我将描述您每次调用lmer()
拟合的模型以及它们的不同之处,然后回答有关选择随机效果的最终问题。
您的三个模型中的每个模型都包含的固定效果practice
,context
以及两者之间的相互作用。模型之间的随机效应不同。
lmer(ERPindex ~ practice*context + (1|participants), data=base)
包含由的相同值的个人共享的随机截距participants
。也就是说,每个participant
回归线的上移/下移均值为的随机量。0
lmer(ERPindex ~ practice*context + (1+practice|participants), data=base)
除随机截距外,此模型还包含的随机斜率practice
。这意味着个人从实践中学习的速度因人而异。如果一个人具有积极的随机效应,那么他们在实践中的学习速度会比平均水平更快,而负面的随机效应则表明他们在实践中学习的速度比平均值要慢,或者随着实践的发展而变差,这取决于随机性的方差效果(这是假设练习的固定效果为正)。
lmer(ERPindex ~ practice*context + (practice|participants) +
(practice|participants:context), data=base)
与先前的模型一样,该模型适合于随机斜率和截距practice
(您必须执行(practice-1|...)
抑制截距的操作),但是现在您还在factor中添加了随机斜率和截距participants:context
,这是一个新的因子,其水平存在于水平的每个组合participants
和context
和相应的随机效应是由具有两个相同的值的观测共享participants
和context
。为了适应这种模式,你需要有多种意见,即具有相同的值都participants
和context
否则该模型是不可估计的。在许多情况下,此交互变量创建的组非常稀疏,导致噪声/难以拟合随机效应模型,因此在将交互因子用作分组变量时要格外小心。
基本上(阅读:不要太复杂),当您认为分组变量定义了数据集中的不均匀性“口袋”,或者共享分组因子水平的个人应该相互关联时(互不相关的个体)-随机效应可达到此目的。如果您认为两者共享水平participants
并且context
比这两个部分的总和更相似的观察结果,则包括“相互作用”随机效应可能是合适的。
编辑:正如@Henrik在评论中提到的,您适合的模型,例如:
lmer(ERPindex ~ practice*context + (1+practice|participants), data=base)
使得随机斜率和随机截距彼此相关,并且该相关性由模型估计。为了限制模型,使随机斜率和随机截距不相关(因此是独立的,因为它们是正态分布的),您可以拟合模型:
lmer(ERPindex ~ practice*context + (1|participants) + (practice-1|participants),
data=base)
两者之间的选择应基于您是否认为,例如,participant
基线高于平均值(即正随机截距)的s的变化率也可能高于平均值(即正随机斜率)。如果是这样,则应允许两者相互关联,否则,则应将它们约束为独立的。(同样,此示例假定固定效果斜率为正)。
lmer(ERPindex ~ practice*context + (1|participants) + (0 + practice|participants, data=base)
还是我错了?(不相关:打扰您对我的帖子做些小的修改。如果您不同意澄清,请改回来)