মর্টেনের পরীক্ষার চেয়ে কেন মন্টেলের পরীক্ষা পছন্দ হয়?


37

মান্টেলের পরীক্ষা জৈবিক গবেষণায় ব্যাপকভাবে ব্যবহৃত হয় প্রাণীর স্থানিক বিতরণ (মহাকাশে অবস্থান) এর মধ্যে পারস্পরিক সম্পর্ক পরীক্ষা করার জন্য, উদাহরণস্বরূপ, তাদের জিনগত সম্পর্ক, আগ্রাসনের হার বা অন্য কোনও বৈশিষ্ট্যের সাথে। প্রচুর ভাল জার্নাল এটি ব্যবহার করছে ( পিএনএএস, পশুর আচরণ, আণবিক বাস্তুশাস্ত্র ... )।

আমি এমন কিছু নিদর্শন বানিয়েছিলাম যা প্রকৃতিতে ঘটতে পারে তবে মান্টেলের পরীক্ষাগুলি এগুলি সনাক্ত করতে যথেষ্ট বেহুদা বলে মনে হচ্ছে। অন্যদিকে, মরানের আমার আরও ভাল ফলাফল হয়েছে (প্রতিটি প্লটের অধীনে পি-মানগুলি দেখুন)

বিজ্ঞানীরা এর পরিবর্তে মরনের আই ব্যবহার করবেন না কেন? এমন কিছু গোপন কারণ আছে যা আমি দেখছি না? এবং যদি কোনও কারণ থাকে তবে আমি কীভাবে জানতে পারি (মানসিক বা মোরানের আই পরীক্ষাটি সঠিকভাবে ব্যবহার করতে হাইপোথিসগুলি কীভাবে আলাদাভাবে তৈরি করা উচিত)? একটি বাস্তব জীবনের উদাহরণ সহায়ক হবে।

এই পরিস্থিতিটি কল্পনা করুন: প্রতিটি গাছে একটি কাক বসে একটি বাগানে (17 x 17 গাছ) রয়েছে। প্রতিটি কাকের জন্য "শব্দ" এর স্তরগুলি উপলভ্য এবং আপনি জানতে চান কাকের স্থানিক বন্টন তারা যে শব্দ করে তার দ্বারা নির্ধারিত হয়।

(কমপক্ষে) 5 টি সম্ভাবনা রয়েছে:

  1. "একই স্বভাবের লোক এক সাথে থাকে." আরো অনুরূপ কাক হয়, তাদের মধ্যে ছোট ভৌগোলিক দূরত্ব (একক ক্লাস্টার)

  2. "একই স্বভাবের লোক এক সাথে থাকে." আবার, আরও অনুরূপ কাকগুলি হ'ল, তাদের মধ্যে ভৌগলিক দূরত্ব যত কম হবে (একাধিক গুচ্ছ) তবে কোলাহলপূর্ণ কাকের একটি ক্লাস্টারের দ্বিতীয় ক্লাস্টারের অস্তিত্ব সম্পর্কে কোনও জ্ঞান নেই (অন্যথায় তারা একটি বড় গুচ্ছের মধ্যে মিশ্রিত হবে)।

  3. "মনোটোনিক প্রবণতা।"

  4. "বিপরীতে আকর্ষণ." অনুরূপ কাকেরা একে অপরকে দাঁড়াতে পারে না।

  5. "র্যান্ডম প্যাটার্ন।" গোলমালের স্তর স্থানিক বিতরণে কোনও উল্লেখযোগ্য প্রভাব ফেলেনি।

প্রতিটি ক্ষেত্রে, আমি পয়েন্টগুলির একটি প্লট তৈরি করেছি এবং একটি পারস্পরিক সম্পর্কের গণনা করার জন্য ম্যান্টেল পরীক্ষা ব্যবহার করেছি (এটির অবাক হওয়ার কিছু নেই যে এর ফলাফলগুলি তাত্পর্যপূর্ণ নয়, পয়েন্টগুলির এই ধরণের নিদর্শনগুলির মধ্যে আমি কখনও লিনিয়ার অ্যাসোসিয়েশন সন্ধান করার চেষ্টা করব না)।

এখানে চিত্র বর্ণনা লিখুন


উদাহরণ ডেটা: (সম্ভব হিসাবে সংকুচিত)

r.gen   <- seq(-100,100,5)
r.val   <- sample(r.gen, 289, replace=TRUE)
z10     <- rep(0, times=10)
z11     <- rep(0, times=11)
r5      <- c(5,15,25,15,5)
r71     <- c(5,20,40,50,40,20,5)
r72     <- c(15,40,60,75,60,40,15)
r73     <- c(25,50,75,100,75,50,25)
rbPal   <- colorRampPalette(c("blue","red"))
my.data <- data.frame(x = rep(1:17, times=17),y = rep(1:17, each=17),
             c1=c(rep(0,times=155),r5,z11,r71,z10,r72,z10,r73,z10,r72,z10,r71,
             z11,r5,rep(0, times=27)),c2 = c(rep(0,times=19),r5,z11,r71,z10,r72,
             z10,r73,z10,r72,z10,r71,z11,r5,rep(0, times=29),r5,z11,r71,z10,r72,
             z10,r73,z10,r72,z10,r71,z11,r5,rep(0, times=27)),c3 = c(seq(20,100,5),
             seq(15,95,5),seq(10,90,5),seq(5,85,5),seq(0,80,5),seq(-5,75,5),
             seq(-10,70,5),seq(-15,65,5),seq(-20,60,5),seq(-25,55,5),seq(-30,50,5),
             seq(-35,45,5),seq(-40,40,5),seq(-45,35,5),seq(-50,30,5),seq(-55,25,5),
             seq(-60,20,5)),c4 = rep(c(0,100), length=289),c5 = sample(r.gen, 289, 
             replace=TRUE))

# adding colors
my.data$Col1 <- rbPal(10)[as.numeric(cut(my.data$c1,breaks = 10))]
my.data$Col2 <- rbPal(10)[as.numeric(cut(my.data$c2,breaks = 10))]
my.data$Col3 <- rbPal(10)[as.numeric(cut(my.data$c3,breaks = 10))]
my.data$Col4 <- rbPal(10)[as.numeric(cut(my.data$c4,breaks = 10))]
my.data$Col5 <- rbPal(10)[as.numeric(cut(my.data$c5,breaks = 10))]

ভৌগলিক দূরত্বের ম্যাট্রিক্স তৈরি করা (মুরানের আমি বিপরীত)

point.dists           <- dist(cbind(my.data$x, my.data$y))
point.dists.inv       <- 1/point.dists
point.dists.inv       <- as.matrix(point.dists.inv)
diag(point.dists.inv) <- 0

প্লট তৈরি:

X11(width=12, height=6)
par(mfrow=c(2,5))
par(mar=c(1,1,1,1))

library(ape)
for (i in 3:7) {
  my.res <- mantel.test(as.matrix(dist(my.data[ ,i])), as.matrix(point.dists))
  plot(my.data$x,my.data$y,pch=20,col=my.data[ ,c(i+5)], cex=2.5, xlab="", 
       ylab="", xaxt="n", yaxt="n", ylim=c(-4.5,17))
  text(4.5, -2.25, paste("Mantel's test", "\n z.stat =", round(my.res$z.stat, 
   2), "\n p.value =", round(my.res$p, 3)))

  my.res <- Moran.I(my.data[ ,i], point.dists.inv)
  text(12.5, -2.25, paste("Moran's I", "\n observed =", round(my.res$observed, 
   3), "\n expected =",round(my.res$expected,3), "\n std.dev =", 
       round(my.res$sd,3), "\n p.value =", round(my.res$p.value, 3)))
}

par(mar=c(5,4,4,2)+0.1)

for (i in 3:7) {
  plot(dist(my.data[ ,i]), point.dists,pch = 20, xlab="geographical distance", 
       ylab="behavioural distance")
}

ইউসিএলএর পরিসংখ্যান সহায়তা ওয়েবসাইটের উদাহরণগুলিতে পিএস, উভয় পরীক্ষাগুলি সঠিক একই ডেটা এবং সঠিক একই অনুমানের উপর ব্যবহার করা হয়, যা খুব সহায়ক নয় (সিএফ।, ম্যান্টেল পরীক্ষা , মরানের আই )।

আইএম এর প্রতিক্রিয়া আপনার লিখেছেন:

... এটি [মান্তেল] পরীক্ষা করে দেয় যে শান্ত কাকগুলি অন্যান্য শান্ত কাকের কাছে অবস্থিত কিনা, যখন শোরগোলের কাকের শোরগোল প্রতিবেশী রয়েছে।

আমি মনে করি যে এ জাতীয় হাইপোথিসিসটি ম্যান্টেল পরীক্ষার দ্বারা পরীক্ষা করা যায় না । উভয় প্লটে অনুমানটি বৈধ। তবে আপনি যদি মনে করেন যে কোলাহলকারী কাকের একটি গুচ্ছ কোলাহল নয় এমন কাকের দ্বিতীয় ক্লাস্টারের অস্তিত্ব সম্পর্কে জ্ঞান নাও থাকতে পারে - মান্টেল পরীক্ষা আবার অকেজো। এ জাতীয় বিভাজন প্রকৃতির খুব সম্ভাবনাময় হওয়া উচিত (প্রধানত যখন আপনি বৃহত্তর আকারে ডেটা সংগ্রহ করছেন)।

এখানে চিত্র বর্ণনা লিখুন

উত্তর:


19

ম্যান্টেল পরীক্ষা এবং মরানের আমি দুটি খুব আলাদা ধারণাটি উল্লেখ করি।

মুরান আই-এর ব্যবহারের কারণ স্থানিক অটোকোরিলেশনের প্রশ্ন: স্থানের মাধ্যমে নিজের সাথে একটি ভেরিয়েবলের সম্পর্ক। কেউ মরানের আই ব্যবহার করে যখন কোনও অঞ্চল ইউনিটে কোন ঘটনা সংঘটন ঘটে প্রতিবেশী অঞ্চলের ইউনিটটিতে ঘটনার সম্ভাবনা বেশি বা সম্ভাবনা কমিয়ে দেয় তা জানতে চায়। অন্য কথায় (আপনার উদাহরণটি ব্যবহার করে): যদি গাছে কোলাহল করা কাক থাকে তবে আশেপাশের অন্যান্য কোলাহল কাকের সম্ভাবনা বা সম্ভাবনা কতটা? মুরানের I এর নাল হাইপোথিসিস হ'ল সুদের পরিবর্তনশীলের ক্ষেত্রে স্থানিক অটোকোরিলেশন নেই।

মান্টেল পরীক্ষাটি ব্যবহারের কারণ হ'ল ভেরিয়েবলের মধ্যে মিল বা অসমতার প্রশ্ন। প্রোটেক্টর (স্পেস) ভেরিয়েবলের ক্ষেত্রে একই নমুনাগুলিও নির্ভরশীল (প্রজাতি) ভেরিয়েবলের ক্ষেত্রে একই রকম হয় কিনা তা জানতে চাইলে কেউ মন্টেল টেস্ট ব্যবহার করে। এটিকে সহজভাবে বলতে গেলে: যে নমুনাগুলি একসাথে কাছাকাছি রয়েছে সেগুলিও গঠনগতভাবে একই রকম এবং যে নমুনাগুলি একে অপরের থেকে স্থানগতভাবে দূরে থাকে তারাও গঠনগতভাবে ভিন্ন হয়? আপনার উদাহরণটি ব্যবহার করে: এটি পরীক্ষা করে নিচ্ছে যে শান্ত কাকগুলি অন্যান্য শান্ত কাকের নিকটে অবস্থিত কিনা, যখন শোরগোলের কাকের শোরগোল প্রতিবেশী রয়েছে। নাল অনুমানের স্থানগত অবস্থান এবং ডিভির মধ্যে কোনও সম্পর্ক নয়।
এগুলি ছাড়াও, আংশিক মান্টেল পরীক্ষা তৃতীয়টির জন্য নিয়ন্ত্রণ করার সময় দুটি ভেরিয়েবলের সাথে তুলনা করার অনুমতি দেয়।
উদাহরণস্বরূপ, তুলনা করার সময় একজনকে মান্টেল পরীক্ষা করা দরকার

  • জীবের দুটি গ্রুপ, যা নমুনা ইউনিটের একই সেট গঠন করে;
  • অশান্তির আগে এবং পরে সম্প্রদায় কাঠামো;
  • জিনগত / পরিবেশগত দূরত্ব এবং ভৌগলিক দূরত্ব।

এখানে ম্যানটেল পরীক্ষা এবং এটির প্রয়োগ সম্পর্কে একটি ভাল আলোচনা।

(লাডিস্লাভ নাদোর নতুন উদাহরণগুলির প্রতিক্রিয়াতে সম্পাদিত)

যদি আমি অনুমান করতে পারি তবে আপনার বিভ্রান্তির কারণ হ'ল আপনি উদাহরণগুলিতে দুটি অবিচ্ছিন্ন পরিবর্তনশীল হিসাবে বা একটি দূরত্বের ম্যাট্রিক্স (মহাকাশে অবস্থান) এবং একটি ধ্রুবক পরিবর্তনশীল (শব্দ) হিসাবে আপনার উদাহরণগুলিতে স্থান এবং গোলমালের কথা ভাবছেন। প্রকৃতপক্ষে, এই জাতীয় দুটি ভেরিয়েবলের মধ্যে মিলগুলির বিশ্লেষণ করতে, উভয়কেই দূরত্বের ম্যাট্রিক হিসাবে বিবেচনা করা উচিত । এটাই:

  • একটি ম্যাট্রিক্স (উদাহরণস্বরূপ, স্থানের জন্য) ভৌগলিক স্থানাঙ্কের প্রতিটি জোড়া জন্য পার্থক্য বর্ণনা করে। একে অপরের পাশে বসে থাকা দুটি কাকের মান অনেক দূরে বসে থাকা কাকের মানের চেয়ে কম;
  • অন্য একটি ম্যাট্রিক্স (পরিবেশগত, জেনেটিক বা অন্য কোনও কাঠামোর জন্য) প্রদত্ত পয়েন্টগুলিতে পরিমাপক ফলাফলগুলির মধ্যে পার্থক্য বর্ণনা করে। একই স্তরের গোলমালের সাথে 2 কাকের মান (এটি শান্ত বা কোলাহল থাকলে কিছুই আসে যায় না - এটি সাদৃশ্য মাত্রার একটি পরিমাপ!) স্বতন্ত্র স্তরের গোলমালের সাথে একজোড়া কাকের মানের চেয়ে কম।

তারপরে মান্টেল পরীক্ষা এই দুটি ম্যাট্রিকগুলিতে সংশ্লিষ্ট মানগুলির ক্রস-প্রোডাক্টটি গণনা করে। আমাকে আবার নিম্নরেখা দিন যে ম্যান্টেল পরিসংখ্যান হ'ল দুটি দূরত্বের ম্যাট্রিকের মধ্যে পারস্পরিক সম্পর্ক এবং সেই ম্যাট্রিকগুলি তৈরি করতে ব্যবহৃত ভেরিয়েবলগুলির মধ্যে পারস্পরিক সম্পর্কের সমতুল্য নয়

এখন আসুন দুটি এবং কাঠামো নেওয়া যাক যা আপনি এ এবং বি
ছবিতে দেখিয়েছেন A এর ছবিতে, প্রতিটি জোড়া কাকের দূরত্বটি তাদের গোলমালের মাত্রার সাথে মিলের সাথে মিলে যায়। তাদের স্তরের ক্ষুদ্র ক্ষুদ্র পার্থক্যের সাথে কাকগুলি (প্রতিটি শান্ত কাক বনাম আরেকটি শান্ত কাক, প্রতিটি কোলাহলকারী কাক বনাম অন্য কোলাহল কাক) কাছে থাকে, এবং প্রতিটি জোড় কাক তাদের স্তরের উচ্চ স্তরের পার্থক্য সহকারে (একটি শান্ত কাক) বনাম একটি গোলমাল কাক) একে অপর থেকে দূরে থাকুন। মান্টেল পরীক্ষাটি সঠিকভাবে দেখায় যে দুটি ম্যাট্রিকের মধ্যে একটি স্থানিক পারস্পরিক সম্পর্ক রয়েছে।
ছবি বি তবে কাক মধ্যে দূরত্ব আছে নাতাদের স্তরের শব্দগুলির মিলগুলির সাথে মিল রয়েছে। সমস্ত কোলাহলিত কাক একসাথে থাকার সময়, শান্ত কাকগুলি কাছাকাছি থাকতে পারে বা নাও পারে। প্রকৃতপক্ষে, কিছু জোড়া ভিন্ন ভিন্ন কাকের দূরত্ব (এক শান্ত + এক শোরগোল) কিছু জোড়া অনুরূপ কাকের দূরত্বের চেয়ে ছোট (যখন উভয়ই শান্ত থাকে)।
বি তে ছবিতে কোনও প্রমাণ নেই যে কোনও গবেষক যদি এলোমেলোভাবে দুটি অনুরূপ কাক তুলেন তবে তারা প্রতিবেশী হবেন। কোনও গবেষক যদি এলোমেলোভাবে দুটি প্রতিবেশী (বা এত দূরের নয়) কাককে তুলে নেন তবে তাদের অনুরূপ হবে বলে কোনও প্রমাণ নেই। সুতরাং, প্রাথমিক দাবিটি On both plots the hypothesis validভুল rect ছবি বি হিসাবে কাঠামোটি দুটি ম্যাট্রিকের মধ্যে কোনও স্থানিক পারস্পরিক সম্পর্ক প্রদর্শন করে না এবং সেই অনুসারে ম্যান্টেল পরীক্ষায় ব্যর্থ হয়।

অবশ্যই, বিভিন্ন ধরণের স্ট্রাকচার (একই ধরণের বস্তুর এক বা একাধিক ক্লাস্টার সহ বা পরিষ্কার ক্লাস্টারের সীমানা ছাড়াই) বাস্তবে বিদ্যমান। এবং মান্টেল পরীক্ষাটি যা পরীক্ষা করে তা পরীক্ষার জন্য পুরোপুরি প্রয়োগযোগ্য এবং খুব দরকারী। আমি যদি আরও ভাল পড়ার প্রস্তাব দিতে পারি তবে এই নিবন্ধটি বাস্তব ডেটা ব্যবহার করে এবং মরানের আই, গিয়ারির সি এবং ম্যান্টেল পরীক্ষাটি বেশ সহজ এবং বোধগম্য পদে আলোচনা করে।

আশা করি সবকিছু এখন আরও পরিষ্কার হয়ে গেছে; তবে, আপনি যদি মনে করেন যে এখনও কিছু অনুপস্থিত রয়েছে তবে আমি এই ব্যাখ্যাটি প্রসারিত করতে পারি।


1
আপনার উত্তরের জন্য আপনাকে ধন্যবাদ, তবে আমি মনে করি আপনি লিখেছেন অনুমানটি (বাস্তব জীবনের ম্যান্টেল টেস্ট অনুমানের) বাস্তব জীবনের ডেটা সহ কার্যকর নয় with আমি উপরে আপনি আমার প্রতিক্রিয়া যোগ, আপনি এটির প্রতিক্রিয়া জানালে আমি খুব খুশি হবে। আমি ভুল হতে পারে।
লাডিস্লাভ নাও

@ লাডিস্লাভ নাদো আমি উত্তরটি আপডেট করেছি। প্রয়োজনে আরও ব্যাখ্যা জিজ্ঞাসা করতে দ্বিধা করবেন না দয়া করে।
আইএম

অনেক ধন্যবাদ, যখন আমি আপনাকে প্রস্তাবিত নিবন্ধগুলি "চিবানো" শেষ পর্যন্ত বুঝতে পেরেছিলাম।
লাডিস্লাভ ন্যাও

1
@ লাডিস্লাভনাডো দুর্দান্ত! সাহায্য করার জন্য খুশি।
আইএম
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.