(~ 1 + ....) ve (1 | ...) ve (0 | ...) vs. arasındaki fark nedir?
Rasgele bir etki olarak değerlendirilen kategorik değişken V2 ile öngörülen V1 değişkenine ve doğrusal sabit bir etki olarak değerlendirilen sürekli değişken V3'e sahip olduğunuzu varsayalım. Lmer sözdizimini kullanarak, en basit model (M1):
V1 ~ (1|V2) + V3
Bu model tahmin edecektir:
P1: Global bir engelleme
P2: Rastgele efekt V2 için kesişir (yani, her V2 seviyesi için, bu seviyenin kesişiminin global kesişimden sapması)
P3: V3'ün etkisi (eğimi) için tek bir küresel tahmin
Bir sonraki en karmaşık model (M2):
V1 ~ (1|V2) + V3 + (0+V3|V2)
Bu model tüm parametreleri M1'den tahmin eder, ancak ek olarak tahmin edecektir:
P4: V3'ün her seviyesindeki V3'ün etkisi (daha spesifik olarak, belirli bir seviye içinde V3 etkisinin derecesinin V3'ün küresel etkisinden sapma derecesi), engellemedeki sapmalar ile V3 arasındaki seviyeler arasındaki sapma arasındaki korelasyonu zorlamak V2 .
Bu son kısıtlama, son en karmaşık modelde (M3) gevşetilir:
V1 ~ (1+V3|V2) + V3
M2'den gelen tüm parametrelerin kesişim sapmaları ile V3 arasındaki korelasyona izin verilirken V2 seviyelerindeki sapmaları etkilediği tahmin edilmektedir. Böylece, M3'te ek bir parametre tahmin edilir:
P5: Kesişme sapmaları ve V2 seviyelerinde V3 sapmaları arasındaki korelasyon
Genellikle M2 ve M3 gibi model çiftleri hesaplanır ve daha sonra sabit etkiler arasındaki korelasyon kanıtlarını değerlendirmek için karşılaştırılır (global müdahale dahil).
Şimdi başka bir sabit etki tahmincisi, V4 eklemeyi düşünün. Model:
V1 ~ (1+V3*V4|V2) + V3*V4
tahmin ediyorum:
P1: Global bir engelleme
P2: V3'ün etkisi için tek bir küresel tahmin
P3: V4'ün etkisi için tek bir küresel tahmin
P4: V3 ve V4 arasındaki etkileşim için tek bir küresel tahmin
P5: Her V2 seviyesindeki P1'den kesişimin sapmaları
P6: gelen V3 etkisinin sapmalar P2 V2 her düzeyde
P7: den V4 etkisinin Sapmalar P3 V2 her düzeyde
P8: gelen V3-by-V4 etkileşiminin Sapma P4 V2 her düzeyde
P9 V5 seviyeleri arasında P5 ve P6 arasındaki korelasyon
P10 V5 seviyeleri arasında P5 ve P7 arasındaki korelasyon
P11 P5 ve P8 arasındaki V2 seviyeleri arasındaki korelasyon
P12 V6 seviyeleri arasında P6 ve P7 arasındaki korelasyon
P13 P6 ve P8 arasındaki V2 seviyeleri arasındaki korelasyon
P14 arasındaki korelasyon P7 ve P8 V2 düzeyleri arasında
Phew , Çok fazla parametre var! Ve model tarafından tahmin edilen varyans parametrelerini listelemek için bile uğraşmadım. Dahası, sabit bir etki olarak modellemek istediğiniz 2'den fazla seviyeli bir kategorik değişkeniniz varsa, bu değişken için tek bir etki yerine, her zaman k-1 etkilerini tahmin edersiniz (burada k, düzeylerin sayısıdır) Böylece, model tarafından tahmin edilecek olan parametrelerin sayısı daha da arttırılabilir.
lme4
paketine edilebilir CRAN bulunan