Opiszę, jaki jest model każdego z wezwań do lmer()
dopasowania i jak się różnią, a następnie odpowiem na ostatnie pytanie dotyczące wybierania efektów losowych.
Każdego z trzech modeli zawierają stałe efekty dla practice
, context
oraz interakcji między nimi. Losowe efekty różnią się w zależności od modelu.
lmer(ERPindex ~ practice*context + (1|participants), data=base)
zawiera losowe przechwytywanie wspólne dla osób o tej samej wartości participants
. Oznacza to, participant
że linia regresji każdego z nich jest przesuwana w górę / w dół o losową wartość ze średnią .0
lmer(ERPindex ~ practice*context + (1+practice|participants), data=base)
Ten model, oprócz losowego przechwytywania, zawiera również losowe nachylenie w practice
. Oznacza to, że tempo, w jakim osoby uczą się w praktyce, jest różne w zależności od osoby. Jeśli dana osoba ma pozytywny efekt losowy, wówczas zwiększa się szybciej z praktyką niż średnia, podczas gdy negatywny efekt losowy wskazuje, że uczy się szybciej z praktyką niż średnia, lub być może gorzej z praktyką, w zależności od wariancji losowej efekt (przy założeniu, że ustalony efekt praktyki jest pozytywny).
lmer(ERPindex ~ practice*context + (practice|participants) +
(practice|participants:context), data=base)
Ten model pasuje do losowego nachylenia i przechwytywania practice
(musisz zrobić, (practice-1|...)
aby stłumić przechwytywanie), podobnie jak poprzedni model, ale teraz dodałeś również losowe nachylenie i przechwytywanie w współczynniku participants:context
, który jest nowym czynnikiem, którego poziomy są każdą kombinacją poziomów obecnych participants
i context
odpowiadające im efekty losowe są wspólne dla obserwacji, które mają tę samą wartość zarówno participants
i context
. Aby dopasować ten model, musisz mieć wiele obserwacji, które mają te same wartości dla obu participants
icontext
w przeciwnym razie model jest nie do oszacowania. W wielu sytuacjach grupy utworzone przez tę zmienną interakcji są bardzo rzadkie i skutkują bardzo głośnymi / trudnymi do dopasowania modelami efektów losowych, dlatego należy zachować ostrożność, stosując czynnik interakcji jako zmienną grupującą.
Zasadniczo (czytaj: bez nadmiernego komplikowania) należy zastosować efekty losowe, jeśli uważasz, że zmienne grupujące definiują „kieszenie” niejednorodności w zbiorze danych lub że osoby, które dzielą poziom współczynnika grupowania, powinny być ze sobą skorelowane (podczas gdy osoby, które nie powinny być skorelowane) - osiągają to efekty losowe. Jeśli sądzisz, że obserwacje, które dzielą poziomy obu participants
i context
są bardziej podobne niż suma dwóch części, to odpowiedni może być losowy efekt „interakcji”.
Edycja: Jak wspomina @Henrik w komentarzach, modele, które pasujesz, np .:
lmer(ERPindex ~ practice*context + (1+practice|participants), data=base)
sprawiają, że losowe nachylenie i losowe przechwytywanie są ze sobą skorelowane, a korelacja jest szacowana przez model. Aby ograniczyć model, tak aby losowe nachylenie i losowe przechwytywanie były nieskorelowane (a zatem niezależne, ponieważ są normalnie rozmieszczone), zamiast tego należy dopasować model:
lmer(ERPindex ~ practice*context + (1|participants) + (practice-1|participants),
data=base)
Wybór między tymi dwoma powinien opierać się na tym, czy uważasz, że na przykład participant
s z wyższą linią bazową niż średnia (tj. Dodatnie losowe przechwytywanie) może również mieć wyższą szybkość zmian niż średnia (tj. Dodatnie losowe nachylenie). Jeśli tak, pozwoliłbyś na korelację między nimi, a jeśli nie, ograniczyłbyś ich niezależność. (Ponownie w tym przykładzie założono, że stałe nachylenie efektu jest dodatnie).
lmer(ERPindex ~ practice*context + (1|participants) + (0 + practice|participants, data=base)
czy się mylę? (Niepowiązane: Przepraszam za moją małą edycję twojego postu. Jeśli nie zgadzasz się z wyjaśnieniem, po prostu zmień je z powrotem)