Tôi đang phân tích một số dữ liệu về hành vi sử dụng lme4trong R, chủ yếu sau đây hướng dẫn tuyệt vời Bodo Winter , nhưng tôi không hiểu nếu tôi xử lý tương tác đúng cách. Tồi tệ hơn, không ai khác tham gia vào nghiên cứu này sử dụng các mô hình hỗn hợp, vì vậy tôi có một chút thích thú khi đảm bảo mọi thứ đều đúng.
Thay vì chỉ gửi một tiếng kêu cứu, tôi nghĩ tôi nên nỗ lực hết sức để giải thích vấn đề, và sau đó cầu xin sự sửa chữa tập thể của bạn. Một vài trợ lý khác là:
- Trong khi viết, tôi đã tìm thấy câu hỏi này , cho thấy rằng
nlmenhiều giá trị p trực tiếp hơn cho các thuật ngữ tương tác, nhưng tôi nghĩ rằng vẫn còn hợp lệ để hỏi về mối quan hệlme4. Livius'trả lời cho câu hỏi này cung cấp các liên kết đến rất nhiều bài đọc bổ sung, mà tôi sẽ cố gắng vượt qua trong vài ngày tới, vì vậy tôi sẽ bình luận với bất kỳ tiến bộ nào mang lại.
Trong dữ liệu của tôi, tôi có một biến phụ thuộc dv, một conditionthao tác (0 = kiểm soát, 1 = thực nghiệm điều kiện, mà nên kết quả trong một cao hơn dv), và cũng là một điều kiện tiên quyết, dán nhãn appropriate: thử nghiệm mã hóa 1cho việc này nên hiển thị các hiệu ứng, nhưng thử nghiệm mã 0sức không, bởi vì một yếu tố quan trọng bị thiếu.
Tôi cũng đã bao gồm hai lần chặn ngẫu nhiên, cho subjectvà cho target, phản ánh dvcác giá trị tương quan trong mỗi đối tượng và trong mỗi 14 vấn đề được giải quyết (mỗi người tham gia đã giải quyết cả điều khiển và phiên bản thử nghiệm của từng vấn đề).
library(lme4)
data = read.csv("data.csv")
null_model = lmer(dv ~ (1 | subject) + (1 | target), data = data)
mainfx_model = lmer(dv ~ condition + appropriate + (1 | subject) + (1 | target),
data = data)
interaction_model = lmer(dv ~ condition + appropriate + condition*appropriate +
(1 | subject) + (1 | target), data = data)
summary(interaction_model)
Đầu ra:
## Linear mixed model fit by REML ['lmerMod']
## ...excluded for brevity....
## Random effects:
## Groups Name Variance Std.Dev.
## subject (Intercept) 0.006594 0.0812
## target (Intercept) 0.000557 0.0236
## Residual 0.210172 0.4584
## Number of obs: 690, groups: subject, 38; target, 14
##
## Fixed effects:
## Estimate Std. Error t value
## (Intercept) 0.2518 0.0501 5.03
## conditioncontrol 0.0579 0.0588 0.98
## appropriate -0.0358 0.0595 -0.60
## conditioncontrol:appropriate -0.1553 0.0740 -2.10
##
## Correlation of Fixed Effects:
## ...excluded for brevity.
ANOVA sau đó cho thấy interaction_modelsự phù hợp tốt hơn đáng kể so với mainfx_model, từ đó tôi kết luận rằng có một sự tương tác đáng kể (p = .035).
anova(mainfx_model, interaction_model)Đầu ra:
## ...excluded for brevity....
## Df AIC BIC logLik deviance Chisq Chi Df Pr(>Chisq)
## mainfx_model 6 913 940 -450 901
## interaction_model 7 910 942 -448 896 4.44 1 0.035 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Từ đó, tôi tách một tập hợp con của dữ liệu appropriateđáp ứng yêu cầu (nghĩa là appropriate = 1) và để nó phù hợp với mô hình null và một mô hình bao gồm cả conditionhiệu ứng, so sánh hai mô hình sử dụng ANOVA một lần nữa và lo, tìm thấy conditionlà một yếu tố dự báo quan trọng.
good_data = data[data$appropriate == 1, ]
good_null_model = lmer(dv ~ (1 | subject) + (1 | target), data = good_data)
good_mainfx_model = lmer(dv ~ condition + (1 | subject) + (1 | target), data = good_data)
anova(good_null_model, good_mainfx_model)
Đầu ra:
## Data: good_data
## models:
## good_null_model: dv ~ (1 | subject) + (1 | target)
## good_mainfx_model: dv ~ condition + (1 | subject) + (1 | target)
## Df AIC BIC logLik deviance Chisq Chi Df Pr(>Chisq)
## good_null_model 4 491 507 -241 483
## good_mainfx_model 5 487 507 -238 477 5.55 1 0.018 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
lme4: stats.stackexchange.com/questions/118416/ mẹo