীক্ষার প্লটের সাথে স্বতন্ত্রভাবে সংযুক্ত করা সম্ভব নয়।"

ডায়াগনস্টিকসের জন্য, তারা একটি অভিক্ষেপ ব্যবহার করে:

plot(fitted(oats.aov[[4]]), studres(oats.aov[[4]]))
abline(h=0, lty=2)
oats.pr <- proj(oats.aov)
qqnorm(oats.pr[[4]][, "Residuals"], ylab = "Stratum 4 residuals")
qqline(oats.pr[[4]][, "Residuals"])

তারা আরও দেখায় যে অন্য ব্যবহারকারী পোস্ট করার সাথে সাথে lme ব্যবহার করে মডেলটি করা যেতে পারে।

Comments

অনুযায়ী এই , এটি হওয়া উচিত [[3]] এবং [[4]]। আমি এটি পরীক্ষা করেছি এবং এটি কেবল [[3]]

— টোটো_টিকো

Answer 5

অ্যাওভ এবং এলএমই সহ দুটি বিকল্প এখানে রয়েছে (আমি মনে করি ২ য় অগ্রাধিকারটি পছন্দ করা হয়েছে):

require(MASS) ## for oats data set
require(nlme) ## for lme()
require(multcomp) ## for multiple comparison stuff

Aov.mod <- aov(Y ~ N * V + Error(B/V), data = oats)
the_residuals <- aov.out.pr[[3]][, "Residuals"]

Lme.mod <- lme(Y ~ N * V, random = ~1 | B/V, data = oats)
the_residuals <- residuals(Lme.mod)

আসল উদাহরণটি মিথস্ক্রিয়া ছাড়াই এসেছিল ( Lme.mod <- lme(Y ~ N * V, random = ~1 | B/V, data = oats)) তবে মনে হয় এটির সাথে কাজ করছে (এবং বিভিন্ন ফলাফল উত্পন্ন করছে, তাই এটি কিছু করছে)।

এবং এটাই...

তবে সম্পূর্ণতার জন্য:

1 - মডেলের সংক্ষিপ্তসারগুলি

summary(Aov.mod)
anova(Lme.mod)

2 - বারবার ব্যবস্থা আনোয়ার সাথে টুকি পরীক্ষা (এটি অনুসন্ধানের জন্য 3 ঘন্টা !!)!

summary(Lme.mod)
summary(glht(Lme.mod, linfct=mcp(V="Tukey")))

3 - স্বাভাবিকতা এবং সমকামিতা প্লট

par(mfrow=c(1,2)) #add room for the rotated labels
aov.out.pr <- proj(aov.mod)                                            
#oats$resi <- aov.out.pr[[3]][, "Residuals"]
oats$resi <- residuals(Lme.mod)
qqnorm(oats$resi, main="Normal Q-Q") # A quantile normal plot - good for checking normality
qqline(oats$resi)
boxplot(resi ~ interaction(N,V), main="Homoscedasticity", 
        xlab = "Code Categories", ylab = "Residuals", border = "white", 
        data=oats)
points(resi ~ interaction(N,V), pch = 1, 
       main="Homoscedasticity",  data=oats)