มันสมเหตุสมผลหรือไม่ที่เอฟเฟกต์คงที่จะถูกซ้อนภายในแบบสุ่มหรือวิธีการกำหนดมาตรการซ้ำ ๆ ใน R (aov และ lmer)


23

ฉันได้ดูภาพรวมของสูตร lm / lmer R โดย @conjugatepriorและสับสนโดยรายการต่อไปนี้:

ทีนี้สมมติว่า A สุ่ม แต่ B ได้รับการแก้ไขและ B ถูกซ้อนภายใน A

aov(Y ~ B + Error(A/B), data=d)

ด้านล่างสูตรโมเดลผสมแบบอะนาล็อกlmer(Y ~ B + (1 | A:B), data=d) มีไว้สำหรับกรณีเดียวกัน

ฉันไม่เข้าใจความหมายของมัน ในการทดลองที่วิชาถูกแบ่งออกเป็นหลายกลุ่มเราจะมีปัจจัยสุ่ม (วิชา) ซ้อนอยู่ภายในปัจจัยคงที่ (กลุ่ม) แต่ปัจจัยคงที่สามารถซ้อนภายในปัจจัยสุ่มได้อย่างไร มีการแก้ไขบางอย่างซ้อนกันภายในวิชาแบบสุ่มหรือไม่ เป็นไปได้ไหม หากเป็นไปไม่ได้สูตร R เหล่านี้มีเหตุผลหรือไม่


ภาพรวมนี้เป็นที่กล่าวถึงให้เป็นไปตามบางส่วนบนหน้าบุคลิกภาพของโครงการในการทำ ANOVA ใน Rตามตัวเองเกี่ยวกับเรื่องนี้สอนเกี่ยวกับวัดซ้ำใน R มีตัวอย่างต่อไปนี้สำหรับการวัดซ้ำ ANOVA ที่ได้รับ:

aov(Recall ~ Valence + Error(Subject/Valence), data.ex3)

ที่นี่วิชาจะถูกนำเสนอด้วยคำพูดของความจุที่แตกต่างกัน (ปัจจัยที่มีสามระดับ) และเวลาการเรียกคืนของพวกเขาจะถูกวัด แต่ละวิชาจะนำเสนอด้วยคำพูดของทั้งสามระดับความจุ ฉันไม่เห็นอะไรซ้อนกันในการออกแบบนี้ (ปรากฏว่าไขว้ตามคำตอบที่ดีที่นี่ ) และดังนั้นฉันจะไร้เดียงสาคิดว่าError(Subject)หรือ(1 | Subject)ควรเป็นคำสุ่มที่เหมาะสมในกรณีนี้ Subject/Valence"รัง" (?) จะทำให้เกิดความสับสน

โปรดทราบว่าฉันเข้าใจว่าValenceเป็นปัจจัยภายในเรื่อง แต่ฉันคิดว่ามันไม่ใช่ปัจจัย "ซ้อน" ในวิชา (เพราะทุกวิชามีประสบการณ์ทั้งสามระดับValence)


ปรับปรุง ฉันกำลังสำรวจคำถามเกี่ยวกับประวัติย่อเกี่ยวกับการเข้ารหัสมาตรการ ANOVA ใน R. ซ้ำแล้วซ้ำอีก

  • ที่นี่ต่อไปนี้จะใช้สำหรับการแก้ไขภายในเรื่อง / มาตรการซ้ำแล้วซ้ำอีกและแบบสุ่มsubject:

    summary(aov(Y ~ A + Error(subject/A), data = d))
    anova(lme(Y ~ A, random = ~1|subject, data = d))
  • ที่นี่สำหรับเอฟเฟกต์คงที่ภายในตัวแบบ / ซ้ำสองรายการคงที่ A และ B:

    summary(aov(Y ~ A*B + Error(subject/(A*B)), data=d))
    lmer(Y ~ A*B + (1|subject) + (1|A:subject) + (1|B:subject), data=d) 
  • นี่คือเอฟเฟ็กต์ภายในเรื่องสามเรื่อง A, B และ C:

    summary(aov(Y ~ A*B*C + Error(subject/(A*B*C)), data=d))
    lmer(Y ~ A*B*C + (1|subject) + (0+A|subject) + (0+B|subject) + (0+C|subject) + (0+A:B|subject) + (0+A:C|subject) + (0+B:C|subject), data = d)

คำถามของฉัน:

  1. ทำไมError(subject/A)ไม่Error(subject)?
  2. มันเป็น(1|subject)หรือ(1|subject)+(1|A:subject)หรือเพียง(1|A:subject)?
  3. เป็น(1|subject) + (1|A:subject)หรือ(1|subject) + (0+A|subject)และทำไมไม่เพียง(A|subject)?

ตอนนี้ฉันได้เห็นหัวข้อที่อ้างว่าบางสิ่งเหล่านี้เท่ากัน (เช่นที่แรก: การอ้างว่าพวกเขาเหมือนกันแต่การเรียกร้องตรงกันข้ามกับ SO ; ที่สาม: ชนิดของการเรียกร้องที่พวกเขาเหมือนกัน ) ที่พวกเขา?


2
เพียงความคิดเห็นด่วนที่จะพูดอย่างนั้นพูดแนวคิดอย่างเคร่งครัดในความคิดของฉันมันแทบจะไม่มีเหตุผลที่จะมีปัจจัยคงที่ซ้อนกันในปัจจัยสุ่ม ฉันได้อ่านผู้เขียนตำราเรียนอย่างน้อยหนึ่งคนพูดเหมือนกันมาก (จำไม่ได้ว่าอ้างอิงในตอนนี้) ที่กล่าวมาเป็นไปได้ว่าข้อกำหนดของโมเดลบางอย่างที่คุณเขียนไว้ข้างต้นนั้นมีความใกล้เคียงกับสถิติที่ใช้กับโมเดลที่มีความหมายมากกว่า ... ฉันต้องคิดให้มากกว่านี้และเล่นกับมันสักหน่อย
Jake Westfall

4
ที่จริงฉันคิดว่ามันสมเหตุสมผลถ้าคุณคิดเกี่ยวกับวิธีที่ R ตีความไวยากรณ์ของ A / B: เพียงแค่ขยายนี่เป็น A + A: B ดังนั้นหากเราพิจารณาระยะสุ่มเช่นsubject/conditionนี้เป็นที่น่าสงสัยแนวคิดเพราะมันดูเหมือนว่าจะชี้ให้เห็นว่าเงื่อนไขที่ซ้อนกันในวิชาเมื่อเห็นได้ชัดว่ามันเป็นสิ่งที่ตรงกันข้าม แต่รูปแบบที่เป็นจริงพอดีsubject + subject:conditionซึ่งเป็นรูปแบบที่ถูกต้องสมบูรณ์ที่มีผลกระทบเรื่องการสุ่ม และวัตถุลาด X แบบสุ่ม
Jake Westfall

@ JakeWestfall ขอบคุณนี่เป็นไปตามบรรทัดที่ฉันคิดเกี่ยวกับตัวเองในตอนนี้ แต่ฉันอยากจะให้ใครสักคนอธิบายได้อย่างถูกต้อง จริงๆแล้วฉันแปลกใจที่สิ่งนี้กลายเป็นคำถามที่ไม่สำคัญ ฉันคาดว่าคุณจะเป็นหนึ่งในคนที่จะตอบได้ทันที แต่นี่คือการผ่อนปรนอย่างที่ฉันคิดว่าความสับสนของฉันจะต้องเป็นใบ้ โดยวิธีการที่มีบางมาตรฐานอ้างอิงlmและaovสูตร? หากฉันต้องการมีแหล่งข้อมูลที่เชื่อถือได้ในสิ่งที่aov(มันเป็นเสื้อคลุมสำหรับlm?) และวิธีการError()ทำงานของคำที่ฉันควรจะดู?
อะมีบาพูดว่า Reinstate Monica

1
@amoeba ใช่aovเป็นเสื้อคลุมสำหรับlmในแง่ที่lmใช้สำหรับกำลังสองน้อยที่สุด แต่aovทำงานบางอย่างเพิ่มเติม (โดยเฉพาะการแปลErrorคำสำหรับlm) แหล่งข้อมูลที่เชื่อถือได้คือซอร์สโค้ดหรืออาจอ้างอิงในhelp("aov"): Chambers et al (1992) แต่ฉันไม่สามารถเข้าถึงการอ้างอิงนั้นได้ดังนั้นฉันจึงดูที่ซอร์สโค้ด
Roland

หมายเหตุสำหรับตัวเอง: ที่นี่เป็นที่ที่ดีแผ่นโกงuni-kiel.de/psychologie/rexrepos/posts/anovaMixed.html อีกที่หนึ่ง: rpsychologist.com/r-guide-longitudinal-lme-lmer นอกจากนี้ Bates: stat.wisc.edu/~bates/UseR2008/WorkshopD.pdfและstat.ethz.ch/pipermail/r-sig-mixed-models/2009q1/001736.html
อะมีบาพูดว่า Reinstate Monica

คำตอบ:


12

ในรูปแบบผสมการรักษาปัจจัยต่าง ๆ ไม่ว่าจะเป็นแบบคงที่หรือแบบสุ่มโดยเฉพาะอย่างยิ่งเมื่อมีการผสมข้ามการข้ามหรือการซ้อนบางส่วนอาจทำให้เกิดความสับสนได้ นอกจากนี้ดูเหมือนว่าจะมีความแตกต่างในคำศัพท์ระหว่างสิ่งที่มีความหมายโดยการทำรังในโลกการทดลองโนวา / ออกแบบและโลกแบบผสม / หลายระดับ

ฉันไม่ยอมรับที่จะรู้คำตอบทั้งหมดและคำตอบของฉันจะไม่สมบูรณ์ (และอาจสร้างคำถามเพิ่มเติม) แต่ฉันจะพยายามแก้ไขปัญหาบางอย่างที่นี่:

มันสมเหตุสมผลหรือไม่ที่เอฟเฟกต์คงที่จะถูกซ้อนภายในแบบสุ่มหรือวิธีการกำหนดมาตรการซ้ำ ๆ ใน R (aov และ lmer)

(ชื่อคำถาม)

ไม่ฉันไม่เชื่อว่านี่เป็นเหตุผล เมื่อเราจัดการกับมาตรการซ้ำแล้วโดยปกติสิ่งที่เป็นสิ่งที่มาตรการซ้ำจะสุ่มเราแค่เรียกมันSubjectและในlme4เราจะต้องการรวมSubjectทางด้านขวาของหนึ่งหรือมากกว่า|ในส่วนสุ่มของ สูตร. หากเรามีเอฟเฟกต์แบบสุ่มอื่น ๆ ดังนั้นสิ่งเหล่านี้จะถูกข้ามการข้ามบางส่วนหรือซ้อนกัน - และคำตอบของฉันต่อสิ่งนี้คำถามจะกล่าวถึงสิ่งนั้น

ปัญหาของการทดลองแบบ anova เหล่านี้ดูเหมือนจะเป็นวิธีการจัดการกับปัจจัยที่ปกติจะคิดว่าคงที่ในสถานการณ์การวัดซ้ำ ๆ และคำถามในร่างกายของ OP พูดถึงสิ่งนี้:

ทำไมข้อผิดพลาด (หัวเรื่อง / A) และไม่ใช่ข้อผิดพลาด (หัวเรื่อง)?

ฉันไม่ได้มักจะใช้aov()ดังนั้นฉันอาจจะหายไปบางสิ่งบางอย่าง แต่สำหรับผมError(subject/A)เป็นอย่างมากที่ทำให้เข้าใจผิดในกรณีของคำถามที่เชื่อมโยง Error(subject)ในความเป็นจริงนำไปสู่ผลลัพธ์เดียวกันทั้งหมด

มันคือ (1 | เรื่อง) หรือ (1 | เรื่อง) + (1 | A: เรื่อง) หรือเพียงแค่ (1 | A: เรื่อง)?

นี้เกี่ยวข้องกับเรื่องนี้คำถาม ในกรณีนี้สูตรเอฟเฟกต์แบบสุ่มทั้งหมดต่อไปนี้จะนำไปสู่ผลลัพธ์ที่เหมือนกันทุกประการ:

(1|subject)
(1|A:subject)
(1|subject) + (1|A:subject)
(1|subject) + (1|A:subject) + (1|B:subject)

แต่นี้เป็นเพราะชุดจำลองในคำถามที่มีการเปลี่ยนแปลงใด ๆ Y = rnorm(48)ภายในอะไรมันจะถูกสร้างขึ้นเพียงกับ หากเราใช้ชุดข้อมูลจริงเช่นcakeชุดข้อมูลในlme4เราพบว่านี่ไม่ใช่กรณีจริง จากเอกสารนี่คือการตั้งค่าการทดลอง:

ข้อมูลเกี่ยวกับมุมที่แตกหักของเค้กช็อกโกแลตที่ทำด้วยสามสูตรที่แตกต่างกันและอบที่อุณหภูมิหกแบบ นี่คือการออกแบบแบ่งพล็อตที่มีสูตรเป็นทั้งหน่วยและอุณหภูมิที่แตกต่างกันจะถูกนำไปใช้กับหน่วยย่อย (ภายในซ้ำ) บันทึกทดลองแสดงให้เห็นว่าการกำหนดหมายเลขซ้ำหมายถึงการจัดลำดับชั่วคราว

กรอบข้อมูลที่มีข้อสังเกต 270 ข้อในตัวแปร 5 ตัวต่อไปนี้

replicate ปัจจัยที่มีระดับ 1 ถึง 15

recipe ปัจจัยที่มีระดับ A, B และ C

temperature ปัจจัยที่มีใบสั่งในระดับ 175 <185 <195 <205 <215 <225

temp ค่าตัวเลขของอุณหภูมิการอบ (องศา F)

angle เวกเตอร์ตัวเลขให้มุมที่เค้กแตก

ดังนั้นเราจึงมีมาตรการซ้ำภายในreplicateและเรายังสนใจในปัจจัยคงที่recipeและtemperature(เราสามารถเพิกเฉยได้tempเนื่องจากนี่เป็นเพียงการเข้ารหัสที่แตกต่างกันtemperature) และเราสามารถเห็นภาพสถานการณ์ที่ใช้xtabs:

> xtabs(~recipe+replicate,data=cake)

     replicate
recipe 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
     A 6 6 6 6 6 6 6 6 6  6  6  6  6  6  6
     B 6 6 6 6 6 6 6 6 6  6  6  6  6  6  6
     C 6 6 6 6 6 6 6 6 6  6  6  6  6  6  6

หากrecipeเป็นเอฟเฟกต์แบบสุ่มเราจะบอกว่าสิ่งเหล่านี้เป็นผลกระทบแบบสุ่มที่ข้ามมา ไม่ได้recipe Aเป็นของreplicate 1หรือทำซ้ำอื่น ๆ

> xtabs(~temp+replicate,data=cake)

     replicate
temp  1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
  175 3 3 3 3 3 3 3 3 3  3  3  3  3  3  3
  185 3 3 3 3 3 3 3 3 3  3  3  3  3  3  3
  195 3 3 3 3 3 3 3 3 3  3  3  3  3  3  3
  205 3 3 3 3 3 3 3 3 3  3  3  3  3  3  3
  215 3 3 3 3 3 3 3 3 3  3  3  3  3  3  3
  225 3 3 3 3 3 3 3 3 3  3  3  3  3  3  3

ในทำนองเดียวกันสำหรับ tempในทำนองเดียวกันสำหรับ

ดังนั้นโมเดลแรกที่เราอาจจะพอดีคือ:

> lmm1 <-  lmer(angle ~ recipe * temperature + (1|replicate), cake, REML= FALSE)

สิ่งนี้จะถือว่าreplicateเป็นแหล่งที่มาของการเปลี่ยนแปลงแบบสุ่มเท่านั้น (นอกเหนือจากส่วนที่เหลือของหลักสูตร) แต่อาจมีความแตกต่างแบบสุ่มระหว่างสูตรอาหาร ดังนั้นเราอาจถูกล่อลวงให้รวมไว้recipeเป็นเอฟเฟกต์แบบสุ่ม (ไขว้) แต่จะไม่ได้รับคำแนะนำเพราะเรามีเพียง 3 ระดับเท่านั้นrecipeดังนั้นเราจึงไม่สามารถคาดหวังให้แบบจำลองประเมินองค์ประกอบความแปรปรวนได้ดี ดังนั้นเราจึงสามารถใช้replicate:recipeเป็นตัวแปรการจัดกลุ่มซึ่งจะช่วยให้เราสามารถปฏิบัติต่อการรวมกันของการทำซ้ำและสูตรเป็นปัจจัยการจัดกลุ่มแยกกัน ดังนั้นในขณะที่โมเดลด้านบนเราจะมีจุดตัด 15 จุดสำหรับระดับของreplicateตอนนี้เราจะมีจุดตัดแบบสุ่ม 45 จุดสำหรับชุดค่าผสมแต่ละชุดแยกกัน:

lmm3 <-  lmer(angle ~ recipe * temperature + (1|replicate:recipe) , cake, REML= FALSE)

โปรดทราบว่าขณะนี้เรามีผลลัพธ์ที่แตกต่างกัน (เล็กน้อยมาก) ซึ่งบ่งบอกว่ามีความแปรปรวนแบบสุ่มเนื่องจากสูตร แต่ไม่มากนัก

เราก็สามารถทำสิ่งเดียวกันกับ temperatureเช่นเดียวกันเราสามารถทำสิ่งเดียวกันกับ

ตอนนี้กลับไปที่คำถามของคุณคุณถาม

ทำไม(1|subject) + (1|A:subject)และไม่(1|subject) + (0+A|subject)หรือแม้แต่ง่าย(A|subject)?

ฉันไม่แน่ใจว่ามาจากไหน (โดยใช้การสุ่มลาด) - ดูเหมือนว่าจะไม่เกิดขึ้นใน 2 คำถามที่เชื่อมโยง - แต่ปัญหาของฉัน(1|subject) + (1|A:subject)คือว่านี่เป็นสิ่งเดียวกัน(1|subject/A)ซึ่งหมายความว่าAซ้อนอยู่ภายในsubjectซึ่งใน turn หมายถึง (สำหรับฉัน) ที่แต่ละระดับของการAเกิดขึ้นใน 1 และเพียง 1 ระดับของsubjectซึ่งไม่ชัดเจนในกรณีนี้

ฉันอาจจะเพิ่มและ / หรือแก้ไขคำตอบนี้หลังจากที่ฉันคิดอีกแล้ว แต่ฉันต้องการที่จะลดความคิดเริ่มต้นลง


ขอบคุณมาก (+1) ฉันไม่แน่ใจว่าฉันเข้าใจcakeชุดข้อมูล ดูเหมือนว่าการจำลองแบบซ้อนในสูตร เหตุผลxtabsไม่ได้แสดงว่าเป็นเหตุผลเดียวกับที่คุณอธิบายไว้ในคำตอบที่ซ้อนกันของคุณ: การจำลองแบบมีรหัสที่สับสนระหว่าง 1 - 15 และไม่ใช่ 1-45 สำหรับแต่ละสูตรมีการทำซ้ำ "15" ทำด้วย 6 เค้ก แต่ละเค้กก็อบที่อุณหภูมิต่างกัน ดังนั้นสูตรจึงเป็นปัจจัยระหว่างเรื่องและอุณหภูมิเป็นปัจจัยภายในเรื่อง (1|recipe/replicate)ดังนั้นตามคำตอบของคุณที่มันควรจะเป็น ไม่มี? (1|replicate:recipe)อาจเทียบเท่า
อะมีบาพูดว่า Reinstate Monica

ฉันเน้นคำถามของฉันเฉพาะกับปัจจัยภายในเรื่องดังนั้นจึงเป็นการ จำกัดcakeสูตรเพียงอย่างเดียว เกี่ยวกับประเด็นที่สามที่คุณบอกว่าคุณไม่แน่ใจว่ามาจากที่ใดโปรดดูลิงค์สุดท้ายใน Q ของฉันพร้อมตัวอย่างของสามปัจจัยภายในหัวข้อ ดูความเห็นที่เพิ่มขึ้นของเจคภายใต้คำถามนี้ซึ่งเขากล่าวถึงความลาดชันแบบสุ่ม
อะมีบาพูดว่า Reinstate Monica

และเกี่ยวกับaovคุณถูกต้องว่ามันดูเหมือนว่าError(subject/A)และError(subject)ให้ผลลัพธ์ที่เหมือนกันหากไม่มีปัจจัยอื่น ๆ แต่นำตัวอย่างจากเธรดที่เชื่อมโยงกับสองปัจจัยและมีError(subject/(A*B))และError(subject)ไม่เทียบเท่า ความเข้าใจของฉันในปัจจุบันคือเป็นเพราะในอดีตมีความลาดชันแบบสุ่ม
อะมีบาพูดว่า Reinstate Monica

@amoeba cakeชุดข้อมูลนั้นไม่ได้เป็นตัวอย่างที่ดีในการทำงาน ขอโทษด้วย. ฉันจะมองลึกเข้าไปเล็กน้อยและอาจลองหาภาพประกอบที่ดีกว่า
Robert Long

ขอบคุณ รอคอยสำหรับการปรับปรุงใด ๆ เช่นเดียวกับการปรับปรุงที่ Placidia กำลังเตรียม ในระหว่างนี้ฉันคิดว่าฉันจะได้รับรางวัลที่นี่
อะมีบาพูดว่า Reinstate Monica

3

Ooooops ผู้วิจารณ์แจ้งเตือนเห็นว่าโพสต์ของฉันเต็มไปด้วยเรื่องไร้สาระ ฉันสับสนการออกแบบที่ซ้อนกันและการออกแบบมาตรการซ้ำ ๆ

ไซต์นี้ให้รายละเอียดที่เป็นประโยชน์ของความแตกต่างระหว่างการออกแบบที่ซ้อนกันและมาตรการซ้ำ น่าสนใจผู้เขียนแสดงคาดหวังว่าหมายถึงกำลังสองสำหรับการแก้ไขภายในคงที่สุ่มภายในคงที่และสุ่มภายในสุ่ม - แต่ไม่คงที่ภายในสุ่ม เป็นการยากที่จะจินตนาการว่าสิ่งที่จะหมายถึง - ถ้าปัจจัยในระดับ A ถูกเลือกโดยการสุ่มตอนนี้การสุ่มจะควบคุมการเลือกปัจจัยระดับ B หาก 5 โรงเรียนถูกเลือกแบบสุ่มจากคณะกรรมการโรงเรียนและครู 3 คน ได้รับการคัดเลือกจากแต่ละโรงเรียน (ครูที่ซ้อนกันในโรงเรียน) ระดับของปัจจัย "ครู" ในขณะนี้คือการสุ่มเลือกครูจากคณะกรรมการโรงเรียนโดยอาศัยการเลือกแบบสุ่มของโรงเรียน ฉันไม่สามารถ "แก้ไข" ครูที่ฉันจะมีในการทดสอบ


2
+1 ขอบคุณมาก ทุกสิ่งในคำตอบของคุณเหมาะสมกับฉัน อย่างไรก็ตามฉันคิดว่าเราควรเห็นด้วยว่าคำว่า "ซ้อน" กำลังถูกใช้ในประสาทสัมผัสทั้งสองและทำให้เกิดความสับสน @RobertLong บอกว่า A ซ้อนใน B เมื่อแต่ละระดับ B เกิดขึ้นพร้อมกับระดับ AEg ที่แตกต่างกันจะซ้อนกันภายในโรงเรียนที่ซ้อนอยู่ในเมืองเป็นต้นในตัวอย่างของคุณวิชาจะซ้อนอยู่ภายในปัจจัยการควบคุม / การควบคุม คุณบอกว่าเวลาซ้อนอยู่ในวิชา แต่ทุกระดับเวลาเกิดขึ้นกับทุกวิชาดังนั้นโรเบิร์ตก็บอกว่าพวกมันถูกข้าม! นี่คือ "ซ้อน" ที่แตกต่างกัน ขวา?
อะมีบาพูดว่า Reinstate Monica

1
ในตัวอย่างของคุณเป็นที่ชัดเจนว่าเวลาและการรักษามีผลกระทบคงที่ แต่ก็ยังไม่ชัดเจนว่าเวลาจะซ้อนกันภายในผู้ป่วย กรุณาคุณให้คำจำกัดความของ "ซ้อน"?
Joe King

ความผิดพลาดของฉัน. ฉันสับสนในการทำรังและใช้มาตรการซ้ำ ๆ ฉันเปลี่ยนคำตอบแล้ว - อีกครั้ง!
Placidia

ที่จริงฉันชอบคำตอบดั้งเดิมของคุณด้วยการแก้ไข / เพิ่มเติมจากก่อนหน้าวันนี้ มีข้อมูลที่เป็นประโยชน์มากมายสำหรับคำถามของฉันเพราะอย่างที่คุณเห็นฉันสนใจใน "การวัดซ้ำ ๆ " ที่นี่ (และคำถามเกี่ยวกับ "การทำรัง" เป็นเพียงจุดศัพท์เท่านั้น) ฉันขอแนะนำให้คุณแก้ไขก่อนหน้านี้ต่อไป!
อะมีบาพูดว่า Reinstate Monica

2
ในขณะที่ฉันกำลังเขียนมันฉันก็ตระหนักว่าเอฟเฟกต์แบบสุ่มในการวัดซ้ำนั้นซ้อนกันและฉันต้องการทดสอบว่าคณิตศาสตร์ทำงานอย่างไรและดีกรีอิสระ ฉันจะขยายคำตอบของฉันเมื่อฉันแน่ใจว่าฉันถูกจับ!
Placidia
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.