Właśnie (ponownie) czytałem Gelmana Dlaczego (zwykle) nie musimy się martwić wielokrotnymi porównaniami . W szczególności sekcja „Wiele wyników i inne wyzwania” wspomina o zastosowaniu modelu hierarchicznego w sytuacjach, gdy istnieje wiele powiązanych środków od tej samej osoby / jednostki w różnych czasach / warunkach. Wydaje się, że ma wiele pożądanych właściwości.
Rozumiem, że niekoniecznie jest to kwestia bayesowska. Czy ktoś mógłby mi pokazać, jak poprawnie zbudować wielopoziomowy model wielopoziomowy przy użyciu rjagów i / lub lmerów (zwykłe JAGS i BŁĘDY również powinny być w porządku, a także inne biblioteki modeli mieszanych, np. MCMCglmm), abym mógł bawić się nim, aby porównać i wyniki kontrastowe? Rodzaj sytuacji, w której chciałbym model, znajduje odzwierciedlenie w poniższych danych zabawki (wielowymiarowe, powtarzane pomiary):
set.seed(69)
id <- factor(rep(1:20, 2)) # subject identifier
dv1 <- c(rnorm(20), rnorm(20, 0.8, 0.3)) # dependent variable 1 data for 2 conditions
dv2 <- c(rnorm(20), rnorm(20, 0.3, 0.6))
dv3 <- c(rnorm(20), rnorm(20, -0.3, 0.8))
dv4 <- c(rnorm(20), rnorm(20, 0.2, 1 ))
dv5 <- c(rnorm(20), rnorm(20, 0.5, 4 ))
rmFac <- factor(rep(c(1, 2), each=20)) # repeated measures factor
dvFac <- factor(rep(1:5, each=40)) # dependent variable indicator
dfwide <- data.frame(id, dv1, dv2, dv3, dv4, dv5, rmFac)
dflong <- data.frame(id, dv = c(dv1, dv2, dv3, dv4, dv5), rmFac, dvFac) # just in case it's easier?