Tôi sẽ mô tả mô hình của mỗi cuộc gọi của bạn để lmer()
phù hợp và cách chúng khác nhau và sau đó trả lời câu hỏi cuối cùng của bạn về việc chọn hiệu ứng ngẫu nhiên.
Mỗi một trong ba mô hình của bạn chứa các hiệu ứng cho cố định practice
, context
và sự tương tác giữa hai người. Các hiệu ứng ngẫu nhiên khác nhau giữa các mô hình.
lmer(ERPindex ~ practice*context + (1|participants), data=base)
chứa một chặn ngẫu nhiên được chia sẻ bởi các cá nhân có cùng giá trị cho participants
. Nghĩa là, participant
đường hồi quy của mỗi dòng được dịch chuyển lên / xuống theo một lượng ngẫu nhiên với giá trị trung bình là .0
lmer(ERPindex ~ practice*context + (1+practice|participants), data=base)
Mô hình này, ngoài việc đánh chặn ngẫu nhiên, còn chứa một độ dốc ngẫu nhiên trong practice
. Điều này có nghĩa là tốc độ cá nhân học từ thực tiễn là khác nhau từ người này sang người khác. Nếu một cá nhân có hiệu ứng ngẫu nhiên tích cực, thì họ tăng nhanh hơn với thực hành so với trung bình, trong khi hiệu ứng ngẫu nhiên tiêu cực cho thấy họ học ít hơn với thực hành so với trung bình, hoặc có thể trở nên tồi tệ hơn với thực tiễn, tùy thuộc vào phương sai của ngẫu nhiên hiệu ứng (đây là giả định hiệu quả cố định của thực hành là tích cực).
lmer(ERPindex ~ practice*context + (practice|participants) +
(practice|participants:context), data=base)
Mô hình này phù hợp với độ dốc ngẫu nhiên và đánh chặn practice
(bạn phải thực hiện (practice-1|...)
để triệt tiêu chặn), giống như mô hình trước đó đã làm, nhưng bây giờ bạn cũng đã thêm độ dốc ngẫu nhiên và đánh chặn trong yếu tố participants:context
, đây là một yếu tố mới có cấp độ là mọi sự kết hợp của các cấp có trong participants
và context
và các hiệu ứng ngẫu nhiên tương ứng được chia sẻ bởi các quan sát có cùng giá trị của cả hai participants
và context
. Để phù hợp với mô hình này, bạn sẽ cần có nhiều quan sát có cùng giá trị cho cả hai participants
vàcontext
nếu không thì mô hình không thể ước tính được. Trong nhiều tình huống, các nhóm được tạo bởi biến tương tác này rất thưa thớt và dẫn đến các mô hình hiệu ứng ngẫu nhiên rất ồn / khó phù hợp, vì vậy bạn muốn cẩn thận khi sử dụng một yếu tố tương tác làm biến nhóm.
Về cơ bản (đọc: không quá phức tạp) nên sử dụng các hiệu ứng ngẫu nhiên khi bạn nghĩ rằng các biến nhóm được định nghĩa "các túi" không đồng nhất trong tập dữ liệu hoặc các cá nhân có chung mức độ của yếu tố nhóm nên tương quan với nhau (trong khi các cá nhân không nên không tương quan) - các hiệu ứng ngẫu nhiên thực hiện điều này. Nếu bạn nghĩ rằng các quan sát chia sẻ mức độ của cả hai participants
và context
giống nhau hơn tổng của hai phần thì bao gồm cả hiệu ứng ngẫu nhiên "tương tác" có thể phù hợp.
Chỉnh sửa: Như @Henrik đề cập trong các nhận xét, các mô hình bạn phù hợp, ví dụ:
lmer(ERPindex ~ practice*context + (1+practice|participants), data=base)
làm cho nó để độ dốc ngẫu nhiên và đánh chặn ngẫu nhiên có mối tương quan với nhau và mối tương quan đó được ước tính bởi mô hình. Để hạn chế mô hình sao cho độ dốc ngẫu nhiên và chặn ngẫu nhiên không tương quan (và do đó độc lập, vì chúng được phân phối bình thường), thay vào đó, bạn phù hợp với mô hình:
lmer(ERPindex ~ practice*context + (1|participants) + (practice-1|participants),
data=base)
Sự lựa chọn giữa hai điều này nên dựa trên việc bạn nghĩ, ví dụ, participant
s có đường cơ sở cao hơn trung bình (tức là đánh chặn ngẫu nhiên dương) cũng có khả năng có tỷ lệ thay đổi cao hơn trung bình (tức là độ dốc ngẫu nhiên dương). Nếu vậy, bạn sẽ cho phép hai người tương quan với nhau trong khi nếu không, bạn sẽ buộc họ phải độc lập. (Một lần nữa, ví dụ này giả định độ dốc hiệu ứng cố định là dương).
lmer(ERPindex ~ practice*context + (1|participants) + (0 + practice|participants, data=base)
Hay tôi sai? (Không liên quan: Xin lỗi vì bài chỉnh sửa nhỏ của tôi về bài đăng của bạn. Nếu bạn không đồng ý với việc làm rõ, chỉ cần thay đổi lại)