Jaka jest różnica między (~ 1 + ....) a (1 | ...) i (0 | ...) itd.?
Załóżmy, że masz zmienną V1 przewidywaną przez zmienną kategoryczną V2, która jest traktowana jako efekt losowy, i zmienną ciągłą V3, która jest traktowana jako liniowy efekt stały. Używając składni Lmer, najprostszym modelem (M1) jest:
V1 ~ (1|V2) + V3
Ten model oszacuje:
P1: Globalny przechwytywanie
P2: Przechwytuje efekt losowy dla V2 (tj. Dla każdego poziomu V2, odchylenie przechwytywania tego poziomu od globalnego przechwytywania)
P3: Pojedyncza globalna ocena wpływu (nachylenia) V3
Następny najbardziej złożony model (M2) to:
V1 ~ (1|V2) + V3 + (0+V3|V2)
Ten model szacuje wszystkie parametry z M1, ale dodatkowo oszacuje:
P4: Wpływ V3 na każdym poziomie V2 (a dokładniej stopień, w jakim efekt V3 na danym poziomie odbiega od globalnego efektu V3), jednocześnie wymuszając zerową korelację między odchyleniami przechwytującymi a odchyleniami efektu V3 między poziomami V2 .
To ostatnie ograniczenie jest złagodzone w ostatecznym najbardziej złożonym modelu (M3):
V1 ~ (1+V3|V2) + V3
W którym szacowane są wszystkie parametry z M2, umożliwiając jednocześnie korelację między odchyleniami przechwytującymi a odchyleniami efektu V3 w obrębie poziomów V2. Tak więc w M3 szacowany jest dodatkowy parametr:
P5: Korelacja między odchyleniami przechwytującymi a odchyleniami V3 na różnych poziomach V2
Zwykle obliczane są pary modeli, takie jak M2 i M3, a następnie porównywane w celu oceny dowodów na korelacje między ustalonymi efektami (w tym globalnym przechwytywaniem).
Teraz rozważ dodanie kolejnego predyktora efektu stałego, V4. Model:
V1 ~ (1+V3*V4|V2) + V3*V4
oszacowałby:
P1: Globalny przechwytywanie
P2: Pojedyncza globalna ocena wpływu V3
P3: Pojedyncza globalna ocena wpływu V4
P4: Pojedyncza globalna ocena dla interakcji między V3 i V4
P5: Odchylenia punktu przecięcia od P1 na każdym poziomie V2
P6: Odchylenia efektu V3 od P2 na każdym poziomie V2
P7: Odchylenia efektu V4 od P3 na każdym poziomie V2
P8: Odchylenia interakcji V3-przez-V4 od P4 na każdym poziomie V2
P9 Korelacja między P5 i P6 na różnych poziomach V2
P10 Korelacja między P5 i P7 na różnych poziomach V2
P11 Korelacja między P5 i P8 na różnych poziomach V2
P12 Korelacja między P6 i P7 na różnych poziomach V2
P13 Korelacja między P6 i P8 na różnych poziomach V2
P14 Korelacja między P7 i P8 na różnych poziomach V2
Uff , to dużo parametrów! I nawet nie zadałem sobie trudu, aby wymienić parametry wariancji oszacowane przez model. Co więcej, jeśli masz zmienną kategorialną z więcej niż 2 poziomami, którą chcesz zamodelować jako efekt stały, zamiast jednego efektu dla tej zmiennej zawsze będziesz oceniać efekty k-1 (gdzie k jest liczbą poziomów) , tym samym jeszcze bardziej eksplodując liczbę parametrów, które model ma oszacować.
lme4
pakietu można znaleźć na CRAN