Saya menganalisa beberapa data perilaku menggunakan lme4di R, sebagian besar mengikuti tutorial Bodo Winter baik , tapi saya tidak mengerti jika saya menangani interaksi dengan benar. Lebih buruk lagi, tidak ada orang lain yang terlibat dalam penelitian ini menggunakan model campuran, jadi saya sedikit terombang-ambing ketika datang untuk memastikan semuanya benar.
Alih-alih hanya mengirim teriakan minta tolong, saya pikir saya harus melakukan upaya terbaik saya untuk menafsirkan masalah, dan kemudian meminta koreksi kolektif Anda. Beberapa selainnya adalah:
- Saat menulis, saya menemukan pertanyaan ini , menunjukkan bahwa
nlmelebih langsung memberikan nilai p untuk istilah interaksi, tapi saya pikir itu masih valid untuk ditanyakan sehubungan denganlme4. Livius'jawaban untuk pertanyaan ini memberikan tautan ke banyak bacaan tambahan, yang akan saya coba selesaikan dalam beberapa hari ke depan, jadi saya akan berkomentar dengan kemajuan apa pun yang membawa.
Dalam data saya, saya memiliki variabel dependen dv, conditionmanipulasi (0 = kontrol, 1 = kondisi eksperimental, yang akan menghasilkan yang lebih tinggi dv), dan juga prasyarat, berlabel appropriate: uji coba berkode 1untuk ini harus menunjukkan efeknya, tetapi uji coba berkode 0mungkin tidak, karena faktor penting hilang.
Saya juga menyertakan dua intersep acak, untuk subject, dan untuk target, yang mencerminkan dvnilai-nilai yang berkorelasi dalam setiap subjek, dan dalam masing-masing dari 14 masalah yang diselesaikan (masing-masing peserta menyelesaikan kontrol dan versi eksperimental dari setiap masalah).
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)Keluaran:
## 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.ANOVA kemudian menunjukkan interaction_modelsecara signifikan lebih cocok daripada mainfx_model, dari mana saya menyimpulkan bahwa ada interaksi hadir yang signifikan (p = 0,035).
anova(mainfx_model, interaction_model)Keluaran:
## ...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 ' ' 1Dari sana, saya mengisolasi bagian dari data yang memenuhi appropriatepersyaratan (yaitu, appropriate = 1), dan untuk itu cocok dengan model nol, dan model termasuk conditionsebagai efek, membandingkan dua model menggunakan ANOVA lagi, dan lihat, menemukan bahwa conditionadalah prediktor yang signifikan.
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)Keluaran:
## 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: stats.stackexchange.com/questions/118416/...