ฉันจะอธิบายรูปแบบการโทรแต่ละครั้งที่คุณlmer()
เหมาะสมและความแตกต่างจากนั้นตอบคำถามสุดท้ายของคุณเกี่ยวกับการเลือกเอฟเฟกต์แบบสุ่ม
แต่ละสามรุ่นของคุณมีผลกระทบสำหรับการแก้ไขpractice
, context
และการมีปฏิสัมพันธ์ระหว่างทั้งสอง เอฟเฟกต์แบบสุ่มแตกต่างกันระหว่างโมเดล
lmer(ERPindex ~ practice*context + (1|participants), data=base)
participants
มีการตัดสุ่มใช้ร่วมกันโดยบุคคลที่มีค่าเหมือนกันสำหรับ นั่นคือแต่ละparticipant
เส้นถดถอย 's จะเลื่อนขึ้น / ลงตามจำนวนเงินที่สุ่มที่มีค่าเฉลี่ย00
lmer(ERPindex ~ practice*context + (1+practice|participants), data=base)
practice
รุ่นนี้นอกเหนือไปจากการสกัดแบบสุ่มนอกจากนี้ยังมีความลาดชันสุ่ม ซึ่งหมายความว่าอัตราที่บุคคลเรียนรู้จากการปฏิบัติแตกต่างจากบุคคลหนึ่งสู่อีกบุคคล หากบุคคลมีผลการสุ่มเป็นบวกพวกเขาก็จะเพิ่มขึ้นอย่างรวดเร็วด้วยการฝึกฝนมากกว่าค่าเฉลี่ยในขณะที่ผลการสุ่มเชิงลบบ่งชี้ว่าพวกเขาเรียนรู้ได้เร็วกว่าการฝึกฝนน้อยกว่าค่าเฉลี่ยหรืออาจแย่ลงกับการฝึกฝนขึ้นอยู่กับความแปรปรวนแบบสุ่ม effect (นี่คือการสมมติว่าผลกระทบคงที่ของการฝึกเป็นบวก)
lmer(ERPindex ~ practice*context + (practice|participants) +
(practice|participants:context), data=base)
โมเดลนี้เหมาะกับความชันแบบสุ่มและจุดตัดในpractice
(คุณต้องทำ(practice-1|...)
เพื่อตัดจุดตัด) เช่นเดียวกับรุ่นก่อนหน้านี้ แต่ตอนนี้คุณได้เพิ่มความชันแบบสุ่มและจุดตัดในปัจจัยparticipants:context
ซึ่งเป็นปัจจัยใหม่ที่มีระดับ มีการรวมกันของระดับทุกในปัจจุบันparticipants
และcontext
และผลการสุ่มสอดคล้องร่วมกันโดยการสังเกตที่มีมูลค่าเท่ากันของทั้งสองและparticipants
context
เพื่อให้พอดีกับโมเดลนี้คุณจะต้องมีการสังเกตหลายครั้งที่มีค่าเท่ากันสำหรับทั้งสองparticipants
และcontext
มิฉะนั้นโมเดลจะไม่สามารถประเมินได้ ในหลาย ๆ สถานการณ์กลุ่มที่สร้างขึ้นโดยตัวแปรการโต้ตอบนี้จะกระจัดกระจายมากและทำให้เกิดเอฟเฟกต์แบบสุ่มที่มีเสียงดัง / ยากมากดังนั้นคุณจึงต้องระมัดระวังเมื่อใช้ปัจจัยการโต้ตอบเป็นตัวแปรการจัดกลุ่ม
โดยทั่วไป (อ่าน: โดยไม่ซับซ้อนเกินไป) ควรใช้เอฟเฟกต์แบบสุ่มเมื่อคุณคิดว่าตัวแปรการจัดกลุ่มจะกำหนด "ช่องว่าง" ของความไม่ลงรอยกันในชุดข้อมูลหรือบุคคลที่แบ่งปันระดับของปัจจัยการจัดกลุ่มควรสัมพันธ์กัน บุคคลที่ไม่ควรมีความสัมพันธ์) - เอฟเฟกต์แบบสุ่มบรรลุเป้าหมายนี้ หากคุณคิดว่าการสังเกตที่ระดับร่วมกันของทั้งสองparticipants
และcontext
คล้ายกันมากกว่าผลรวมของทั้งสองส่วนจากนั้นรวมถึงผลกระทบแบบสุ่ม "ปฏิสัมพันธ์" อาจเหมาะสม
แก้ไข:เมื่อ @Henrik กล่าวถึงความคิดเห็นโมเดลที่คุณต้องการเช่น:
lmer(ERPindex ~ practice*context + (1+practice|participants), data=base)
ทำแบบนั้นเพื่อให้ความชันแบบสุ่มและจุดตัดแบบสุ่มมีความสัมพันธ์ซึ่งกันและกันและแบบจำลองความสัมพันธ์นั้นประเมินโดยแบบจำลอง หากต้องการ จำกัด แบบจำลองเพื่อให้ความลาดชันแบบสุ่มและการสกัดกั้นแบบสุ่มไม่เกี่ยวข้องกัน (และเป็นอิสระเนื่องจากมีการแจกแจงแบบปกติ) คุณควรจะพอดีกับแบบจำลอง:
lmer(ERPindex ~ practice*context + (1|participants) + (practice-1|participants),
data=base)
ตัวเลือกระหว่างสองสิ่งนี้ควรขึ้นอยู่กับว่าคุณคิดว่าตัวอย่างเช่นparticipant
s ที่มีค่าพื้นฐานสูงกว่าค่าเฉลี่ย (เช่นการสกัดแบบสุ่มเชิงบวก) ก็มีแนวโน้มที่จะมีอัตราการเปลี่ยนแปลงสูงกว่าค่าเฉลี่ย (เช่นความชันเชิงบวกแบบสุ่ม) ถ้าเป็นเช่นนั้นคุณจะอนุญาตให้ทั้งสองมีความสัมพันธ์โดยที่ไม่เกี่ยวข้องกัน (อีกครั้งตัวอย่างนี้ถือว่าความชันเอฟเฟกต์คงที่เป็นค่าบวก)
lmer(ERPindex ~ practice*context + (1|participants) + (0 + practice|participants, data=base)
หรือฉันผิด (ที่ไม่เกี่ยวข้อง: ขอโทษแก้ไขเล็ก ๆ ของฉันโพสต์ของคุณหากคุณไม่เห็นด้วยกับการชี้แจงเพียงแค่เปลี่ยนมันกลับ.)