Ben kullanarak bazı davranışsal verilerin analiz ediyorum lme4yılında Rçoğunlukla ardından Bodo Kış mükemmel öğreticiler , ama düzgün etkileşimleri hallediyorum ben anlamıyorum. Daha kötüsü, bu araştırmaya dahil olan hiç kimse karışık modeller kullanmaz, bu yüzden işlerin doğru olduğundan emin olmak konusunda biraz şaşırıyorum.
Sadece yardım için bir çığlık atmak yerine, sorunu yorumlamak için elimden geleni yapmam ve sonra toplu düzeltmelerinize yalvarmam gerektiğini düşündüm. Diğer birkaç kenarı:
- Yazarken, etkileşim sorusu için
nlmedaha doğrudan p değerleri verdiğini gösteren bu soruyu buldum , ancak yine de ilişki ile sormanın geçerli olduğunu düşünüyorumlme4. Livius'Bu sorunun cevabı , önümüzdeki birkaç gün içinde geçmeye çalışacağım birçok ek okumaya bağlantılar sağladı, bu yüzden getirecek herhangi bir ilerleme ile yorum yapacağım.
Benim verilerde, ben bir bağımlı değişken var dv, bir conditionmanipülasyon (bir yüksek yol açmalıdır 0 = kontrolü, 1 = deneysel koşul, dv), ve aynı zamanda bir ön koşul, etiketli appropriate: kodlu çalışmalar 1etkisini göstermesi gerekir bunun için, ancak denemeler kodlu 0kudretini değil, çünkü çok önemli bir faktör eksik.
Ayrıca, her bir konu içindeki ve çözülen 14 sorunun her biri için ilişkili değerleri yansıtan subjectve targetyansıtan iki rasgele engelleme dvekledim (her katılımcı, her sorunun hem kontrolünü hem de deneysel bir versiyonunu çözdü).
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)
Çıktı:
## 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.
Daha sonra ANOVA , önemli bir etkileşimin mevcut olduğu sonucuna vardığımdan interaction_modelçok daha iyi bir uyum olduğunu göstermektedir mainfx_model(p = .035).
anova(mainfx_model, interaction_model)Çıktı:
## ...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
Oradan, appropriategereksinimin karşılandığı verilerin bir alt kümesini izole ediyorum (yani, appropriate = 1) ve bunun için boş bir modele ve conditionefekt içeren bir modele , iki modeli tekrar ANOVA kullanarak karşılaştırın ve conditionönemli bir yordayıcıdır.
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)
Çıktı:
## 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/…