Mõelge ainete kujundamisel järgmistele kahepoolsetele andmetele:
df <- "http://personality-project.org/r/datasets/R.appember4.data" df <- read.table (df, header = T) head (df) Vaatlusaine Ülesande Valentsuse tagasikutsumine1 1 Jim Free Neg 82 2 Jim Free Neu 93 3 Jim Free Pos 54 4 Jim Cued Neg 75 5 Jim Cued Neu 96 6 Jim Cued 10. positsioon Sooviksin seda analüüsida segaliinmudelite abil. Arvestades kõiki võimalikke fikseeritud ja juhuslikke efekte, on mitu võimalikku mudelit:
# erinevad fikseeritud efektid juhusliku intercepta0 <-lmeriga (tagasikutsumine ~ 1 + (1 | Teema), REML = F , df) a1 <- lmer (Meenuta ~ Task + (1 | Teema), REML = F, df) a2 <- lmer (Meenuta ~ Valence + (1 | Teema), REML = F, df) a3 <- lmer ( Meenuta ~ Task + Valence + (1 | Subject), REML = F, df) a4 <- lmer (Recall ~ Task * Valence + (1 | Subject), REML = F, df) # erinevat fikseeritud efekti juhusliku pealtkuulamise- random-slopeb0 <- lmer (Meenuta ~ 1 + (1 | Teema) + (0 + Ülesanne | Teema) + (0 + Valents | Teema), REML = F, df) b1 <- lmer (Meenuta ~ Ülesanne + (1 | Subject) + (0 + Task | Subject) + (0 + Valence | Subject), REML = F, df) b2 <- lmer (Recall ~ Valence + (1 | Subject) + (0 + Task | Subject) + ( 0 + valents | subjekt), REML = F, df) b3 <- lmer (tagasikutsumine ~ ülesanne + valents + (1 | teema) + (0 + ülesanne | teema) + (0 + valents | subjekt), REML = F, df) b4 <- lmer (Meenuta ~ Ülesanne * Valents + (1 | Teema) + (0 + Ülesanne | Teema ) + (0 + valents | subjekt), REML = F, df) # erinevat fikseeritud efekti, millel on juhuslik lõikumine - juhuslik kalle, sealhulgas dispersioon-kovariantsuse maatriks c0 <- lmer (tagasikutsumine ~ 1 + (1 + valents + ülesanne | teema) , REML = F, df) c1 <- lmer (Meenuta ~ Task + (1 + Valence + Task | Teema), REML = F, df) c2 <- lmer (Meenuta ~ Valence + (1 + Valence + Task | Teema) , REML = F, df)
c3 <- lmer (Meenuta ~ ülesanne + valents + (1 + valents + ülesanne | teema), REML = F, df) c4 <- lmer (tagasikutsumine ~ ülesanne * valents + (1 + valents + ülesanne | Teema), REML = F, df) -
Milline on soovitatav viis selles kontekstis kõige paremini sobiva mudeli valimiseks? Mis on logi-tõenäosuse suhte testide kasutamisel soovitatav protseduur? Kas genereerida mudeleid ülespoole (nullmudelist kõige keerukamaks) või allapoole (keerukamast mudelist nullmudelini)? Järk-järguline kaasamine või väljajätmine? Või on soovitatav panna kõik mudelid ühte log-tõenäosuse suhte testi ja valida madalaima p-väärtusega mudel? Kuidas võrrelda mudeleid, mis pole pesastatud?
-
Kas on soovitatav leida kõigepealt sobiv fikseeritud efektiga struktuur ja seejärel sobiv juhuslike efektide struktuur või vastupidi (I kas olete leidnud viited mõlemale võimalusele ...)?
-
Milline on soovitatav viis tulemustest teatamiseks? P-väärtuse teatamine log-tõenäosuse suhte testist, milles võrreldakse täielikku segamudelit (kõnealuse efektiga) vähendatud mudeliga (ilma kõnealuse efektita). Või on parem kasutada logi-tõenäosuse suhte testi kõige paremini sobiva mudeli leidmiseks ja seejärel kasutada lmerTesti, et anda p-väärtused kõige sobivama mudeli efektidest?