과목 디자인 내에서 양방향으로 얻은 다음 데이터를 고려하십시오.
df <- "http://personality-project.org/r/datasets/R.appendix4.data"
df <- read.table(df,header=T)
head(df)
Observation Subject Task Valence Recall
1 1 Jim Free Neg 8
2 2 Jim Free Neu 9
3 3 Jim Free Pos 5
4 4 Jim Cued Neg 7
5 5 Jim Cued Neu 9
6 6 Jim Cued Pos 10
혼합 선형 모델을 사용하여 이것을 분석하고 싶습니다. 가능한 모든 고정 및 랜덤 효과를 고려하면 여러 가지 가능한 모델이 있습니다.
# different fixed effects with random-intercept
a0 <- lmer(Recall~1 + (1|Subject), REML=F,df)
a1 <- lmer(Recall~Task + (1|Subject), REML=F,df)
a2 <- lmer(Recall~Valence + (1|Subject), REML=F,df)
a3 <- lmer(Recall~Task+Valence + (1|Subject), REML=F,df)
a4 <- lmer(Recall~Task*Valence + (1|Subject), REML=F,df)
# different fixed effects with random-intercept-random-slope
b0 <- lmer(Recall~1 + (1|Subject) + (0+Task|Subject) + (0+Valence|Subject), REML=F,df)
b1 <- lmer(Recall~Task + (1|Subject) + (0+Task|Subject) + (0+Valence|Subject), REML=F,df)
b2 <- lmer(Recall~Valence + (1|Subject) + (0+Task|Subject) + (0+Valence|Subject), REML=F,df)
b3 <- lmer(Recall~Task+Valence + (1|Subject) + (0+Task|Subject) + (0+Valence|Subject), REML=F,df)
b4 <- lmer(Recall~Task*Valence + (1|Subject) + (0+Task|Subject) + (0+Valence|Subject), REML=F,df)
# different fixed effects with random-intercept-random-slope including variance-covariance matrix
c0 <- lmer(Recall~1 + (1 + Valence + Task|Subject), REML=F,df)
c1 <- lmer(Recall~Task + (1 + Valence + Task|Subject), REML=F,df)
c2 <- lmer(Recall~Valence + (1 + Valence + Task|Subject), REML=F,df)
c3 <- lmer(Recall~Task+Valence + (1 + Valence + Task|Subject), REML=F,df)
c4 <- lmer(Recall~Task*Valence + (1 + Valence + Task|Subject), REML=F,df)
이 상황에서 가장 적합한 모형을 선택하기 위해 권장되는 방법은 무엇입니까? 로그 우도 비율 테스트를 사용할 때 권장되는 절차는 무엇입니까? 모델을 위쪽으로 (널 모델에서 가장 복잡한 모델로) 생성하거나 아래쪽으로 (가장 복잡한 모델에서 널 모델로) 생성합니까? 단계적으로 포함 또는 제외? 또는 모든 모형을 하나의 로그 우도 비 검정에 넣고 p- 값이 가장 낮은 모형을 선택하는 것이 좋습니다. 중첩되지 않은 모델을 비교하는 방법은 무엇입니까?
먼저 적절한 고정 효과 구조를 찾은 다음 적절한 임의 효과 구조 또는 다른 방법으로 찾는 것이 좋습니다 (두 옵션에 대한 참조를 찾았습니다 ...).
권장되는 결과보고 방법은 무엇입니까? 로그 우도 비 검정에서 전체 혼합 모형 (문제의 영향)을 감소 된 모형 (문제의 영향 없음)과 비교하여 로그 우도 비 검정에서 p- 값을보고합니다. 또는 로그 우도 비율 검정을 사용하여 최상의 피팅 모델을 찾은 다음 lmerTest를 사용하여 최상의 피팅 모델의 효과에서 p- 값을보고하는 것이 더 낫습니까?