Я опишу, к какой модели lmer()
подходит каждый ваш призыв и как они различаются, а затем отвечу на ваш последний вопрос о выборе случайных эффектов.
Каждый из ваших трех моделей содержат фиксированные эффекты для practice
, context
и взаимодействия между ними. Случайные эффекты различаются между моделями.
lmer(ERPindex ~ practice*context + (1|participants), data=base)
participants
participant
0
lmer(ERPindex ~ practice*context + (1+practice|participants), data=base)
Эта модель, в дополнение к случайному перехвату, также содержит случайный наклон в practice
. Это означает, что скорость, с которой люди учатся на практике, отличается от человека к человеку. Если человек имеет положительный случайный эффект, то он увеличивается быстрее с практикой, чем в среднем, в то время как отрицательный случайный эффект указывает, что он учится менее быстро с практикой, чем в среднем, или, возможно, ухудшается с практикой, в зависимости от дисперсии случайного эффект (при условии, что фиксированный эффект от практики положительный).
lmer(ERPindex ~ practice*context + (practice|participants) +
(practice|participants:context), data=base)
Эта модель соответствует случайному наклону и перехвату practice
(вы должны сделать, (practice-1|...)
чтобы подавить перехват), как и предыдущая модель, но теперь вы также добавили случайный наклон и перехват в множителе participants:context
, который является новым фактором, уровни которого являются каждой комбинацией уровней, присутствующих в participants
и, context
и соответствующие случайные эффекты являются общими для наблюдений, которые имеют одинаковое значение обоих participants
и context
. Чтобы соответствовать этой модели, вам нужно иметь несколько наблюдений, которые имеют одинаковые значения для обоих participants
иcontext
или модель не оценивается. Во многих ситуациях группы, создаваемые этой переменной взаимодействия, очень редки и приводят к очень шумным / трудным для подбора моделям случайных эффектов, поэтому вы должны быть осторожны при использовании фактора взаимодействия в качестве переменной группировки.
В основном (читай: не усложняя) случайные эффекты следует использовать, когда вы думаете, что переменные группировки определяют «карманы» неоднородности в наборе данных или что лица, которые разделяют уровень фактора группировки, должны коррелировать друг с другом (в то время как индивиды, которые не должны коррелировать) - случайные эффекты достигают этого. Если вы думаете, что наблюдения, которые разделяют уровни обоих participants
и context
более похожи, чем сумма двух частей, тогда включение случайного эффекта «взаимодействия» может быть уместным.
Изменить: Как @Henrik упоминает в комментариях, модели, которые вам подходят, например:
lmer(ERPindex ~ practice*context + (1+practice|participants), data=base)
сделать так, чтобы случайный наклон и случайный перехват коррелировались друг с другом, и эта корреляция оценивалась моделью. Чтобы ограничить модель таким образом, чтобы случайный наклон и случайный перехват были некоррелированными (и, следовательно, независимыми, поскольку они обычно распределены), вместо этого вы должны подогнать модель:
lmer(ERPindex ~ practice*context + (1|participants) + (practice-1|participants),
data=base)
Выбор между этими двумя должен основываться на том, что, по вашему мнению, например, participant
s с более высоким базовым уровнем, чем в среднем (т. Е. Положительный случайный перехват), также могут иметь более высокую скорость изменения, чем в среднем (т. Е. Положительный случайный наклон). Если это так, вы бы позволили обоим быть коррелированными, а если нет, вы бы заставили их быть независимыми. (Опять же, в этом примере предполагается, что фиксированный наклон эффекта положительный).
lmer(ERPindex ~ practice*context + (1|participants) + (0 + practice|participants, data=base)
Или я не прав? (Не связано: Извините, что я немного отредактировал ваш пост. Если вы не согласны с разъяснениями, просто измените его обратно)