Questions tagged «interaction»

我的尝试： 我无法获得置信区间 interaction.plot() 另一方面plotmeans()，“ gplot”包不会显示两个图表。此外，我不能在两个plotmeans()图之间加上两个图，因为默认情况下轴是不同的。 我使用plotCI()了'gplot'包并叠加了两个图形，但取得了一些成功，但是轴的匹配并不完美。 关于如何制作具有置信区间的交互图的任何建议？通过一个函数，或有关如何叠加plotmeans()或plotCI()图形的建议。 代码样本 br=structure(list(tangle = c(140L, 50L, 40L, 140L, 90L, 70L, 110L, 150L, 150L, 110L, 110L, 50L, 90L, 140L, 110L, 50L, 60L, 40L, 40L, 130L, 120L, 140L, 70L, 50L, 140L, 120L, 130L, 50L, 40L, 80L, 140L, 100L, 60L, 70L, 50L, 60L, 60L, 130L, 40L, 130L, …

11 r  data-visualization  confidence-interval  interaction 

假设我有数据： x1 <- rnorm(100,2,10) x2 <- rnorm(100,2,10) y <- x1+x2+x1*x2+rnorm(100,1,2) dat <- data.frame(y=y,x1=x1,x2=x2) res <- lm(y~x1*x2,data=dat) summary(res) 我想通过连续交互来绘制连续图，以使x1在X轴上，而x2用3条线表示，一条在Z分数为0时代表x2，在Z分数为+1时代表另一条，而在a Z分数为-1，每行分别有单独的颜色和标签。如何使用ggplot2执行此操作？ 例如，它可能看起来像这样（尽管当然使用不同的彩色线条而不是不同的线条类型）：

11 r  regression  ggplot2  interaction 

我正在研究一个数据集，以评估干燥对沉积物微生物活动的影响。目的是确定干燥的影响是否随沉积物类型和/或沉积物中深度的变化而变化。 实验设计如下： 第一因子沉积物对应于三种沉积物类型（编码为Sed1，Sed2，Sed3）。对于每种沉积物，在三个地点进行采样（Sed1为3个地点，Sed2为3个地点，Sed3为3个地点）。 网站编码：Site1，Site2，...，Site9。 下一个因素是水文：在每个站点内，在干地和湿地（编码为干/湿）中进行采样。 在每个上一个图中，以两个深度（D1，D2）一式三份进行采样。 总共有n = 108个样本= 3个沉积物* 3个地点* 2个水文学* 2个深度* 3个重复项。 我lme()在R（nlme软件包）中使用该函数，如下所示： Sediment <- as.factor(rep(c("Sed1","Sed2","Sed3"),each=36)) Site <- as.factor(rep(c("Site1","Site2","Site3","Site4","Site5", "Site6","Site7","Site8","Site9"),each=12)) Hydrology <- as.factor(rep(rep(c("Dry","Wet"),each=6),9)) Depth <- as.factor(rep(rep(c("D1","D2"),each=3),18)) Variable <- rnorm(108) mydata <- data.frame(Sediment,Site,Hydrology,Depth,Variable) mod1 <- lme(Variable ~ Sediment*Hydrology*Depth, data=mydata, random=~1|Site/Hydrology/Depth) anova(mod1) 我想进行事后比较，以测试一个术语是否有意义。 我能够做到这一点，以获得简单的主要效果（例如，沉积物）： summary(glht(mod1,linfct=mcp(Sediment="Tukey"))) 但是该glht()功能不适用于交互条件。 我发现以下方法可以用于两向方差分析： mod1 <- lme(Variable~Sediment*Hydrology, …

11 mixed-model  interaction  post-hoc  lme4-nlme 

有没有一种方法可以了解两条线（或多或少）是否平行？我有两条线是从线性回归生成的，我想了解它们是否平行。换句话说，我想得到这两条线的斜率的不同。 是否有R函数来计算？ 编辑： ...，以及如何获得线性回归线的斜率（以度为单位）？

11 r  regression  interaction  linear-model 

对于给定的一对风险-结果关联，是否有可能同时充当效果（度量）修饰符和混杂因素的变量？ 我仍然不确定该区别。我已经看过图形符号来帮助我理解它们之间的差异，但是符号上的差异令人困惑。对两者以及何时可能重叠的图形/视觉解释将很有用。

10 interaction  causality  confounding 

我已经执行了三向重复测量方差分析；事后分析有效吗？ 这是一个完全平衡的设计（2x2x2），其中一个因素具有重复进行内部测量的功能。我知道R中重复测量ANOVA的多变量方法，但是我的第一个直觉是继续进行ANOVA的简单aov（）风格： aov.repeated <- aov(DV ~ IV1 * IV2 * Time + Error(Subject/Time), data=data) DV =响应变量 IV1 =自变量1（2个级别，A或B） IV2 =自变量2（2个级别，是或否） IV3 =时间（2级，之前或之后） 主题=主题ID（总共40个主题，每个IV1级别20个：nA = 20，nB = 20） summary(aov.repeated) Error: Subject Df Sum Sq Mean Sq F value Pr(>F) IV1 1 5969 5968.5 4.1302 0.049553 * IV2 1 3445 3445.3 2.3842 …

10 r  anova  repeated-measures  interaction  post-hoc 

假设我对线性回归模型，用于ÿ一世= β0+ β1个X1个+ β2X2+ β3X1个X2Yi=β0+β1x1+β2x2+β3x1x2Y_i = \beta_0 + \beta_1x_1 + \beta_2x_2 + \beta_3x_1x_2，因为我想看看如果两个协变量之间的相互作用产生作用在Y。 在教授的课程笔记中（我没有与之联系），其中指出：当包括互动术语时，您应该包括他们的第二学位术语。即ÿ一世= β0+ β1个X1个+ β2X2+ β3X1个X2+ β4X21个+ β5X22Yi=β0+β1x1+β2x2+β3x1x2+β4x12+β5x22Y_i = \beta_0 + \beta_1x_1 + \beta_2x_2 + \beta_3x_1x_2 +\beta_4x_1^2 + \beta_5x_2^2应包含在回归。 当我们仅对互动感兴趣时，为什么要包含第二学位？

10 regression  multiple-regression  interaction  linear-model 

我衷心希望我对这个问题的表述方式能够得到明确的回答-如果没有，请让我知道，我会再试一次！我还应该注意，我将使用R进行这些分析。 我plant performance (Ys)怀疑有几种措施受到了我实施的四种治疗的影响- flower thinning (X1), fertilization (X2), leaf clipping (X3)和biased flower thinning (X4)。对于所有可能的Y，N至少为242，因此我的样本量很大。所有地块都进行了稀疏或不间断处理，但每个地块也经历了其他三种处理方式中的一种（也只有一种）（或没有，也有对照地块）。该设计的目的是测试其他三种处理是否能够“掩盖”或“增强”细化效果。因此，通过设计，后三种处理（X2-X4）不能相互作用彼此，因为他们没有交叉，但他们可以每疏花互动-他们可能会做。 我的明确假设是：1）开花稀疏将很重要，并且2）X1*X2, X1*X3, and X1*X4,花卉稀疏与其他三种处理之间的相互作用项也将很重要。就是说，疏花应该很重要，但是其他三种处理方式却应该大大改变疏花的方式。 我想将所有这些信息包括在混合模型中： Y ~ X0 + X1 + X2 + X3 + X4 + X1*X2 + X1*X3 + X1*X4 + (Up to three random effects) 但是有一个困扰：我有充分的理由相信细化对Y的影响是非线性的。它们可能是二次方的，但在某些情况下甚至可能是三次方的。这是因为细化对性能的影响很可能在更高的细化水平下更快地增加。如果我尝试通过为X1添加二次项和三次项来通过上述等式对这种非线性关系进行建模，那么我不确定如何对交互项进行建模-我应该包括X1的所有可能组合（X1）^ 2，以及（X1）^ 3 * X2，X3和X4？因为即使有我拥有的数据点的数量，这似乎也要尝试估计很多参数，而且我不确定如何解释得到的结果。就是说，我没有生物学上的理由认为这将是对情况进行建模的不明智的方式。 因此，对于如何解决此问题，我有三点想法： 首先拟合一个较小的模型，例如Y …

10 hypothesis-testing  mixed-model  interaction  nonlinear  regression-strategies 

我对连续变量和分类变量之间的相互作用系数的解释有疑问。这是我的模型： model_glm3=glm(cog~lg_hag+race+pdg+sex+as.factor(educa)+(lg_hag:as.factor(educa)), data=base_708) Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 21.4836 2.0698 10.380 < 2e-16 *** lg_hag 8.5691 3.7688 2.274 0.02334 * raceblack -8.4715 1.7482 -4.846 1.61e-06 *** racemexican -3.0483 1.7073 -1.785 0.07469 . racemulti/other -4.6002 2.3098 -1.992 0.04687 * pdg 2.8038 0.4268 6.570 1.10e-10 *** sexfemale 4.5691 1.1203 …

10 categorical-data  generalized-linear-model  interaction  interpretation 

这只是我多次遇到的示例，因此我没有任何示例数据。在R中运行线性回归模型： a.lm = lm(Y ~ x1 + x2) x1是一个连续变量。x2是分类的，具有三个值，例如“低”，“中”和“高”。但是，R给出的输出将类似于： summary(a.lm) Estimate Std. Error t value Pr(>|t|) (Intercept) 0.521 0.20 1.446 0.19 x1 -0.61 0.11 1.451 0.17 x2Low -0.78 0.22 -2.34 0.005 x2Medium -0.56 0.45 -2.34 0.005 我知道R在这种因素（x2是一个因素）上引入了某种虚拟编码。我只是想知道，如何解释x2“高”值？例如，x2在此处给出的示例中，“ High” 对响应变量有什么影响？ 我在其他地方（例如这里）已经看到了这样的示例，但是还没有找到我能理解的解释。

10 r  regression  categorical-data  regression-coefficients  categorical-encoding  machine-learning  random-forest  anova  spss  r  self-study  bootstrap  monte-carlo  r  multiple-regression  partitioning  neural-networks  normalization  machine-learning  svm  kernel-trick  self-study  survival  cox-model  repeated-measures  survey  likert  correlation  variance  sampling  meta-analysis  anova  independence  sample  assumptions  bayesian  covariance  r  regression  time-series  mathematical-statistics  graphical-model  machine-learning  linear-model  kernel-trick  linear-algebra  self-study  moments  function  correlation  spss  probability  confidence-interval  sampling  mean  population  r  generalized-linear-model  prediction  offset  data-visualization  clustering  sas  cart  binning  sas  logistic  causality  regression  self-study  standard-error  r  distributions  r  regression  time-series  multiple-regression  python  chi-squared  independence  sample  clustering  data-mining  rapidminer  probability  stochastic-processes  clustering  binary-data  dimensionality-reduction  svd  correspondence-analysis  data-visualization  excel  c#  hypothesis-testing  econometrics  survey  rating  composite  regression  least-squares  mcmc  markov-process  kullback-leibler  convergence  predictive-models  r  regression  anova  confidence-interval  survival  cox-model  hazard  normal-distribution  autoregressive  mixed-model  r  mixed-model  sas  hypothesis-testing  mediation  interaction 

我试图了解因素在R中的确切作用。假设我想使用R中的一些样本数据进行回归： > data(CO2) > colnames(CO2) [1] "Plant" "Type" "Treatment" "conc" "uptake" > levels(CO2$Type) [1] "Quebec" "Mississippi" > levels(CO2$Treatment) [1] "nonchilled" "chilled" > lm(uptake ~ Type + Treatment, data = CO2) Call: lm(formula = uptake ~ Type + Treatment, data = CO2) Coefficients: (Intercept) TypeMississippi Treatmentchilled 36.97 -12.66 -6.86 我了解这一点，TypeMississippi并将Treatmentchilled其视为布尔值：对于每一行，初始摄取为36.97，12.66如果它是密西西比州的类型并且6.86是冷藏的，我们就减去它。我在理解以下内容时遇到了麻烦： > …

10 r  regression  interaction 

假设我正在运行线性回归，其形式为。y=β0+β1A+β2B+β3AB+ϵy=β0+β1A+β2B+β3AB+ϵy = \beta_0 + \beta_1A+\beta_2B+\beta_3AB +\epsilon 如果β3β3\beta_3为正，是否表示AAA和B之间为正相关BBB？（相反，如果β3β3\beta_3为负，是否为负相关？）

9 regression  interaction 

当两个独立变量之间存在交互时，我很难解释交互图。 下图来自此站点： 此处，和是自变量，是因变量。一个AA乙BBd VDVDV 问：有互动的主要作用，但没有主效应一个AA乙BB 我可以看到，如果B在，则的值越高，的值越高，否则，无论的值如何，都是恒定。因此，存在之间的相互作用和和的主效应（因为较高导致更高，保持以恒定）。一个AAd VDVDV乙1个B1B_1d VDVDV一个AA一个AABBBAAAAAADVDVDVBBBB1B1B_1 另外，我可以看到不同层次的会导致不同程度的，拿着常数。因此，存在B的主要作用。但是，事实显然并非如此。因此，这必须表示我错误地解释了交互图。我究竟做错了什么？BBBDVDVDVAAA 我也错误地解释了情节6-8。我用来解释它们的逻辑与我上面使用的逻辑相同，所以如果我知道我在上面犯的错误，我应该能够正确解释其余的逻辑。否则，我将更新此问题。

9 data-visualization  interaction  interpretation 

我想在同一张图上绘制连续预测变量和分类主持人之间的相互作用。我知道当两者都是绝对的（因素相互作用）时该怎么做，但是当一个人连续且一个是绝对的时，我真的不知道该怎么做。

9 data-visualization  categorical-data  interaction  continuous-data 

我正在运行分层回归分析，但我有一些疑问： 我们是否使用居中变量计算交互作用项？ 除了因变量外，我们是否必须将数据集中所有连续变量居中？ 当我们必须记录一些变量时（因为它们的sd远远高于平均值），我们是否应该将刚刚记录的变量或初始变量居中？ 例如：变量“ Turnover” --->记录的成交量（因为sd相对于平均值而言过高）---> Centered_Turnover？ 或直接是营业额-> Centered_Turnover（我们一起工作） 谢谢！！

9 interaction  multicollinearity  centering