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:
"একই স্বভাবের লোক এক সাথে থাকে." আরো অনুরূপ কাক হয়, তাদের মধ্যে ছোট ভৌগোলিক দূরত্ব (একক ক্লাস্টার) ।
"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)।
"মনোটোনিক প্রবণতা।"
"বিপরীতে আকর্ষণ." অনুরূপ কাকেরা একে অপরকে দাঁড়াতে পারে না।
"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)।
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) <- 0প্লট 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)।
