আমি আর আমি বহুস্তরীয় মডেলের সঙ্গে জটিল জরিপ তথ্য বিশ্লেষণ করতে কিভাবে পরামর্শ খুঁজছি ব্যবহার করেছি surveyএক পর্যায়ের মডেল নির্বাচনের অসম সম্ভাব্যতা জন্য ওজন প্যাকেজ, কিন্তু এই প্যাকেজ বহুস্তরীয় মডেলিং জন্য ফাংশন নেই। lme4প্যাকেজ বহুস্তরীয় মডেলিং জন্য মহান, কিন্তু একটি উপায় যে আমি ক্লাস্টারিং বিভিন্ন পর্যায়ে ওজন অন্তর্ভুক্ত করা জানেন নয়। Asparouhov (2006) সমস্যা সেট আপ করে:
মাল্টিলেভেল মডেলগুলি প্রায়শই ক্লাস্টার স্যাম্পলিং ডিজাইনের ডেটা বিশ্লেষণ করতে ব্যবহৃত হয়। এই জাতীয় নমুনা ডিজাইনগুলি প্রায়শই ক্লাস্টার স্তরে এবং পৃথক স্তরে নির্বাচনের অসম সম্ভাবনা ব্যবহার করে। এই সম্ভাব্যতাগুলি প্রতিফলিত করার জন্য একটি বা উভয় স্তরে স্যাম্পলিং ওজন নির্ধারিত হয়। যদি উভয় স্তরে নমুনা ওজন উপেক্ষা করা হয় তবে প্যারামিটারের অনুমানগুলি যথেষ্ট পক্ষপাতদুষ্ট হতে পারে।
দ্বি-স্তরের মডেলের জন্য একটি পদ্ধতির হ'ল মাল্টিলেভেল সিউডো সর্বাধিক সম্ভাবনা (এমপিএমএল) অনুমানকারী যা এমপিএলএস ( এস্পারোহভ এট আল ,?) এ প্রয়োগ করা হয় । কার্লে (২০০৯) প্রধান সফ্টওয়্যার প্যাকেজগুলি পর্যালোচনা করে এবং কীভাবে এগিয়ে যেতে হবে সে সম্পর্কে কয়েকটি সুপারিশ করে:
জটিল জরিপ ডেটা এবং ডিজাইনের ওজন সহ এমএলএম সঠিকভাবে পরিচালনা করতে, বিশ্লেষকদের এমন সফ্টওয়্যার দরকার যা প্রোগ্রামের বাইরে মাপানো ওজন অন্তর্ভুক্ত করতে পারে এবং স্বয়ংক্রিয় প্রোগ্রাম পরিবর্তন ছাড়াই "নতুন" স্কেলড ওজন অন্তর্ভুক্ত করতে পারে। বর্তমানে, তিনটি বড় এমএলএম সফ্টওয়্যার প্রোগ্রাম এটির অনুমতি দেয়: এমপ্লাস (৫.২), এমএলভিএন (২.০২) এবং জিএলএলএম। দুর্ভাগ্যক্রমে, এইচএলএম বা এসএএস কেউই এটি করতে পারে না।
পশ্চিম এবং গালেকি (2013) আরও আপডেট হওয়া পর্যালোচনা দেয় এবং আমি প্রাসঙ্গিক প্যাসেজটি দৈর্ঘ্যে উদ্ধৃত করব:
কখনও কখনও বিশ্লেষকরা জটিল ডিজাইনের নমুনাগুলি থেকে সংগ্রহ করা ডেটা সেট জরিপের জন্য এলএমএমগুলিকে ফিট করতে চান (হেরিংটা এট আল, ২০১০, অধ্যায় 12 দেখুন)। কমপ্লেক্স নমুনা নকশাগুলি সাধারণত জনগণের স্তরগুলিতে বিভাজন, স্তরের মধ্যে থেকে ব্যক্তিদের ক্লাস্টারগুলির বহু-পর্যায়ের নির্বাচন এবং গুচ্ছ এবং চূড়ান্ত ব্যক্তিদের নমুনাযুক্ত উভয়ের জন্য নির্বাচনের অসম সম্ভাবনাগুলি দ্বারা চিহ্নিত করা হয়। নির্বাচনের এই অসম সম্ভাবনাগুলি সাধারণত ব্যক্তিদের জন্য নমুনা ওজন তৈরির দিকে পরিচালিত করে, যা বিশ্লেষণের সাথে সংহত করার সময় বর্ণনামূলক পরামিতিগুলির নিরপেক্ষ অনুমান নিশ্চিত করে। এই ওজনগুলিকে জরিপহীন দায়িত্ব পালনের জন্য আরও সামঞ্জস্য করা যেতে পারে এবং জানা জনসংখ্যার মোটের জন্য ক্যালিব্রেট করা যেতে পারে। প্রথাগতভাবে, রিগ্রেশন মডেলগুলি অনুমান করার সময় বিশ্লেষকরা এই জটিল নমুনা বৈশিষ্ট্যগুলিকে অন্তর্ভুক্ত করার জন্য একটি নকশা ভিত্তিক পদ্ধতির বিষয়টি বিবেচনা করতে পারেন (হেরিংটা এট আল।, ২০১০)। অতি সম্প্রতি, পরিসংখ্যানবিদরা এই তথ্য বিশ্লেষণের জন্য মডেল-ভিত্তিক পদ্ধতির অন্বেষণ করতে শুরু করেছেন, এলএমএম ব্যবহার করে নমুনা স্তরের স্থির প্রভাব এবং নমুনাযুক্ত গুচ্ছগুলির এলোমেলো প্রভাব অন্তর্ভুক্ত করতে পারেন।
এই ডেটাগুলি বিশ্লেষণের জন্য মডেল-ভিত্তিক পদ্ধতির বিকাশের প্রাথমিক অসুবিধাটি নমুনা ওজনকে অন্তর্ভুক্ত করার জন্য উপযুক্ত পদ্ধতিগুলি বেছে নিয়েছে (বিষয়গুলির সংক্ষিপ্তসার জন্য গেলম্যান, 2007 দেখুন)। ফেফারম্যান এট। (1998), এস্পারোহভ এবং মুথেন (2006), এবং রাবে-হেস্কেথ এবং স্ক্রোনডাল (2006) একাধিক স্তরের জরিপ ওজনকে এবং রাবে-হেস্কেথ এবং স্ক্রোনডাল (2006), কার্লে (২০০৯) একাধিক স্তরের মডেল নির্ধারণের জন্য তত্ত্ব তৈরি করেছেন এবং হেরিংটা এট আল। (2010, অধ্যায় 12) বর্তমান সফ্টওয়্যার পদ্ধতি ব্যবহার করে অ্যাপ্লিকেশন উপস্থাপন করেছে, তবে এটি পরিসংখ্যানগত গবেষণার একটি সক্রিয় ক্ষেত্র হিসাবে অবিরত রয়েছে। জটিল নকশার বৈশিষ্ট্যগুলিকে অন্তর্ভুক্ত করার জন্য সাহিত্যে যে পদ্ধতির প্রস্তাব দেওয়া হয়েছে তা বাস্তবায়নের বিভিন্ন পর্যায়ে রয়েছে এলএমএম ফিট করতে সক্ষম সফ্টওয়্যার পদ্ধতিগুলি, এলএমএমগুলিকে জটিল নমুনা সমীক্ষার তথ্যগুলিতে ফিট করার সময় বিশ্লেষকদের এটি বিবেচনা করা উচিত। জটিল নমুনা সমীক্ষা থেকে সংগৃহীত তথ্যগুলিতে এলএমএমগুলিকে ফিট করার বিষয়ে আগ্রহী বিশ্লেষকরা এমন পদ্ধতিগুলির প্রতি আকৃষ্ট হবেন যা সমীক্ষার ওজনকে সঠিকভাবে অনুমানের পদ্ধতিগুলিতে অন্তর্ভুক্ত করতে সক্ষম হয় (এইচএলএম, এমএলভিএন, এমপ্লাস, xtmixed এবং গ্ল্যামাম), এতে উপস্থিত সাহিত্যের সাথে সামঞ্জস্যপূর্ণ এলাকা।
এটি আমার প্রশ্নে নিয়ে আসে: আরএমের জটিল সমীক্ষার ডেটাতে এলএমএমগুলিকে ফিট করার জন্য কারও কি সেরা অনুশীলনের সুপারিশ রয়েছে?
lmerফাংশন lme4প্যাকেজের মাধ্যমে একটি স্পেসিফিকেশন পারবেন weightsমডেল চোস্ত প্রক্রিয়ার জন্য যুক্তি, তাই আপনি যদি নকশা ওজন সমাধান করেছেন, আপনি তাদের যে যুক্তি দিয়ে নিগমবদ্ধ সক্ষম হওয়া উচিত। আমি এখানে লাঠি ভুল শেষ পেয়েছি? এটি আপনার প্রয়োজনের জন্য অপর্যাপ্ত কিছু কারণ আছে?
i've never said it beforeথেকে শুরু করা হবে অ্যাডহেলথের বিষয়ে আগ্রহী হতে পারে .. :(