나는 주로 Bodo Winter의 훌륭한 자습서를 따라 lme4in을 사용하여 일부 행동 데이터를 분석하고 있지만 상호 작용을 올바르게 처리하고 있는지 이해할 수 없습니다. 더군다나,이 연구에 참여한 어느 누구도 혼합 모델을 사용하지 않기 때문에 문제가 옳다는 것을 확신 할 때 약간 표류합니다.R
도움을 요청하는 것보다는 문제를 해석하기 위해 최선을 다한 다음에 집단적인 수정을 구걸해야한다고 생각했습니다. 다른 몇 가지 사항은 다음과 같습니다.
- 글을 쓰는 동안 나는 이 질문을 발견
nlme하여 상호 작용 항에 대해 p 값을 더 직접적으로 제공 한다는 것을 보여 주 었지만와 관련하여 묻는 것이 여전히 타당하다고 생각합니다lme4. Livius'이 질문에 대한 답변 은 많은 추가 독서에 대한 링크를 제공했으며, 앞으로 며칠 안에 극복하려고 노력할 것이므로 앞으로 진행되는 진행 상황에 대해 언급 할 것입니다.
내 데이터에서, I은 종속 변수가 dv하는 condition조작 (더 발생한다 0 = 조절, 1 = 실험 조건 dv)도 필수로 표시된 appropriate코딩 된 시험 1효과를 표시한다 이것을 위해, 그러나 실험 부호화 0힘을 중요한 요소가 없기 때문에 아닙니다.
또한 각 주제 내에서, 그리고 해결 된 14 가지 문제 각각 내에서 상관 된 값을 반영하는 subjectfor 및 for에 대한 두 개의 임의 절편을 포함 시켰습니다 (각 참가자는 각 문제의 제어 및 실험 버전을 모두 해결했습니다).targetdv
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)산출:
## 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.ANOVA는 쇼 interaction_model보다 훨씬 더 적합 할 수 있습니다 mainfx_modelI 상당한 상호 작용이 존재 (P = 0.035)가 있다는 결론을있는.
anova(mainfx_model, interaction_model)산출:
## ...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 ' ' 1여기에서 appropriate요구 사항이 충족 되는 데이터의 하위 집합을 분리하고 (예 :) appropriate = 1null 모델에 적합하고 condition효과를 포함하는 모델에 대해 ANOVA를 사용하여 두 모델을 다시 비교하고 lo를 찾으십시오. condition중요한 예측 자입니다.
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)산출:
## 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.