मैं अपने ग्लैमर आउटपुट में 'निश्चित प्रभावों के सहसंबंध' की व्याख्या कैसे करूं?

Question

मेरे पास निम्न आउटपुट हैं:

Generalized linear mixed model fit by the Laplace approximation 
Formula: aph.remain ~ sMFS2 +sAG2 +sSHDI2 +sbare +season +crop +(1|landscape) 

 AIC   BIC    logLik deviance
 4062  4093  -2022   4044

Random effects:
Groups    Name        Variance Std.Dev.
landscape (Intercept) 0.82453  0.90804 
Number of obs: 239, groups: landscape, 45

Fixed effects:
            Estimate Std. Error z value Pr(>|z|)    
(Intercept)  2.65120    0.14051  18.868   <2e-16     
sMFS2        0.26922    0.17594   1.530   0.1260    
sAG2         0.09268    0.14529   0.638   0.5235    
sSHDI2       0.28345    0.17177   1.650   0.0989  
sbare        0.41388    0.02976  13.907   <2e-16 
seasonlate  -0.50165    0.02729 -18.384   <2e-16 
cropforage   0.79000    0.06724  11.748   <2e-16 
cropsoy      0.76507    0.04920  15.551   <2e-16 

Correlation of Fixed Effects:
           (Intr) sMFS2  sAG2   sSHDI2 sbare  sesnlt crpfrg
sMFS2      -0.016                                          
sAG2        0.006 -0.342                                   
sSHDI2     -0.025  0.588 -0.169                            
sbare      -0.113 -0.002  0.010  0.004                     
seasonlate -0.034  0.005 -0.004  0.001 -0.283              
cropforage -0.161 -0.005  0.012 -0.004  0.791 -0.231       
cropsoy    -0.175 -0.022  0.013  0.013  0.404 -0.164  0.557

मेरे सभी निरंतर चर ( sनाम से पहले एक छोटे से चिह्नित ) को मानकीकृत (z- स्कोर) किया जाता है। season2 स्तरों (प्रारंभिक और देर) के cropसाथ एक श्रेणीबद्ध चर है , और 3 स्तरों (मकई, चारा, और सोया) के साथ एक श्रेणीगत चर है।

निश्चित प्रभाव मैट्रिक्स का यह सहसंबंध वास्तव में मुझे भ्रमित कर रहा है, क्योंकि सभी सहसंबंधों के विपरीत संकेत हैं जो वे तब करते हैं जब मैं चर के जोड़े के सरल प्रतिगमन को देखता हूं। यानी, फिक्स्ड इफेक्ट्स मैट्रिक्स का सहसंबंध एक मजबूत सकारात्मक सहसंबंध के बीच सुझाव देता है cropforageऔर sbare, जब वास्तव में इन चरों के बीच एक बहुत ही मजबूत NEGATIVE सहसंबंध होता है - मकई और सोया फसलों की तुलना में बहुत कम नंगे जमीनों के लिए इस्तेमाल की जाने वाली चारा फसलों। निरंतर चर के जोड़े में एक ही मुद्दा है, निश्चित प्रभाव मैट्रिक्स का सहसंबंध कहता है कि सब कुछ इसके विपरीत है जो इसे होना चाहिए ... क्या यह सिर्फ मॉडल की जटिलता (एक साधारण प्रतिगमन नहीं होने के कारण) हो सकता है? क्या इस तथ्य से कुछ लेना-देना हो सकता है कि चर मानकीकृत हैं?

धन्यवाद।

Answer 1

"निश्चित प्रभावों का सहसंबंध" आउटपुट का सहज अर्थ यह नहीं है कि अधिकांश इसे बताएंगे। विशेष रूप से, चर (ओपी नोट के रूप में) के सहसंबंध के बारे में नहीं है। यह वास्तव में प्रतिगमन गुणांक के अपेक्षित सहसंबंध के बारे में है। हालाँकि यह बहुसंस्कृति से बात कर सकता है लेकिन यह जरूरी नहीं है। इस मामले में यह आपको बता रहा है कि यदि आपने फिर से प्रयोग किया और ऐसा हुआ कि गुणांक cropforageछोटा हो गया, तो संभावना है कि यह भी गुणांक होगा sbare।

भाग में उनकी पुस्तक "एनलिसिंग लिंग्विस्टिक डेटा: ए प्रैक्टिकल इंट्रोडक्शन टू स्टैटिस्टिक्स यू आर" का उपयोग करते हुए lme4 बैयेन आउटपुट के उस हिस्से को दबा देता है और इसे केवल विशेष मामलों में उपयोगी घोषित करता है। यहां एक सूची संदेश दिया गया है जहां बेट्स खुद बताते हैं कि आउटपुट के उस हिस्से की व्याख्या कैसे करें:

यह निश्चित प्रभावों के अनुमानक का अनुमानित सहसंबंध है। (मैं "अनुमानित" शब्द शामिल करता हूं क्योंकि मुझे करना चाहिए लेकिन इस मामले में अनुमान बहुत अच्छा है।) मुझे यकीन नहीं है कि इसे इससे बेहतर कैसे समझा जाए। मान लीजिए कि आपने मॉडल में मापदंडों से MCMC का नमूना लिया है, तो आप इस मैट्रिक्स जैसी सहसंबंध संरचना को प्रदर्शित करने के लिए निश्चित-प्रभाव मापदंडों के नमूने की अपेक्षा करेंगे।

Comments

मुझे खेद है, यह शायद एक मूर्खतापूर्ण सवाल होगा, लेकिन फिर उस सहसंबंध पर विचार करना क्यों महत्वपूर्ण है? मेरा मतलब है कि किन स्थितियों में उस आउटपुट पर विचार किया जाना चाहिए?

— मट्टो

@ टेरेसा यह इस बात पर निर्भर करता है कि आप इसके लिए क्या उपयोग कर रहे हैं। यदि आप व्याख्या के बारे में परवाह करते हैं, तो यह आपको इस बारे में बता रहा है कि प्रभाव के दो स्रोत कितने भ्रमित हैं। यदि आप भविष्यवाणी के बारे में परवाह करते हैं, तो यह आपको थोड़ा सा बताता है कि अन्य भविष्यवाणी मॉडल क्या दिख सकते हैं और आपको कुछ संकेत देते हैं कि यदि आप भविष्यवाणियों को छोड़ देते हैं तो मॉडल कैसे बदल सकता है।

— रसेलपिएर्स

तो, कल्पना कीजिए कि उदाहरण के लिए, 0.90 के सहसंबंध के साथ उस आउटपुट में मेरे दो चर हैं। व्याख्या के संदर्भ में, मुझे लगता है कि मुझे उनमें से एक को छोड़ देना चाहिए, क्योंकि वे "भ्रमित" हैं और एक ही जानकारी बता रहे हैं। भविष्यवाणी के अनुसार, यदि मैं उनमें से एक को छोड़ देता हूं, तो अन्य मॉडलों को उतना नहीं बदलना चाहिए, जितना कि वे सहसंबद्ध हैं, क्या मैं सही हूं? या मैं इसे गलत तरीके से व्याख्या कर रहा हूं?

— मट्टो

आप जानते हैं, मुझे लगता है कि आपने जो कहा है, मैं उसे सही तरीके से प्रतिध्वनित कर रहा हूं; लेकिन, प्रतिबिंब पर मुझे यकीन है कि मैं सही नहीं हूं। आपको एक नया प्रश्न खोलकर सबसे अच्छी सेवा दी जा सकती है - जिससे आपके प्रश्न पर अधिक निगाहें पड़ेंगी और आपको एक सही उत्तर प्राप्त होने की संभावना बढ़ जाएगी।

— रुसलपिएरेस

@russellpierce, इस उत्तर के लिए धन्यवाद। एक सवाल हालांकि, मुझे पता चला कि बहुसंस्कृति तब होती है जब भविष्यवक्ता एक-दूसरे के साथ सहसंबंध रखते हैं। लेकिन आपके उत्तर में आप कहते हैं कि यह प्रतिगमन गुणांक (भविष्यवक्ताओं का नहीं) का सहसंबंध है जो बहुसंख्याता से बात कर सकता है। अनुमानित गुणांक के बजाय केवल भविष्यवाणियों को सहसंबंधित क्यों नहीं किया जाता है?

— locus

Answer 2

यदि आपके नकारात्मक और सकारात्मक सहसंबंध उनके मूल्य में समान हैं और केवल उनका संकेत अलग है, तो आप गलती से चर में प्रवेश कर रहे हैं। लेकिन मुझे नहीं लगता कि यह आपके लिए मामला है क्योंकि आप पहले से ही आँकड़ों में काफी उन्नत लगते हैं।

आप जिस असंगति का अनुभव कर रहे हैं वह मल्टीकोलिनरिटी के कारण हो सकती है और हो सकती है। इसका मतलब है कि जब कुछ स्वतंत्र चर कुछ अतिव्यापी प्रभाव साझा करते हैं, या दूसरे शब्दों में खुद को सहसंबद्ध करते हैं। उदाहरण के लिए मॉडलिंग करने के लिए चर "विकास दर" और "ट्यूमर का आकार" बहुरंगीता पैदा कर सकता है, क्योंकि यह संभव है और संभावना है कि बड़े ट्यूमर की उच्च विकास दर (इससे पहले कि वे पता लगाई जाती हैं) प्रति सी। यह मॉडल को भ्रमित कर सकता है। और अगर आपके मॉडल में कुछ स्वतंत्र चर हैं जो एक दूसरे के साथ सहसंबद्ध हैं, तो परिणामों की व्याख्या करना कभी-कभी काफी मुश्किल हो सकता है। यह कभी-कभी पूरी तरह से अजीब गुणांक की ओर जाता है, यहां तक ​​कि ऐसे विस्तार से जो कुछ सहसंबंधों के संकेत को उलट देता है।

आपको पहले मल्टीकोलिनरिटी के स्रोतों का पता लगाना चाहिए और उनसे निपटना चाहिए और फिर अपने विश्लेषण का पुनर्मिलन करना चाहिए।

Comments

-1; भ्रामक। ओपी ने अपने चर गलत तरीके से दर्ज नहीं किए और मल्टीकोलीनिटी एक मुद्दा नहीं हो सकता है। कच्चे निश्चित प्रभावों के बीच एक संबंध इस बिंदु पर बात कर सकता है, लेकिन सिम्पसन का विरोधाभास उस दृष्टिकोण को आपको गलत दिशा में ले जाने की अनुमति दे सकता है।

— रुसलपिएरेस

"भ्रामक" क्यों? कौन सा हिस्सा भ्रामक था? मैंने बहुत स्पष्ट रूप से बात की और स्पष्ट निष्कर्ष निकालने से परहेज किया। मैंने जो कहा है वह वास्तव में बहुसांस्कृतिक संकेतों में से एक है और हमें बताता है कि हमें VIF की भी जांच करनी चाहिए। लेकिन मुझे समझ नहीं आ रहा है कि आप कैसे जानते हैं या सुनिश्चित हैं कि "ओपी ने अपने चर गलत तरीके से दर्ज नहीं किए हैं और बहुसंस्कृति एक मुद्दा हो सकता है।"

— विक

इसके अलावा आपने मेरी पोस्ट को पूरी तरह से पढ़ा भी नहीं है (और इसे गलत बताया और इसे भ्रामक कहा)। यदि आपके पास था, तो आपने देखा था कि मैंने सुझाव दिया है कि ओपी को वीआईएफ (मल्टीसी के लिए आधिकारिक संकेतक) की जांच करनी चाहिए ताकि यह सुनिश्चित हो सके कि क्या उन उच्च सहसंबंध वास्तव में एमसी की ओर इशारा कर रहे हैं या नहीं? लेकिन वैसे भी, मैं तब तक सीखने के लिए खुला हूं जब तक यह अहंकार और व्यक्तिगत हमलों से मुक्त नहीं हो जाता।

— विक

@Vic: अभी तक आपकी टिप्पणियों को नहीं देखा। मेरा मतलब यह नहीं था कि आप व्यक्तिगत प्रतिक्रिया के रूप में मेरी प्रतिक्रिया देखें। मेरी राय थी कि यह भ्रामक था और मैंने उपर्युक्त सही उत्तर के लिए जो मुझे विश्वास है वह प्रदान किया। मैंने उस समय आपकी पोस्ट को पूरी तरह से पढ़ा। मुझे नहीं पता कि मैंने टिप्पणियों में खोदा है या नहीं। मैं अपने पतन से खड़ा हूं।

— रसैलपिएर्स

... लेकिन मैं अनुमति देता हूं कि मुझसे उस फैसले में गलती हो सकती है। हालाँकि, यह समझाना बेहतर था कि मैंने केवल डाउनवोट के बजाय डाउनवोट क्यों किया।

— रसैलपिएर्स

Answer 3

यह दिखाने में मददगार हो सकता है कि निश्चित प्रभावों के बीच उन सहसंबंधों को मॉडल के "vcov" को एक सहसंबंधी मैट्रिक्स में परिवर्तित करके प्राप्त किया जाता है। यदि fitआपका फिटेड lme4 मॉडल है, तो

vc <- vcov(fit)

# diagonal matrix of standard deviations associated with vcov
S <- sqrt(diag(diag(vc), nrow(vc), nrow(vc)))

# convert vc to a correlation matrix
solve(S) %*% vc %*% solve(S)

और निश्चित प्रभावों के बीच सहसंबंध ऑफ-विकर्ण प्रविष्टियां हैं।