我对使用混合模型/ lmer有疑问。基本模型是这样的:
lmer(DV ~ group * condition + (1|pptid), data= df)
组和条件都是两个因素:组具有两个级别(组A,组B),条件具有三个级别(条件1,条件2,条件3)。它是来自人类受试者的数据,因此pptid对每个人都是随机效应。
该模型找到以下带有p值的输出:
Estimate MCMCmean HPD95lower HPD95upper pMCMC Pr(>|t|)
(Intercept) 6.1372 6.1367 6.0418 6.2299 0.0005 0.0000
groupB -0.0614 -0.0602 -0.1941 0.0706 0.3820 0.3880
condition2 0.1150 0.1151 0.0800 0.1497 0.0005 0.0000
condition3 0.1000 0.1004 0.0633 0.1337 0.0005 0.0000
groupB:condition2 -0.1055 -0.1058 -0.1583 -0.0610 0.0005 0.0000
groupB:condition3 -0.0609 -0.0612 -0.1134 -0.0150 0.0170 0.0148
现在,我知道列出的行将因素的每个级别与参考级别进行了比较。对于组,参考是groupA,对于条件,参考是condition1。
通过以下方式解释此输出是否正确:
- 两组之间没有总体差异(因此,ap≥0.05的groupB)
- 条件1和条件2之间以及条件1和条件3之间的总体差异。
- 组A,条件1与组B,条件2之间的差异,以及组A,条件1与组B,条件3之间的差异。
那是对的吗?对于两个不同因素之间的相互影响,我对如何解释这一点感到有些困惑。
我在这里阅读了各种问题,并进行了一些网络搜索,并设法通过glht建立了对比:这是否是一种更好的方式来查看组和条件之间的差异?考虑到此处存在交互的迹象,我认为情况就是如此。
但是,如果要在条件= 2(或3)时将组= B与参考水平组= A进行比较?有可能的?而且,如果“条件1 vs.条件2与Group1的条件不同时,条件1和条件2之间的差异不同”,则感觉相同。 ”。那是对的吗?否则,它们的p值是多少?
这看起来不像是对该问题的答案。相反,您有一个新问题。最好这样发布。
—
Nick Cox