আপনি যে ধারণাগুলি উল্লেখ করেছেন উভয়েরই (পি-মানগুলি এবং লিনিয়ার মিশ্রিত মডেলগুলির এফেক্ট মাপ) এর অন্তর্নিহিত সমস্যা রয়েছে। প্রভাব আকারের ক্ষেত্রে , এর মূল লেখক ডগ বেটসের উদ্ধৃতি দিয়ে lme4,
অনুমান করে যে কোনও একটি পরিমাপের সংজ্ঞা দিতে চায় , আমি মনে করি যে লিনিয়ার মডেল থেকে স্কোয়ারের অবশিষ্টাংশের যোগফলকে আমরা একইভাবে বিবেচনা করি তেমনভাবে একটি রৈখিক মিশ্র মডেল থেকে বর্গক্ষেত্রের অবশিষ্টাংশের যোগফলের চিকিত্সার জন্য একটি যুক্তি তৈরি করা যেতে পারে। অথবা কেউ শাস্তির বিহীন স্কোয়ারের অবশিষ্ট অবধি বা কোনও নির্দিষ্ট শর্তাবলী থেকে প্রাপ্ত স্কোয়ারের ন্যূনতম অবশিষ্টাংশের যোগফল ব্যবহার করতে পারে, যা অসীম নির্ভুলতার ম্যাট্রিক্সের সাথে মিলে যায়। আমি জানি না। এটি আপনি কী বৈশিষ্ট্যযুক্ত করার চেষ্টা করছেন তার উপর নির্ভর করে।আর2
আরও তথ্যের জন্য, আপনি এই থ্রেড , এই থ্রেড এবং এই বার্তাটি দেখতে পারেন । মূলত, বিষয়টি হ'ল মডেলটির এলোমেলো প্রভাব থেকে বৈচিত্রের অন্তর্ভুক্তি এবং ক্ষয়করণের জন্য একমত পদ্ধতি নেই। তবে কয়েকটি মান রয়েছে যা ব্যবহার করা হয়। আপনার যদি উইকিটি আর-সিগ-মিক্সড-মডেল মেলিং তালিকার জন্য / দ্বারা সেট আপ করা আছে তবে আপনি কয়েকটি পদ্ধতির তালিকাভুক্ত রয়েছেন।
প্রস্তাবিত পদ্ধতিগুলির মধ্যে একটি লাগানো এবং পর্যবেক্ষণকৃত মানগুলির মধ্যে পারস্পরিক সম্পর্ককে দেখায়। এই প্রয়োগ করা যেতে পারে আর হিসাবে যারা থ্রেডের এক জ্যারেট Byrnes দ্বারা প্রস্তাবিত:
r2.corr.mer <- function(m) {
lmfit <- lm(model.response(model.frame(m)) ~ fitted(m))
summary(lmfit)$r.squared
}
সুতরাং উদাহরণস্বরূপ, বলুন যে আমরা নিম্নলিখিত রৈখিক মিশ্র মডেলটি অনুমান করি:
set.seed(1)
d <- data.frame(y = rnorm(250), x = rnorm(250), z = rnorm(250),
g = sample(letters[1:4], 250, replace=T) )
library(lme4)
summary(fm1 <- lmer(y ~ x + (z | g), data=d))
# Linear mixed model fit by REML ['lmerMod']
# Formula: y ~ x + (z | g)
# Data: d
# REML criterion at convergence: 744.4
#
# Scaled residuals:
# Min 1Q Median 3Q Max
# -2.7808 -0.6123 -0.0244 0.6330 3.5374
#
# Random effects:
# Groups Name Variance Std.Dev. Corr
# g (Intercept) 0.006218 0.07885
# z 0.001318 0.03631 -1.00
# Residual 1.121439 1.05898
# Number of obs: 250, groups: g, 4
#
# Fixed effects:
# Estimate Std. Error t value
# (Intercept) 0.02180 0.07795 0.280
# x 0.04446 0.06980 0.637
#
# Correlation of Fixed Effects:
# (Intr)
# x -0.005
আমরা উপরের সংজ্ঞায়িত ফাংশনটি ব্যবহার করে এফেক্ট আকারটি গণনা করতে পারি:
r2.corr.mer(fm1)
# [1] 0.0160841
Ong as হিসাবে উল্লেখ করা রঙ্গুয়ু জু-র একটি কাগজে অনুরূপ বিকল্পের প্রস্তাব দেওয়া হয়েছে , এবং কেবলমাত্র আর-তে গণনা করা যেতে পারে :Ω20
1-var(residuals(fm1))/(var(model.response(model.frame(fm1))))
# [1] 0.01173721 # Usually, it would be even closer to the value above
পি-মানগুলির প্রতি শ্রদ্ধা সহ , এটি অনেক বেশি বিতর্কিত সমস্যা (কমপক্ষে আর / lme4সম্প্রদায়ে)। প্রশ্ন আলোচনা দেখুন এখানে , এখানে , এবং এখানে অনেক প্রমুখ। আবার উইকি পৃষ্ঠার উল্লেখ করে, রৈখিক মিশ্র মডেলগুলির প্রভাবগুলির উপর অনুমানের পরীক্ষা করার জন্য কয়েকটি পন্থা রয়েছে। "সবচেয়ে খারাপ থেকে সেরা" এর তালিকাভুক্ত ( উইকি পৃষ্ঠার লেখকদের মতে যা আমি বিশ্বাস করি যে ডগ বেটসের পাশাপাশি বেন বলকারও এখানে রয়েছে যা এখানে প্রচুর অবদান রাখে):
- ওয়াল্ড জেড-টেস্টস
- সুষম, নেস্টেড এলএমএমগুলির জন্য যেখানে ডিএফ গণনা করা যায়: ওয়াল্ড টি-টেস্ট
- সম্ভাবনা অনুপাত পরীক্ষা, নয়তো মডেল স্থাপনের যাতে প্যারামিটার বিচ্ছিন্ন করা যেতে পারে / বাদ (মাধ্যমে
anovaবা drop1), অথবা সম্ভাবনা প্রোফাইলের কম্পিউটিং মাধ্যমে
- MCMC বা প্যারামেট্রিক বুটস্ট্র্যাপ আস্থা আত্মবিশ্বাস
তারা মার্কোভ চেইন মন্টি কার্লো স্যাম্পলিং পদ্ধতির প্রস্তাব দেয় এবং নীচে তালিকাভুক্ত সিউডো এবং সম্পূর্ণ বায়েশীয় পদ্ধতিগুলি থেকে এটি বাস্তবায়নের জন্য বেশ কয়েকটি সম্ভাবনার তালিকাও দেয়।
ছদ্ম-Bayesian:
- এই পোস্টে এইচ স্যাম্পলিং, সাধারণত (1) ফ্ল্যাট প্রিয়ার ধরে নেওয়া এবং (2) এমএলই থেকে শুরু করে, সম্ভবত প্রার্থীর বন্টন বেছে নিতে আনুমানিক বৈচিত্র্য-কোভারিয়েন্স অনুমান ব্যবহার করে
- এর মাধ্যমে
mcmcsamp(আপনার সমস্যার জন্য যদি পাওয়া যায়: সহজ র্যান্ডম প্রভাব সঙ্গে অর্থাত LMMs - না GLMMs বা জটিল র্যান্ডম প্রভাব)
মাধ্যমে pvals.fncএ languageRপ্যাকেজ, একটি মোড়কের mcmcsamp)
- এডি মডেল বিল্ডারে সম্ভবত
glmmADMBপ্যাকেজটির মাধ্যমে ( mcmc=TRUEবিকল্পটি ব্যবহার করুন ) বা R2admbপ্যাকেজটি (AD মডেল বিল্ডারে আপনার নিজস্ব মডেল সংজ্ঞাটি লিখুন), বা আর এর বাইরে
- প্যাকেজটি
simথেকে ফাংশনটির মাধ্যমে arm(কেবলমাত্র বিটা (স্থির-প্রভাব) সহগের জন্য পশ্চাতটি সিমুলেট করে
সম্পূর্ণ বায়েশিয়ান যোগাযোগ:
MCMCglmmপ্যাকেজ মাধ্যমে- ব্যবহার
glmmBUGS(/ মোড়কের একটি WinBUGS আর ইন্টারফেস)
rjags/ r2jags/ R2WinBUGS/ BRugsপ্যাকেজগুলির মাধ্যমে জেএজিএস / উইনবুগস / ওপেনবগিজ ইত্যাদি ব্যবহার করা হচ্ছে
উদাহরণস্বরূপ, এটি দেখতে কেমন হতে পারে তা দেখানোর জন্য নীচে একটি প্যাকেজটি MCMCglmmব্যবহার করে অনুমান করা হয় MCMCglmmযা আপনি উপরের মডেলটির মতো একই ফলস্বরূপ দেখতে পাবেন এবং কিছু ধরণের বায়সিয়ান পি-মান রয়েছে:
library(MCMCglmm)
summary(fm2 <- MCMCglmm(y ~ x, random=~us(z):g, data=d))
# Iterations = 3001:12991
# Thinning interval = 10
# Sample size = 1000
#
# DIC: 697.7438
#
# G-structure: ~us(z):g
#
# post.mean l-95% CI u-95% CI eff.samp
# z:z.g 0.0004363 1.586e-17 0.001268 397.6
#
# R-structure: ~units
#
# post.mean l-95% CI u-95% CI eff.samp
# units 0.9466 0.7926 1.123 1000
#
# Location effects: y ~ x
#
# post.mean l-95% CI u-95% CI eff.samp pMCMC
# (Intercept) -0.04936 -0.17176 0.07502 1000 0.424
# x -0.07955 -0.19648 0.05811 1000 0.214
আমি এই কিছুটা সাহায্য করে আশা করি। আমি মনে করি যে কারও জন্য লিনিয়ার মিশ্র মডেলগুলি শুরু করে এবং আর এটিকে অনুমান করার চেষ্টা করার জন্য সর্বোত্তম পরামর্শটি উইকি ফ্যাক্সগুলি পড়া যেখানে থেকে এই তথ্যটির বেশিরভাগ অংশ আঁকা হয়েছিল। এটি বেসিক থেকে উন্নত এবং মডেলিং থেকে প্লটিং পর্যন্ত সমস্ত ধরণের মিশ্র প্রভাবগুলির থিমগুলির জন্য দুর্দান্ত উত্স।
anova()লিনিয়ার মডেলগুলির মতো লিনিয়ার মিশ্রিত মডেলগুলির সাথে একটি আনোভা টেবিল পেতে ফাংশনটি ব্যবহার করতে পারেন ।