В чем разница между (~ 1 + ....) и (1 | ...) и (0 | ...) и т. Д.?
Скажем, у вас есть переменная V1, предсказанная категориальной переменной V2, которая рассматривается как случайный эффект, и непрерывная переменная V3, которая рассматривается как линейный фиксированный эффект. Используя синтаксис lmer, простейшая модель (M1):
V1 ~ (1|V2) + V3
Эта модель будет оценивать:
P1: глобальный перехват
P2: Случайный эффект перехватывает для V2 (то есть для каждого уровня V2 отклонение перехвата этого уровня от глобального перехвата)
P3: единая глобальная оценка эффекта (наклона) V3
Следующая наиболее сложная модель (M2):
V1 ~ (1|V2) + V3 + (0+V3|V2)
Эта модель оценивает все параметры из M1, но дополнительно оценит:
P4: Эффект V3 в каждом уровне V2 (более конкретно, степень, в которой эффект V3 в пределах данного уровня отклоняется от общего эффекта V3), в то же время обеспечивая нулевую корреляцию между отклонениями перехвата и отклонениями эффекта V3 по уровням из V2 .
Это последнее ограничение ослаблено в последней самой сложной модели (M3):
V1 ~ (1+V3|V2) + V3
В котором оцениваются все параметры из M2, в то же время допускается корреляция между отклонениями перехвата и отклонениями эффекта V3 в пределах уровней V2. Таким образом, в M3 оценивается дополнительный параметр:
P5: корреляция между отклонениями перехвата и отклонениями V3 по уровням V2
Обычно пары моделей, такие как M2 и M3, вычисляются, а затем сравниваются для оценки доказательств корреляции между фиксированными эффектами (включая глобальный перехват).
Теперь рассмотрите возможность добавления другого предиктора с фиксированным эффектом, V4. Модель:
V1 ~ (1+V3*V4|V2) + V3*V4
оценил бы:
P1: глобальный перехват
P2: единая глобальная оценка эффекта V3
P3: единая глобальная оценка эффекта V4
P4: единая глобальная оценка взаимодействия между V3 и V4
P5: отклонения перехвата от P1 на каждом уровне V2
P6: отклонения эффекта V3 от P2 на каждом уровне V2
P7: отклонения эффекта V4 от P3 на каждом уровне V2
P8: отклонения взаимодействия V3 от V4 от P4 на каждом уровне V2
P9 Корреляция между P5 и P6 по уровням V2
P10 Корреляция между P5 и P7 по уровням V2
P11 Корреляция между P5 и P8 по уровням V2
P12 Корреляция между P6 и P7 по уровням V2
P13 Корреляция между P6 и P8 по уровням V2
P14 Корреляция между P7 и P8 по уровням V2
Фу , это много параметров! И я даже не удосужился перечислить параметры дисперсии, оцененные моделью. Более того, если у вас есть категориальная переменная с более чем 2 уровнями, которую вы хотите смоделировать как фиксированный эффект, вместо одного эффекта для этой переменной вы всегда будете оценивать k-1 эффекты (где k - количество уровней) , тем самым взорвав количество параметров, которые будут оцениваться моделью, еще дальше.
lme4
пакета можно найти на CRAN