Diyelim ki bir modelimiz var
mod <- Y ~ X*Condition + (X*Condition|subject)
# Y = logit variable
# X = continuous variable
# Condition = values A and B, dummy coded; the design is repeated
# so all participants go through both Conditions
# subject = random effects for different subjects
summary(model)
Random effects:
Groups Name Variance Std.Dev. Corr
subject (Intercept) 0.85052 0.9222
X 0.08427 0.2903 -1.00
ConditionB 0.54367 0.7373 -0.37 0.37
X:ConditionB 0.14812 0.3849 0.26 -0.26 -0.56
Number of obs: 39401, groups: subject, 219
Fixed effects:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 2.49686 0.06909 36.14 < 2e-16 ***
X -1.03854 0.03812 -27.24 < 2e-16 ***
ConditionB -0.19707 0.06382 -3.09 0.00202 **
X:ConditionB 0.22809 0.05356 4.26 2.06e-05 ***
Burada tekil bir uyum gözlemliyoruz, çünkü kesişim ve x rastgele etkiler arasındaki korelasyon -1'dir. Şimdi, bu yararlı bağlantıya göre , bu modelle başa çıkmanın bir yolu, yüksek dereceli rastgele efektleri (örneğin, X: ConditionB) kaldırmak ve tekillik testi yaparken bunun bir fark yaratıp yaratmadığını görmektir. Diğeri, blme
tekillikten kaçınmak için Bayes yaklaşımını, örneğin paketi kullanmaktır.
Tercih edilen yöntem nedir ve neden?
Bunu soruyorum çünkü birinci veya ikinci olanı kullanmak farklı sonuçlara yol açıyor - ilk durumda, X: ConditionB rastgele etkisini kaldıracağım ve X ve X: ConditionB rastgele etkileri arasındaki korelasyonu tahmin edemeyeceğim. Öte yandan, kullanmak blme
X: ConditionB'yi korumama ve verilen korelasyonu tahmin etmeme izin veriyor. Bayesci yaklaşımı kullanarak her şeyi tahmin edebildiğimde, tekil uyarılar meydana geldiğinde, bayes dışı tahminleri bile kullanmam ve rastgele efektleri kaldırmamın bir neden göremiyorum.
Birisi bana tekil uyum başa çıkmak için her iki yöntemi kullanarak faydaları ve sorunları açıklayabilir misiniz?
Teşekkür ederim.