Przeprowadziłem powtarzający się projekt, w którym przetestowałem 30 mężczyzn i 30 kobiet w trzech różnych zadaniach. Chcę zrozumieć, jak różni się zachowanie mężczyzn i kobiet i jak to zależy od zadania. Użyłem zarówno pakietu lmer, jak i lme4, aby to zbadać, jednak utknąłem przy próbie sprawdzenia założeń dla każdej z metod. Kod, który uruchamiam, to
lm.full <- lmer(behaviour ~ task*sex + (1|ID/task), REML=FALSE, data=dat)
lm.full2 <-lme(behaviour ~ task*sex, random = ~ 1|ID/task, method="ML", data=dat)
Sprawdziłem, czy interakcja była najlepszym modelem, porównując ją z prostszym modelem bez interakcji i uruchamiając anova:
lm.base1 <- lmer(behaviour ~ task+sex+(1|ID/task), REML=FALSE, data=dat)
lm.base2 <- lme(behaviour ~ task+sex, random= ~1|ID/task), method="ML", data=dat)
anova(lm.base1, lm.full)
anova(lm.base2, lm.full2)
P1: Czy można używać tych predyktorów jakościowych w liniowym modelu mieszanym?
P2: Czy dobrze rozumiem, że dobrze jest, że zmienna wynikowa („zachowanie”) nie musi być normalnie rozkładana sama (na płeć / zadania)?
P3: Jak mogę sprawdzić jednorodność wariancji? Używam prostego modelu liniowego plot(LM$fitted.values,rstandard(LM))
. Czy używanie jest plot(reside(lm.base1))
wystarczające?
P4: Aby sprawdzić normalność, czy używasz następującego kodu ok?
hist((resid(lm.base1) - mean(resid(lm.base1))) / sd(resid(lm.base1)), freq = FALSE); curve(dnorm, add = TRUE)