गैर-स्वतंत्र टिप्पणियों के साथ एनोवा

Question

इस प्रश्न की क्रिया पृष्ठभूमि के लिए क्षमा करें:

कभी-कभी जानवरों के व्यवहार की जांच में, एक प्रयोग करने वाले को उस समय की मात्रा में दिलचस्पी होती है जो एक विषय एक परीक्षण उपकरण में विभिन्न, पूर्व-परिभाषित क्षेत्रों में खर्च करता है। मैंने अक्सर देखा है कि एनोवा का उपयोग करके इस तरह के डेटा का विश्लेषण किया जाता है; हालाँकि, मैं कभी भी इस तरह के विश्लेषणों की वैधता के बारे में पूरी तरह से आश्वस्त नहीं था, यह देखते हुए कि एनोवा ने टिप्पणियों को स्वतंत्र माना है, और वे वास्तव में इन विश्लेषणों में स्वतंत्र नहीं हैं (क्योंकि एक क्षेत्र में अधिक समय व्यतीत करने का मतलब है कि अन्य क्षेत्रों में कम खर्च किया जाता है! )।

उदाहरण के लिए,

डीआर स्मिथ, सीडी स्ट्रिपलिन, एएम गेलर, आरबी मेलमैन, जे। डेरागो, सीपी लॉलर, एम। गलाघेर, चूहों के व्यवहार का मूल्यांकन डी 1 ए डोपामाइन रिसेप्टर्स , न्यूरोसाइंस, खंड 86, अंक 1, 21 मई 1998, पृष्ठ 135-146 की कमी है

उपरोक्त लेख में, वे गैर-स्वतंत्रता की क्षतिपूर्ति करने के लिए स्वतंत्रता की डिग्री को 1 से कम कर देते हैं। हालांकि, मुझे यकीन नहीं है कि इस तरह के हेरफेर वास्तव में एनोवा मान्यताओं के इस उल्लंघन को कैसे रोक सकते हैं।

शायद ची-स्क्वायर्ड प्रक्रिया अधिक उपयुक्त हो सकती है? आप इस तरह से डेटा का विश्लेषण करने के लिए क्या करेंगे (जोनों के लिए वरीयता, जोनों में बिताए समय के आधार पर)?

धन्यवाद!

Answer 1

(कैविट एम्प्टर: मैं इस क्षेत्र का विशेषज्ञ नहीं हूं)

यदि आप प्रति स्थान पर खर्च किए गए समय के अंतर के बारे में बात करना चाहते हैं, तो "टाइम-पर-लोकेशन" डेटा को एक बहुराष्ट्रीय मिश्रित मॉडल में देखें (आर के लिए MCMCglmm पैकेज देखें), एक यादृच्छिक प्रभाव के रूप में विषय का उपयोग करते हुए प्रस्तुत करना चाहिए। चाल।

यदि आप समय के माध्यम से स्थान वरीयता में अंतर के बारे में बात करना चाहते हैं , तो हो सकता है कि बिन समय उचित अंतराल (शायद आपके समय डिवाइस के संकल्प के लिए?), उस समय माउस के स्थान के अनुसार प्रत्येक अंतराल को वर्गीकृत करें (जैसे। यदि 3 स्थान। प्रत्येक अंतराल को 1, 2, या 3) लेबल दिया जाता है, और फिर से एक यादृच्छिक प्रभाव के रूप में विषय के साथ एक बहुराष्ट्रीय मिश्रित प्रभाव मॉडल का उपयोग करते हैं, लेकिन इस बार अंतराल को एक निश्चित प्रभाव के रूप में जोड़ते हैं (हालांकि संभवतः केवल कारक के अंतराल के बाद, जो बिजली गिराता है लेकिन मदद करनी चाहिए समय के माध्यम से गैर-रैखिकता पर कब्जा)।

Answer 2

माइक,

मैं मानता हूं कि कुल समय पर आधारित एक एनोवा शायद यहां सही दृष्टिकोण नहीं है। इसके अलावा, मुझे यकीन नहीं है कि ची सकैरे आपकी समस्या का हल करता है। ची स्क्वायर इस विचार का सम्मान करेगा कि आप एक ही समय में दो स्थानों पर नहीं हो सकते हैं, लेकिन यह समस्या को संबोधित नहीं करता है कि समय एन और समय एन + 1 के बीच निर्भरताएं हैं। इस दूसरे अंक के संबंध में, मैं आपकी स्थिति और लोगों के बीच आँख और माउस ट्रैकिंग डेटा के साथ कुछ समानताएँ देखता हूँ। किसी प्रकार का एक बहुराष्ट्रीय मॉडल आपके उद्देश्यों को अच्छी तरह से पूरा कर सकता है। दुर्भाग्य से, उस प्रकार के मॉडल का विवरण मेरी विशेषज्ञता से परे है। मुझे यकीन है कि कुछ आँकड़े बुक में उस विषय पर एक अच्छा सा प्राइमर है, लेकिन मेरे सिर के ऊपर से मैं आपको इशारा करूंगा:

• बर्र डीजे (2008) मल्टीलेवल लॉजिस्टिक रिग्रेशन का उपयोग करते हुए 'विज़ुअल वर्ल्ड' आईट्रैकिंग डेटा का विश्लेषण। जर्नल ऑफ़ मेमोरी एंड लैंग्वेज, स्पेशल इशू: इमर्जिंग डेटा एनालिसिस (59) पीपी 457-474
• https://r-forge.r-project.org/projects/gmpm/ डॉ। बर्र द्वारा विकसित किए जा रहे एक ही मुद्दे पर एक गैर-पैरामीट्रिक दृष्टिकोण है।

यदि कुछ भी हो, तो उन दोनों स्रोतों को पूर्ण होने से अधिक होना चाहिए क्योंकि वे स्थिति के समय के पाठ्यक्रम का विश्लेषण करने के तरीके में शामिल हैं।

Answer 3

स्थानिक रूप से सहसंबद्ध त्रुटियों (और स्थानिक रूप से सहसंबंधित सहसंयोजक) वाले मॉडल देखें । जियोडा के संदर्भ के साथ एक संक्षिप्त परिचय, यहां उपलब्ध है । बहुत सारे ग्रंथ हैं; अच्छे लोग नोएल Cressie , रॉबर्ट हेनिंग , और Fotheringham एट अल द्वारा हैं (अंतिम लिंक एक सारांश पर जाता है, एक पुस्तक साइट नहीं)। कुछ R कोड हाल ही में सामने आए हैं लेकिन मैं इससे अपरिचित हूं।

Answer 4

मैं एक उत्तर देने जा रहा हूं जो पारंपरिक एनोवा से बहुत अलग है। बता दें कि T कुल समय है जो सभी क्षेत्रों में खर्च करने के लिए एक जानवर के लिए उपलब्ध है। आप टी को जागने के समय की कुल राशि या कुछ इस तरह से परिभाषित कर सकते हैं। मान लीजिए कि आपके पास जे जोन हैं। तब आपके पास परिभाषा है:

सम त_ज = त

आप टी द्वारा एलएच और आरएच को विभाजित करके उपरोक्त को सामान्य कर सकते हैं और आप प्राप्त कर सकते हैं

सम प_ज = १

जहां P_j उस समय का अनुपात है जो एक जानवर ज़ोन j में बिताता है।

अब आपके पास यह सवाल है कि क्या P_j सभी j के लिए 1 / J से काफी अलग है।

आप मान सकते हैं कि P_j एक dirichlet वितरण का अनुसरण करता है और दो मॉडलों का अनुमान लगाता है।

अशक्त मॉडल

वितरण के मापदंडों को निर्धारित करें जैसे कि P_j = 1 / J. (वितरण के मापदंडों को 1 करना होगा)।

वैकल्पिक मॉडल

ज़ोन विशिष्ट कोवरिअट्स का एक फ़ंक्शन होने के लिए वितरण के मापदंडों को निर्धारित करें। फिर आप मॉडल मापदंडों का अनुमान लगा सकते हैं।

आप वैकल्पिक मॉडल का चयन करेंगे यदि यह कुछ क्रिटेरा (जैसे, संभावना अनुपात) पर शून्य मॉडल को बेहतर बनाता है।