(~ 1 + ....)와 (1 | ...)과 (0 | ...)의 차이점은 무엇입니까?
랜덤 효과로 취급되는 범주 형 변수 V2와 선형 고정 효과로 취급되는 연속 변수 V3에 의해 예측 된 변수 V1이 있다고 가정하십시오. lmer 구문을 사용하면 가장 간단한 모델 (M1)은 다음과 같습니다.
V1 ~ (1|V2) + V3
이 모델은 다음을 추정합니다.
P1 : 전역 차단
P2 : V2에 대한 랜덤 효과 차단 (즉, V2의 각 레벨에 대해 해당 레벨의 인터셉트의 전역 인터셉트 편차)
P3 : V3의 효과 (기울기)에 대한 단일 전역 추정치
다음으로 가장 복잡한 모델 (M2)은 다음과 같습니다.
V1 ~ (1|V2) + V3 + (0+V3|V2)
이 모델은 M1의 모든 매개 변수를 추정하지만 추가로 추정합니다.
P4 : V2의 각 레벨 내에서 V3의 효과 (보다 구체적으로, 주어진 레벨 내에서 V3 효과가 V3의 전체 효과에서 벗어난 정도)와 레벨 간 인터셉트 편차와 V3 효과 편차 사이에 제로 상관 관계 V2의 .
후자의 제한은 가장 복잡한 최종 모델 (M3)에서 완화됩니다.
V1 ~ (1+V3|V2) + V3
여기서 V2 레벨 내에서 절편 편차와 V3 효과 편차 사이의 상관을 허용하면서 M2의 모든 매개 변수가 추정됩니다. 따라서 M3에서는 추가 매개 변수가 추정됩니다.
P5 : V2 레벨에서 절편 편차와 V3 편차 간의 상관 관계
일반적으로 M2 및 M3과 같은 모델 쌍을 계산하여 고정 효과 (전역 차단 포함) 간의 상관 관계에 대한 증거를 평가합니다.
이제 다른 고정 효과 예측 변수 인 V4를 추가해보십시오. 모델:
V1 ~ (1+V3*V4|V2) + V3*V4
추정 :
P1 : 전역 차단
P2 : V3의 효과에 대한 단일 글로벌 추정치
P3 : V4의 효과에 대한 단일 글로벌 추정치
P4 : V3과 V4 간의 상호 작용에 대한 단일 글로벌 추정
P5 : V2의 각 수준 에서 P1 의 절편 편차
P6 : V2의 각 레벨 에서 P2 의 V3 효과 편차
P7 : V2의 각 수준 에서 P3 의 V4 효과 편차
P8 : V2의 각 수준 에서 P4 와의 V3-by-V4 상호 작용 편차
V2 레벨에서 P5 와 P6의 P9 상관
V2 레벨에서 P5 와 P7 사이의 P10 상관
V2 레벨에서 P5 와 P8의 P11 상관
V2 레벨에서 P6 과 P7 간의 P12 상관
P13의 상관 관계 P6 및 P8 V2의 수준에서
V2 레벨에서 P7 과 P8의 P14 상관
휴 , 그것은 많은 매개 변수입니다! 그리고 모델에 의해 추정 된 분산 파라미터를 나열하지도 않았습니다. 또한 고정 효과로 모델링하려는 수준이 2 개 이상인 범주 형 변수가있는 경우 해당 변수에 대한 단일 효과 대신 항상 k-1 효과를 추정하게됩니다 (여기서 k는 레벨 수임) 이에 의해, 모델에 의해 추정 될 파라미터의 수를 더욱 더 폭발시킨다.
lme4
패키지가 될 수 CRAN에서 발견