লিনিয়ার এবং ননলাইনারি রিগ্রেশন মডেলগুলির মধ্যে বেশ কয়েকটি পার্থক্য রয়েছে তবে প্রাথমিক গাণিতিক একটি হ'ল লিনিয়ার মডেলগুলি পরামিতিগুলিতে লিনিয়ার, অন্যদিকে ননলাইনার মডেলগুলি পরামিতিগুলিতে ননলাইনার। পিনহিরো এবং বেটস (2000, পিপি 284-285), nlmeআর প্যাকেজের লেখকরা মার্জিতভাবে মডেল নির্বাচনের আরও দৃ sub় বিবেচনা বর্ণনা করেছেন:
কোনও প্রতিক্রিয়ার পরিবর্তনশীল কোভারিয়েটগুলির সাথে কীভাবে পরিবর্তিত হয় তা বর্ণনা করতে কোনও রিগ্রেশন মডেল বাছাই করার সময়, একজনের কাছে সর্বদা মডেলগুলি ব্যবহার করার বিকল্প থাকে যেমন পরামিতি মডেলগুলি, যেগুলি পরামিতিগুলিতে রৈখিক। বহুবর্ষীয় মডেলের ক্রমকে বাড়িয়ে, কেউ তথ্যের পর্যবেক্ষণের সীমার মধ্যে সত্য, সাধারণত ননলাইনার, রিগ্রেশন ফাংশনটির সাথে ক্রমবর্ধমান সঠিক অনুমান পেতে পারে। এই পরীক্ষামূলক মডেলগুলি কেবল প্রতিক্রিয়া এবং কোভেরিয়েটগুলির মধ্যে পর্যবেক্ষণের সম্পর্কের ভিত্তিতে তৈরি হয় এবং ডেটা উত্পাদনকারী অন্তর্নিহিত প্রক্রিয়া সম্পর্কে কোনও তাত্ত্বিক বিবেচনার অন্তর্ভুক্ত করে না। অপরদিকে ননলাইনার মডেলগুলি প্রায়শই যান্ত্রিক হয়, অর্থাত, প্রতিক্রিয়া তৈরির পদ্ধতির মডেলের উপর ভিত্তি করে। ফলস্বরূপ, ননলাইনারের মডেলের পরামিতিগুলির একটি প্রাকৃতিক শারীরিক ব্যাখ্যা থাকে। এমনকি অনুভূতিগতভাবে উদ্ভূত হওয়ার পরেও, অ-রেখাযুক্ত মডেলগুলি সাধারণত পরিচিত হিসাবে অন্তর্ভুক্ত হয়, অ্যাসিপোটোটস এবং একঘেয়েমি এর মতো তথ্যের তাত্ত্বিক বৈশিষ্ট্য এবং এই ক্ষেত্রেগুলিকে আধা-যান্ত্রিক মডেল হিসাবে বিবেচনা করা যেতে পারে। একটি ননলাইনার মডেল সাধারণত প্রতিযোগী রৈখিক মডেলের চেয়ে কম পরামিতি ব্যবহার করে, যেমন একটি বহুবর্ষ, তথ্যের আরও পার্সোনমন্য বর্ণনা দেয়। ননলাইনার মডেলগুলি তথ্যের পর্যবেক্ষণের সীমার বাইরে প্রতিক্রিয়ার পরিবর্তনশীলগুলির জন্য আরও নির্ভরযোগ্য ভবিষ্যদ্বাণী সরবরাহ করে, বলুন, বহুবর্ষীয় মডেলগুলি। ডেটা আরও পার্সোনীয় বিবরণ প্রদান। ননলাইনার মডেলগুলি তথ্যের পর্যবেক্ষণের সীমার বাইরে প্রতিক্রিয়ার পরিবর্তনশীলগুলির জন্য আরও নির্ভরযোগ্য ভবিষ্যদ্বাণী সরবরাহ করে, বলুন, বহুবর্ষীয় মডেলগুলি। ডেটা আরও পার্সোনীয় বিবরণ প্রদান। ননলাইনার মডেলগুলি তথ্যের পর্যবেক্ষণের সীমার বাইরে প্রতিক্রিয়ার পরিবর্তনশীলগুলির জন্য আরও নির্ভরযোগ্য ভবিষ্যদ্বাণী সরবরাহ করে, বলুন, বহুবর্ষীয় মডেলগুলি।
Nlme এবং lme4 প্যাকেজগুলির মধ্যে কিছু বড় পার্থক্য রয়েছে যা লিনিয়ারিটি ইস্যুটির বাইরে চলে যায়। উদাহরণস্বরূপ, এনএলএমই ব্যবহার করে আপনি লিনিয়ার বা ননলাইনার মডেলগুলিকে ফিট করতে পারেন এবং উভয় প্রকারের জন্য-গ্রুপ ত্রুটির (যেমন, অটোরিগ্রেসিভ) জন্য বিভিন্নতা এবং পারস্পরিক সম্পর্কের কাঠামো নির্দিষ্ট করতে পারেন; lme4 এটি করতে পারে না। তদতিরিক্ত, এলোমেলো প্রভাবগুলি উভয় প্যাকেজে স্থির বা ক্রস করা যেতে পারে তবে lme4 এ র্যান্ডম এফেক্টগুলি নির্দিষ্ট করে মডেল করা অনেক সহজ (এবং আরও গণনামূলকভাবে দক্ষ)।
আমি প্রথমে বিবেচনা করে পরামর্শ দেব) ক) আপনার কোনও ননলাইনার মডেল লাগবে কিনা এবং খ) আপনার গ্রুপ-এর বিভিন্নতা বা সম্পর্কের কাঠামো নির্দিষ্ট করতে হবে কিনা। যদি এই উত্তরগুলির মধ্যে কোনও হ্যাঁ হয়, তবে আপনাকে এনএলএমই ব্যবহার করতে হবে (আপনি যদি আর এর সাথে লেগে থাকেন তবে)। আপনি যদি রৈখিক মডেলগুলি যা এলোমেলো প্রভাবগুলি, বা নেস্টেড এবং এলোমেলো প্রভাবগুলি অতিক্রম করার জটিল সংমিশ্রণগুলির সাথে প্রচুর পরিশ্রম করেন, তবে সম্ভবত lme4 আরও ভাল পছন্দ। আপনার উভয় প্যাকেজ ব্যবহার করতে শেখার প্রয়োজন হতে পারে। আমি প্রথমে lme4 শিখেছি এবং তারপরে বুঝতে পেরেছিলাম যে আমাকে প্রায় nlme ব্যবহার করতে হবে কারণ আমি প্রায়শই স্বতঃস্ফূর্ত ত্রুটি কাঠামো নিয়ে কাজ করি। যাইহোক, আমি ক্রস ফ্যাক্টরগুলির সাথে পরীক্ষাগুলির থেকে ডেটা বিশ্লেষণ করলে আমি এখনও lme4 পছন্দ করি। সুসংবাদটি হ'ল lme4 সম্পর্কে আমি যা শিখেছি তার একটি দুর্দান্ত চুক্তি ভালভাবে এনএমএলে স্থানান্তরিত হয়েছিল। যেভাবেই হোক,
তথ্যসূত্র
পিনহেরো, জেসি, এবং বেটস, ডিএম (2000)। এস এবং এস-প্লাসে মিশ্র-প্রভাবগুলির মডেল । নিউ ইয়র্ক: স্প্রঞ্জার-ভার্লাগ।