모델이 있다고 가정 해 봅시다.
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 ***
여기서 우리는 절편과 x의 랜덤 효과 사이의 상관 관계가 -1이기 때문에 단일 적합을 관찰합니다. 이제이 유용한 링크 에 따르면 이 모델을 처리하는 한 가지 방법은 고차 무작위 효과 (예 : X : ConditionB)를 제거하고 특이성을 테스트 할 때 차이가 있는지 확인하는 것입니다. 다른 하나는 blme
특이성을 피하기 위해 패키지 와 같은 베이지안 접근법을 사용하는 것 입니다.
선호하는 방법은 무엇이며 왜 그렇습니까?
첫 번째 또는 두 번째 결과를 사용하면 다른 결과가 발생하기 때문에 이것을 묻습니다. 첫 번째 경우 X : ConditionB 임의 효과를 제거하고 X와 X : ConditionB 임의 효과 간의 상관 관계를 추정 할 수 없습니다. 반면에를 사용 blme
하면 X : ConditionB를 유지하고 주어진 상관 관계를 추정 할 수 있습니다. 베이지안 접근법을 사용하여 모든 것을 추정 할 수있을 때 특이 값이 발생할 때 비 베이지안 추정을 사용해야하고 임의의 효과를 제거해야하는 이유는 없습니다.
누군가 단일 피팅을 처리하는 두 가지 방법을 사용하여 이점과 문제를 설명 할 수 있습니까?
감사합니다.