สมมติว่าเรามีแบบจำลอง
mod <- Y ~ X*Condition + (X*Condition|subject)
# Y = logit variable
# X = continuous variable
# Condition = values A and B, dummy coded; the design is repeated
# so all participants go through both Conditions
# subject = random effects for different subjects
summary(model)
Random effects:
Groups Name Variance Std.Dev. Corr
subject (Intercept) 0.85052 0.9222
X 0.08427 0.2903 -1.00
ConditionB 0.54367 0.7373 -0.37 0.37
X:ConditionB 0.14812 0.3849 0.26 -0.26 -0.56
Number of obs: 39401, groups: subject, 219
Fixed effects:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 2.49686 0.06909 36.14 < 2e-16 ***
X -1.03854 0.03812 -27.24 < 2e-16 ***
ConditionB -0.19707 0.06382 -3.09 0.00202 **
X:ConditionB 0.22809 0.05356 4.26 2.06e-05 ***
ที่นี่เราสังเกตแบบเอกพจน์เนื่องจากความสัมพันธ์ระหว่างการสกัดกั้นและเอฟเฟกต์แบบสุ่มคือ -1 ตอนนี้ตามลิงค์ที่มีประโยชน์นี้วิธีหนึ่งในการจัดการกับโมเดลนี้คือการลบเอฟเฟกต์แบบสุ่มลำดับสูงกว่า (เช่น X: ConditionB) และดูว่าสิ่งนั้นสร้างความแตกต่างเมื่อทำการทดสอบความแปลกประหลาดหรือไม่ อีกวิธีคือใช้วิธีการแบบเบย์เช่นblme
แพ็คเกจเพื่อหลีกเลี่ยงภาวะเอกฐาน
วิธีการที่ได้รับการระบุล่วงหน้าคืออะไรและเพราะเหตุใด
ฉันถามสิ่งนี้เพราะการใช้ครั้งแรกหรือครั้งที่สองนำไปสู่ผลลัพธ์ที่แตกต่างกัน - ในกรณีแรกฉันจะลบเอฟเฟกต์แบบสุ่ม X: ConditionB และจะไม่สามารถประมาณความสัมพันธ์ระหว่าง X และ X: ConditionB แบบสุ่ม ในทางกลับกันการใช้blme
ช่วยให้ฉันเก็บ X: ConditionB และประเมินความสัมพันธ์ที่กำหนด ฉันไม่เห็นเหตุผลใดว่าทำไมฉันจึงควรใช้การประมาณแบบไม่เบย์และลบเอฟเฟกต์แบบสุ่มเมื่อมีเอกพจน์เกิดขึ้นเมื่อฉันสามารถประมาณทุกอย่างด้วยวิธีเบส์
ใครสามารถอธิบายให้ฉันฟังถึงประโยชน์และปัญหาโดยใช้วิธีการอย่างใดอย่างหนึ่งเพื่อจัดการกับเอกพจน์พอดี?
ขอบคุณ.