আমি সাধারণত শুনেছি যে LME মডেলগুলি নির্ভুলতার ডেটা বিশ্লেষণে (যেমন, মনোবিজ্ঞানের পরীক্ষায়) আরও দৃ are় হয়, যাতে তারা দ্বিপদী এবং অন্যান্য সাধারণ-সাধারণ বিতরণগুলির সাথে কাজ করতে পারে যা traditionalতিহ্যগত পদ্ধতির (যেমন, আনোভা) পারে না।
এলএমই মডেলগুলির গাণিতিক ভিত্তি কী যা তাদের এই অন্যান্য বিতরণগুলিকে অন্তর্ভুক্ত করতে দেয় এবং এটির বিবরণ দেয় না এমন অতি-প্রযুক্তিগত কাগজপত্রগুলি কী কী?
উত্তর:
মিশ্র-প্রভাবগুলির মডেলগুলির একটি বড় সুবিধা হ'ল তারা পর্যবেক্ষণগুলির মধ্যে স্বাধীনতা গ্রহণ করে না এবং একটি ইউনিট বা ক্লাস্টারের মধ্যে কোনও সম্পর্কযুক্ত পর্যবেক্ষণ হতে পারে।
এটি "র্যান্ডম এবং মিশ্র প্রভাবসমূহ" এর 10 অধ্যায়ে প্রথম বিভাগে "আধুনিক প্রয়োগিত পরিসংখ্যান সহ এস" (এমএএসএস) এ সংক্ষিপ্তভাবে আবৃত হয়েছে। ভিঅ্যান্ডআর সেই বিভাগে আনোভা এবং এলএমএর তুলনা করে পেট্রোলের ডেটা সহ একটি উদাহরণ দিয়ে যায়, সুতরাং এটি একটি ভাল ওভারভিউ। আর ফাংশন ব্যবহৃত হবে lmeএ nlmeপ্যাকেজ।
মডেল সূত্রটি লেয়ার্ড এবং ওয়েয়ার (1982) এর উপর ভিত্তি করে তৈরি করা হয়েছে, সুতরাং আপনি এটিকে প্রাথমিক উত্স হিসাবে উল্লেখ করতে পারেন যদিও এটি অবশ্যই কোনও পরিচিতির জন্য ভাল নয়।
জন ফক্সের "আন আর এবং এস-প্লাস কম্পায়িয়ন টু অ্যাপ্লাইড রেজগ্রেশন" এর "লিনিয়ার মিক্সড মডেলস" (পিডিএফ) পরিশিষ্টের দিকেও নজর রাখতে পারেন । এবং রজার লেভি (পিডিএফ) এর এই বক্তৃতাটি মিশ্রিত প্রভাবগুলির মডেলগুলি সম্পর্কে আলোচনা করে যা একটি মাল্টিভারিয়েট সাধারণ বিতরণ করে।
এলএমএমগুলির সাধারণ পদ্ধতি এবং আনোভা সম্পর্কে তাদের সুবিধা সম্পর্কে ব্যাখ্যা করার একটি খুব ভাল নিবন্ধটি হ'ল:
লিনিয়ার মিশ্র-প্রভাব মডেলগুলি (এলএমএম) রেজিস্ট্রেশন মডেলগুলিকে রেসিডুয়াল-জাতীয় উপাদানগুলি, এলোমেলো প্রভাবগুলি, যেমন, ব্যক্তি বা আইটেমগুলির স্তরে এবং ব্যক্তিগত তদারকির স্তরে নয় কেবলমাত্র সাধারণ পর্যায়ের করতে সাধারণীকরণ করে। মডেলগুলি খুব নমনীয়, উদাহরণস্বরূপ বিভিন্ন opালু এবং ইন্টারসেপ্টের মডেলিংকে অনুমতি দেয়।
এলএমএমগুলি কোনও ধরণের সম্ভাবনা ফাংশন, আপনার ডেটার সম্ভাব্যতা কিছু প্যারামিটার এবং প্যারামিটারগুলির সাথে চারপাশে বিস্ফোরিত করে এই (সর্বোচ্চ সম্ভাবনার প্রাক্কলন; এমএলই) বাড়ানোর একটি পদ্ধতি ব্যবহার করে কাজ করে। এমএলই হ'ল একটি সাধারণ প্রযুক্তি যা প্রচুর মডেলকে, যেমন বাইনারি এবং গণনা উপাত্তের জন্য ডেটা লাগাতে দেয় এবং অনেক জায়গায় ব্যাখ্যা করা হয়, যেমন,
এলএমএমগুলি তবে বাইনারি ডেটা বা গণনার মতো অ-গাউশিয়ান ডেটা নিয়ে কাজ করতে পারে না; তার জন্য আপনার জেনালাইজড লিনিয়ার মিশ্রিত-প্রভাব মডেল (জিএলএমএম) প্রয়োজন need এগুলি বোঝার একটি উপায় হ'ল প্রথমে জিএলএমগুলি অনুসন্ধান করা; অ্যাগ্রেস্তি (2007) দেখুন।
নির্ভুলতার ডেটা বিশ্লেষণের জন্য এলএমইর প্রধান সুবিধা হ'ল এলোমেলো প্রভাবগুলির একটি সিরিজ অ্যাকাউন্ট করার ক্ষমতা। মনোবিজ্ঞানের পরীক্ষায় গবেষকরা সাধারণত আইটেম এবং / বা অংশগ্রহণকারীদের একত্রিত করে। মানুষ কেবল একে অপরের থেকে আলাদা নয়, আইটেমগুলিও পৃথক হয় (উদাহরণস্বরূপ কিছু শব্দ আরও স্বাতন্ত্র্য বা স্মরণীয় হতে পারে)। পরিবর্তনশীলতার এই উত্সগুলি উপেক্ষা করার ফলে সাধারণত নির্ভুলতার অবমূল্যায়ন হয় (উদাহরণস্বরূপ নিম্ন d 'মান)। যদিও অংশগ্রহীতার সমষ্টি ইস্যুটি একরকম পৃথক অনুমানের সাথে মোকাবিলা করা যেতে পারে তবে আইটেমের প্রভাবগুলি এখনও সেখানে রয়েছে এবং অংশগ্রহণকারী প্রভাবগুলির চেয়ে সাধারণত বড় larger এলএমই কেবল আপনাকে উভয় এলোমেলো প্রভাব একই সাথে মোকাবেলা করতে দেয় না, তবে তাদের সাথে নির্দিষ্ট অতিরিক্ত ভবিষ্যদ্বাণী ভেরিয়েবল (বয়স, শিক্ষার স্তর, শব্দের দৈর্ঘ্য, ইত্যাদি) যুক্ত করতে দেয়।
বিশেষত ভাষাবিজ্ঞান এবং পরীক্ষামূলক মনোবিজ্ঞানের ক্ষেত্রগুলিতে আলোকপাতকারী এলএমইগুলির জন্য সত্যই একটি ভাল রেফারেন্স হ'ল ভাষাগত তথ্য বিশ্লেষণ: আর ব্যবহার করে পরিসংখ্যানগুলির ব্যবহারিক ভূমিকা
চিয়ার্স