Ek yuvalama yapısı ile tekrarlanan ölçüm verileri için R'de doğrusal karışık modellerin belirtilmesi hakkında sorular

Veri yapısı

> str(data)
 'data.frame':   6138 obs. of  10 variables:
 $ RT     : int  484 391 422 516 563 531 406 500 516 578 ...
 $ ASCORE : num  5.1 4 3.8 2.6 2.7 6.5 4.9 2.9 2.6 7.2 ...
 $ HSCORE : num  6 2.1 7.9 1 6.9 8.9 8.2 3.6 1.7 8.6 ...
 $ MVMNT  : Factor w/ 2 levels "_Withd","Appr": 2 2 1 1 2 1 2 1 1 2 ...
 $ STIM   : Factor w/ 123 levels " arti"," cele",..: 16 23 82 42 105 4 93 9 34 25 ...
 $ DRUG   : Factor w/ 2 levels "Inactive","Pharm": 1 1 1 1 1 1 1 1 1 1 ...
 $ FULLNSS: Factor w/ 2 levels "Fasted","Fed": 2 2 2 2 2 2 2 2 2 2 ...
 $ PATIENT: Factor w/ 25 levels "Subj01","Subj02",..: 1 1 1 1 1 1 1 1 1 1 ...
 $ SESSION: Factor w/ 4 levels "Sess1","Sess2",..: 1 1 1 1 1 1 1 1 1 1 ...
 $ TRIAL  : Factor w/ 6138 levels "T0001","T0002",..: 1 2 3 4 5 6 7 8 9 10 ...

Tam Model Aday

model.loaded.fit <- lmer(RT ~ ASCORE*HSCORE*MVMNT*DRUG*FULLNSS
                              + (1|PATIENT) + (1|SESSION), data, REML = TRUE)

• Denemelerin reaksiyon süreleri seanslar halinde kümelenir, bu da hastalar içinde kümelenir
• Her deneme ASCORE ve HSCORE'un iki sürekli değişkeni (1-9 arasında) ve bir hareket yanıtı (geri çekme veya yaklaşım) ile karakterize edilebilir
• Seanslar, ilaç alımı (plasebo veya aktif farmakon) ve dolgunluk (aç veya önceden beslenmiş) ile karakterizedir

Modelleme ve R Sözdizimi?

Yukarıdan aşağıya model seçim stratejisinde bir başlangıç ​​noktası olarak kullanılabilecek yüklü bir ortalama yapı ile uygun bir tam model belirtmeye çalışıyorum .

Özel konular:

• Sözdizimi kümelemeyi ve rasgele efektleri doğru bir şekilde belirliyor mu?
• Sözdiziminin ötesinde, bu model yukarıdaki konu içi tasarıma uygun mu?
• Tam model, sabit efektlerin tüm etkileşimlerini mi yoksa yalnızca gerçekten ilgilendiğim etkileşimleri mi belirtmelidir?
• Bir denemede kullanılan spesifik uyaran tipini karakterize eden, ancak herhangi bir şekilde tahmin etmek istemediğim STIM faktörünü dahil etmedim - rastgele bir faktör olarak 123 seviyesi ve çok azı olduğunu belirtmeliyim uyarıcı tipine göre veri noktaları?

Her bir sorunuza sırayla cevap vereceğim.

Sözdizimi kümelemeyi ve rasgele efektleri doğru bir şekilde belirliyor mu?

Buraya sığdırdığınız model, matematiksel olarak modeldir

nerede

• $Y_{ijk}$ , birey üzerinde oturumu sırasında gözlem için reaksiyon süresidir .$k$$j$$i$

• ${\bf X}_{ijk}$ oturumunda bireysel üzerinde gözlem için yordayıcı vektördür (yazdığınız modelde bu, tüm ana efektlerden ve tüm etkileşimlerden oluşur).$k$$j$$i$

• $\eta_i$ kişidir rastgele bir etki aynı kişi üzerinde yapılan gözlemler arasındaki uyarmaktadır korelasyon. bireysel oturumu için rastgele etkidir ve artık hata terimidir.$i$$\theta_{ij}$$i$$j$$\varepsilon_{ijk}$

• ${\boldsymbol \beta}$ regresyon katsayısı vektörüdür.

Sayfa 14-15'te belirtildiği gibi bu model, oturumların bireyler içinde yuvalandığını belirtmek için doğrudur;

Sözdiziminin ötesinde, bu model yukarıdaki konu içi tasarıma uygun mu?

Verilerin iç içe geçme yapısına saygı duyduğu için bu modelin makul olduğunu düşünüyorum ve bu modelin de belirttiği gibi, birey ve oturumun rastgele etkiler olarak makul bir şekilde tasarlandığını düşünüyorum. Doğrusal öngörücünün ( ) doğru bir şekilde belirtildiğinden emin olmak için yordayıcılar ile dağılım grafikleri vb. Arasındaki yanıtlara bakmalısınız . Diğer standart regresyon teşhisi de muhtemelen incelenmelidir.${\bf X}_{ijk} {\boldsymbol \beta}$

Tam model, sabit efektlerin tüm etkileşimlerini mi yoksa yalnızca gerçekten ilgilendiğim etkileşimleri mi belirtmelidir?

Bence böylesine ağır doymuş bir modelle başlamak, mantıklı gelmediği sürece harika bir fikir olmayabilir. Bir yorumda söylediğim gibi, bu, belirli veri kümenizi geçmeye meyillidir ve sonuçlarınızı daha az genelleştirilebilir hale getirebilir. Model seçimi ile ilgili olarak, tamamen doygun bir modelle başlar ve geriye doğru seçim yaparsanız ( bu sitede bazı kişilerin, iyi bir nedenden ötürü, itiraz ettiği ) , modeldeki hiyerarşiye saygı duyduğunuzdan emin olmanız gerekir . Yani, modelden daha düşük düzeyli bir etkileşimi ortadan kaldırırsanız, bu değişkeni içeren tüm daha yüksek düzeyli etkileşimleri de silmeniz gerekir. Bununla ilgili daha fazla tartışma için bağlantılı konu başlığına bakın.

Bir denemede kullanılan spesifik uyaran tipini karakterize eden, ancak herhangi bir şekilde tahmin etmek istemediğim STIM faktörünü dahil etmedim - rastgele bir faktör olarak 123 seviyesi ve çok azı olduğunu belirtmeliyim uyarıcı tipine göre veri noktaları?

Kuşkusuz uygulama hakkında hiçbir şey bilmemek (bu yüzden bir tuz tanesi ile alın), rastgele bir etki değil, sabit bir etki gibi geliyor. Yani, tedavi tipi, aynı uyaran tipine sahip denekler arasında korelasyonu tetikleyecek bir şey değil, ortalama yanıtta sabit bir kaymaya karşılık gelecek bir değişken gibi geliyor. Ancak, 123 seviyeli bir faktör olması, modele girmeyi zorlaştırır. Sanırım bunun ne kadar büyük bir etkisinin olmasını beklediğinizi bilmek istiyorum. Etkinin boyutuna bakılmaksızın, bu doğrusal bir model olduğu için eğim tahminlerinizde sapma yaratmayacaktır, ancak dışarıda bırakmak standart hatalarınızı aksi takdirde olduğundan daha büyük hale getirebilir.