อะไรคือความแตกต่างระหว่าง (~ 1 + .... ) และ (1 | ... ) และ (0 | ... ) ฯลฯ ?
สมมติว่าคุณมีตัวแปร V1 ที่ทำนายโดยตัวแปรเด็ดขาด V2 ซึ่งถือว่าเป็นเอฟเฟกต์แบบสุ่มและตัวแปรต่อเนื่อง V3 ซึ่งถือว่าเป็นเอฟเฟกต์เชิงเส้นคงที่ การใช้ไวยากรณ์ lmer โมเดลที่ง่ายที่สุด (M1) คือ:
V1 ~ (1|V2) + V3
โมเดลนี้จะประมาณ:
P1:การสกัดกั้นทั่วโลก
P2: การสกัดเอฟเฟ็กต์แบบสุ่มสำหรับ V2 (เช่นสำหรับแต่ละระดับของ V2, การเบี่ยงเบนของการสกัดกั้นในระดับนั้นจากการสกัดกั้นทั่วโลก)
P3:การประมาณทั่วโลกเดียวสำหรับเอฟเฟกต์ (ความชัน) ของ V3
รุ่นที่ซับซ้อนที่สุดถัดไป (M2) คือ:
V1 ~ (1|V2) + V3 + (0+V3|V2)
โมเดลนี้ประมาณพารามิเตอร์ทั้งหมดจาก M1 แต่จะประมาณเพิ่มเติม:
P4:ผลกระทบของ V3 ภายในแต่ละระดับของ V2 (โดยเฉพาะอย่างยิ่งระดับที่ผลกระทบของ V3 ภายในระดับที่กำหนดเบี่ยงเบนไปจากผลกระทบระดับโลกของ V3) ในขณะที่บังคับใช้ความสัมพันธ์แบบศูนย์ระหว่างการเบี่ยงเบนของการสกัดกั้นและ ของ V2
ข้อ จำกัด หลังนี้ผ่อนคลายในโมเดลที่ซับซ้อนที่สุดขั้นสุดท้าย (M3):
V1 ~ (1+V3|V2) + V3
ซึ่งพารามิเตอร์ทั้งหมดจาก M2 ถูกประเมินในขณะที่อนุญาตให้มีความสัมพันธ์ระหว่างการเบี่ยงเบนของการสกัดกั้นและการเบี่ยงเบนผลของ V3 ภายในระดับของ V2 ดังนั้นใน M3 จะมีการประมาณพารามิเตอร์เพิ่มเติม:
P5:ความสัมพันธ์ระหว่างการเบี่ยงเบนของการสกัดกั้นและการเบี่ยงเบน V3 กับระดับของ V2
โดยทั่วไปแล้วแบบจำลองคู่เช่น M2 และ M3 จะถูกคำนวณแล้วเปรียบเทียบกับการประเมินหลักฐานความสัมพันธ์ระหว่างเอฟเฟกต์คงที่ (รวมถึงการสกัดกั้นสากล)
ตอนนี้ให้พิจารณาเพิ่มตัวทำนายผลกระทบคงที่อีกตัวหนึ่ง V4 นางแบบ:
V1 ~ (1+V3*V4|V2) + V3*V4
จะประเมิน:
P1:การสกัดกั้นทั่วโลก
P2:การประมาณทั่วโลกเดียวสำหรับผลกระทบของ V3
P3:การประมาณทั่วโลกเดียวสำหรับผลกระทบของ V4
P4:การประมาณทั่วโลกเดียวสำหรับการโต้ตอบระหว่าง V3 และ V4
P5: การเบี่ยงเบนของการสกัดกั้นจากP1ในแต่ละระดับของ V2
P6: การเบี่ยงเบนของผลกระทบ V3 จากP2ในแต่ละระดับของ V2
P7: การเบี่ยงเบนของผลกระทบ V4 จากP3ในแต่ละระดับของ V2
P8: การเบี่ยงเบนของการโต้ตอบ V3-by-V4 จากP4ในแต่ละระดับของ V2
P9สหสัมพันธ์ระหว่างP5และP6ในระดับ V2
P10สหสัมพันธ์ระหว่างP5กับP7ในระดับ V2
P11สหสัมพันธ์ระหว่างP5และP8ในระดับ V2
P12สหสัมพันธ์ระหว่างP6และP7ในระดับ V2
P13สหสัมพันธ์ระหว่างP6และP8ในระดับ V2
P14สหสัมพันธ์ระหว่างP7และP8กับระดับของ V2
ว้านั่นเป็นพารามิเตอร์จำนวนมาก! และฉันไม่ได้สนใจรายการพารามิเตอร์ความแปรปรวนที่ประเมินโดยตัวแบบ ยิ่งไปกว่านั้นหากคุณมีตัวแปรเด็ดขาดที่มีมากกว่า 2 ระดับที่คุณต้องการสร้างแบบจำลองเป็นเอฟเฟกต์คงที่แทนที่จะใช้เอฟเฟกต์เดี่ยวสำหรับตัวแปรนั้นคุณจะประมาณเอฟเฟกต์ k-1 (โดยที่ k คือจำนวนระดับ) ดังนั้นการกระจายจำนวนพารามิเตอร์ที่จะประเมินโดยตัวแบบเพิ่มเติม
lme4
แพคเกจสามารถพบได้บน CRAN