আমার একটি নিয়মিত নির্ভরশীল পরিবর্তনশীল, স্বাচ্ছন্দতা রয়েছে যা 1 (সহজ নয়) থেকে 5 (খুব সহজ) এর মধ্যে রয়েছে। স্বতন্ত্র কারণগুলির মানগুলিতে বৃদ্ধি বর্ধিত স্বাচ্ছন্দ্যের রেটিংয়ের সাথে সম্পর্কিত।
আমার দুটি স্বতন্ত্র ভেরিয়েবল ( condA
এবং condB
) শ্রেণিবদ্ধ, প্রতিটি 2 স্তরের এবং 2 ( abilityA
, abilityB
) অবিচ্ছিন্ন।
আমি আরে অর্ডিনাল প্যাকেজটি ব্যবহার করছি , যেখানে এটি আমার বিশ্বাস হিসাবে ব্যবহার করে
(@ ক্যারাকালের উত্তর থেকে এখানে )
আমি এটি স্বাধীনভাবে শিখছি এবং যে কোনও সহায়তা সম্ভব হওয়ায় আমি এখনও এটির সাথে লড়াই করে যাচ্ছি বলে প্রশংসা করব। অর্ডিনাল প্যাকেজ সহ টিউটোরিয়ালগুলি ছাড়াও, নিম্নলিখিতগুলিও সহায়ক বলে মনে করেছি:
তবে আমি ফলাফলগুলি ব্যাখ্যা করার চেষ্টা করছি এবং বিভিন্ন সংস্থানগুলি একসাথে রেখে আটকে যাচ্ছি।
আমি বিমূর্ত এবং প্রয়োগ উভয় বিভিন্ন ব্যাখ্যা পড়েছি, তবে এর অর্থ কী বলতে বোঝায় তা সম্পর্কে আমার মনকে জড়িয়ে রাখতে এখনও খুব কষ্ট হচ্ছে:
কনডবিতে 1 ইউনিট বৃদ্ধির সাথে (যেমন, শ্রেণিবদ্ধ পূর্বাভাসকারীটির এক স্তর থেকে পরবর্তী দিকে পরিবর্তিত), ওয়াই = 5 বনাম ওয়াই = 1 থেকে 4 পর্যবেক্ষণের পূর্বাভাসযুক্ত প্রতিক্রিয়া (সেইসাথে পর্যবেক্ষিত ওয়াই = 4 বনামের পূর্বাভাসের প্রতিক্রিয়া) Y = 1 থেকে 3) এক্সপ (বিটা) এর একটি ফ্যাক্টর দ্বারা পরিবর্তন যা ডায়াগ্রামের জন্য এক্সপ (0.457) = 1.58।
ক। শ্রেণীবদ্ধ বনাম ক্রমাগত স্বাধীন ভেরিয়েবলের জন্য এটি কি আলাদা?
খ। আমার অসুবিধার অংশটি ক্রমগত প্রতিক্রিয়া ধারণা এবং সেই তুলনাগুলির সাথে থাকতে পারে। ... এটি কি ন্যায়সঙ্গতভাবে বলা যায় যে কনডে = অনুপস্থিত (রেফারেন্স স্তর) থেকে কনডে = উপস্থিতিতে যাওয়া 1.57 গুণ বেশি বেশি স্বাচ্ছন্দ্যের হারে রেটিং হওয়ার সম্ভাবনা বেশি? আমি নিশ্চিত যে এটি সঠিক নয়, তবে কীভাবে এটি সঠিকভাবে বর্ণনা করতে হবে তা সম্পর্কে আমি নিশ্চিত নই।
গ্রাফিকালি,
১. এই পোস্টে কোডটি প্রয়োগ করে , ফলাফলের সম্ভাব্যতা মানগুলি এত বড় কেন আমি বিভ্রান্ত।
২. এই পোস্টে পি (ওয়াই = জি) এর গ্রাফটি আমার কাছে সর্বাধিক বোধগম্য করে তোলে ... এক্স এর একটি নির্দিষ্ট মূল্যে Y এর একটি নির্দিষ্ট বিভাগ পর্যবেক্ষণের সম্ভাবনার ব্যাখ্যার সাথে I আমি যে কারণটি পাওয়ার চেষ্টা করছি প্রথম স্থানে থাকা গ্রাফটি সামগ্রিকভাবে ফলাফলগুলির আরও ভাল ধারণা পাওয়া।
আমার মডেল থেকে প্রাপ্ত ফলাফল এখানে:
m1c2 <- clmm (easiness ~ condA + condB + abilityA + abilityB + (1|content) + (1|ID),
data = d, na.action = na.omit)
summary(m1c2)
Cumulative Link Mixed Model fitted with the Laplace approximation
formula:
easiness ~ illus2 + dx2 + abilEM_obli + valueEM_obli + (1 | content) + (1 | ID)
data: d
link threshold nobs logLik AIC niter max.grad
logit flexible 366 -468.44 956.88 729(3615) 4.36e-04
cond.H
4.5e+01
Random effects:
Groups Name Variance Std.Dev.
ID (Intercept) 2.90 1.70
content (Intercept) 0.24 0.49
Number of groups: ID 92, content 4
Coefficients:
Estimate Std. Error z value Pr(>|z|)
condA 0.681 0.213 3.20 0.0014 **
condB 0.457 0.211 2.17 0.0303 *
abilityA 1.148 0.255 4.51 6.5e-06 ***
abilityB 0.577 0.247 2.34 0.0195 *
Threshold coefficients:
Estimate Std. Error z value
1|2 -3.500 0.438 -7.99
2|3 -1.545 0.378 -4.08
3|4 0.193 0.366 0.53
4|5 2.121 0.385 5.50