Her çağrınızın hangi modeline lmer()
uyduğunu ve bunların nasıl farklı olduklarını açıklayacağım ve ardından rastgele efektlerin seçilmesiyle ilgili son sorunuza cevap vereceğim.
Senin üç modellerin her biri için etkileri sabit içeren practice
, context
ve ikisi arasındaki etkileşim. Rastgele etkiler modeller arasında farklılık gösterir.
lmer(ERPindex ~ practice*context + (1|participants), data=base)
aynı değere sahip bireyler tarafından paylaşılan rastgele bir engelleme içerir participants
. Yani, her birinin participant
regresyon çizgisi ortalama ile rastgele bir miktar yukarı / aşağı kaydırılır .0
lmer(ERPindex ~ practice*context + (1+practice|participants), data=base)
Bu model, rastgele bir kesişmeye ek olarak, ayrıca içinde rastgele bir eğim içerir practice
. Bu, bireylerin uygulamadan öğrenme hızlarının kişiden kişiye farklı olduğu anlamına gelir. Eğer bir birey pozitif rastgele bir etkiye sahipse, o zaman pratikte ortalamadan daha hızlı artar, negatif rastgele bir etki ise pratikte ortalamadan daha az hızlı öğrendiklerini gösterir veya rastlantısal varyansa bağlı olarak pratikte daha da kötüleşir. etki (bu, uygulamanın sabit etkisinin olumlu olduğunu varsayar).
lmer(ERPindex ~ practice*context + (practice|participants) +
(practice|participants:context), data=base)
Bu model , önceki modelde olduğu gibi rastgele bir eğime uyuyor ve kesişiyor practice
( kesişmeyi (practice-1|...)
bastırmak zorundasınız ), ama şimdi aynı zamanda tesadüfi participants:context
olan yeni bir faktör olan faktöre rastgele bir eğim ve kesişme noktası eklediniz. mevcut düzeylerinin her bileşimidir participants
ve context
karşılık gelen rastgele etki hem de aynı değere sahip gözlemler tarafından paylaşılır participants
ve context
. Bu modeli sığdırmak için ikisi için de aynı değerlere sahip birden gözlemler olması gerekir participants
vecontext
ya da model tahmin edilebilir değildir. Pek çok durumda, bu etkileşim değişkeni tarafından oluşturulan gruplar çok seyrektir ve rastgele etki modellerine uyması çok gürültülü / zordur, bu nedenle bir gruplandırma değişkeni olarak etkileşim faktörü kullanırken dikkatli olmak istersiniz.
Temel olarak (okuma: çok karmaşık olmadan), veri gruplarında gruplama değişkenlerinin homojen olmayan "cepler" tanımladığını veya gruplandırma faktörünün seviyesini paylaşan bireylerin birbirleriyle ilişkilendirilmesi gerektiğini düşündüğünüzde rastgele etkiler kullanılmalıdır. ilişkilendirilmemesi gereken bireyler) - rastgele etkiler bunu başarır. Her iki seviyelerini paylaşan gözlemlerini düşünüyorsanız participants
ve context
daha sonra uygun olabilir "etkileşim" rastgele bir etki olmak üzere iki parçalarının toplamından daha fazla benzerdir.
Düzenleme: @Henrik, yorumlardaki gibi, sizin için uygun olan modeller, örneğin:
lmer(ERPindex ~ practice*context + (1+practice|participants), data=base)
rastgele eğim ve rastgele engellemenin birbiriyle korele olmasını ve bu korelasyonun model tarafından tahmin edilmesini sağlayın. Modeli, rastgele eğim ve rastgele engellemenin ilişkisiz olmadığı (ve dolayısıyla normalde dağıldıkları için bağımsız) ilişkisiz olacak şekilde kısıtlamak için, modele uymalısınız:
lmer(ERPindex ~ practice*context + (1|participants) + (practice-1|participants),
data=base)
Bu ikisi arasındaki seçim, örneğin, participant
ortalamadan daha yüksek bir taban çizgisine sahip (yani, pozitif bir rastgele engelleme) sinin, ortalamadan (yani, pozitif rastgele eğim) daha yüksek bir değişim oranına sahip olup olmayacağına göre yapılmalıdır . Öyleyse, ikisinin ilişkilendirilmesine izin verirsiniz, oysa değilse, onları bağımsız olmaları için kısıtlarsınız. (Yine, bu örnekte sabit etki eğiminin pozitif olduğu varsayılmaktadır).
lmer(ERPindex ~ practice*context + (1|participants) + (0 + practice|participants, data=base)
Yoksa yanlış mıyım? (İlişkisiz: Yazımdaki küçük düzenlemelerimden özür dilerim. Açıklamaya katılmıyorsanız, tekrar değiştirin)