각 호출에 lmer()
맞는 모델 과 호출 방식이 어떻게 다른지 설명하고 임의 효과 선택에 대한 최종 질문에 답변하겠습니다.
당신의 세 가지 모델 각각에 대한 효과를 고정 포함 practice
, context
그리고 둘 사이의 상호 작용. 임의의 효과는 모델마다 다릅니다.
lmer(ERPindex ~ practice*context + (1|participants), data=base)
에 동일한 값을 가진 개인이 공유 한 임의의 가로 채기를 포함합니다 participants
. 즉, 각 participant
회귀선은 평균이 임의의 양만큼 위 / 아래로 이동합니다 .0
lmer(ERPindex ~ practice*context + (1+practice|participants), data=base)
이 모델에는 랜덤 절편 외에도에 임의의 기울기가 포함되어 있습니다 practice
. 이것은 개인이 실습에서 배우는 비율이 개인마다 다르다는 것을 의미합니다. 개인이 긍정적 인 무작위 효과를 갖는 경우, 평균보다 연습으로 더 빨리 증가하는 반면, 부정적인 임의의 효과는 평균보다 연습으로 빨리 배우지 않거나 임의의 변화에 따라 연습으로 더 나빠질 수 있음을 나타냅니다. 효과 (실습의 고정 효과가 긍정적이라고 가정).
lmer(ERPindex ~ practice*context + (practice|participants) +
(practice|participants:context), data=base)
이 모델은 이전 모델 과 마찬가지로 랜덤 슬로프와 인터셉트에 적합합니다 practice
( 절편 (practice-1|...)
을 억제 해야 함). 이제 participants:context
레벨에 새로운 요인 인 factor에 랜덤 슬로프와 인터셉트를 추가했습니다. 존재 레벨의 각 조합 participants
및 context
상기 대응하는 임의의 효과가 모두 동일한 값이 관측 공유 participants
및 context
. 이 모델에 맞게하려면 모두 같은 값을 가진 여러 관찰이 필요합니다 participants
및context
그렇지 않으면 모델을 추정 할 수 없습니다. 많은 상황에서이 교호 작용 변수에 의해 생성 된 그룹은 매우 드문 편이며 랜덤 효과 모델에 맞추기에는 시끄럽고 어렵 기 때문에 교호 작용 계수를 그룹화 변수로 사용할 때주의해야합니다.
기본적으로 (읽기 : 너무 복잡하지 않고) 그룹화 변수가 데이터 세트에서 비균질성의 "포켓"을 정의하거나 그룹화 요소의 수준을 공유하는 개인이 서로 상관되어야한다고 생각할 때 임의 효과를 사용해야합니다. 상관되지 않아야하는 개인)-임의의 효과가 이것을 달성합니다. 당신은 모두의 수준을 공유 관찰 생각하는 경우 participants
및 context
다음 해당 될 수있는 "상호 작용"임의 효과를 포함하여 두 부분의 합보다 더 비슷합니다.
편집 : 의견에서 @Henrik이 언급했듯이 적합한 모델은 다음과 같습니다.
lmer(ERPindex ~ practice*context + (1+practice|participants), data=base)
랜덤 슬로프와 랜덤 인터셉트가 서로 상관되고 모델에 의해 상관이 추정되도록합니다. 랜덤 슬로프와 랜덤 인터셉트가 상관 관계가 없어서 (따라서 정규 분포되어 있기 때문에 독립적) 모델을 구속하려면 대신 모델에 적합합니다.
lmer(ERPindex ~ practice*context + (1|participants) + (practice-1|participants),
data=base)
이 둘 사이의 선택은 예를 들어 participant
평균보다 높은 기준선 (즉, 양의 랜덤 절편)이 평균보다 높은 변화율 (즉 양의 임의의 기울기)을 가질 가능성 이 있다고 생각하는지에 따라 결정되어야합니다 . 그렇다면 둘을 서로 연관시킬 수 있지만 그렇지 않은 경우 둘을 독립적으로 제한 할 수 있습니다. (이 예제에서는 고정 효과 기울기가 양수라고 가정합니다).
lmer(ERPindex ~ practice*context + (1|participants) + (0 + practice|participants, data=base)
아니면 내가 잘못입니까? (관련 없음 : 게시물의 작은 편집을 용서합니다. 설명에 동의하지 않으면 다시 변경하십시오)