Как оснастить случайную модель эффектов Предметом как случайную в R?
Механизм связи TheВ
@Input
В обрабатывается, поскольку часть followingВ изменяет detectionВ фазу, таким образом, входная привязка не доступна в конструкторе.
2 ответа
с использованием библиотеки nlme ...
Отвечая на заданный вами вопрос, вы можете создать модель смешанного эффекта случайного перехвата, используя следующий код:
> library(nlme)
> m1 <- lme(Score ~ Condition + Time + Condition*Time,
+ data = myDat, random = ~ 1 | Subject)
> summary(m1)
Linear mixed-effects model fit by REML
Data: myDat
AIC BIC logLik
31.69207 37.66646 -9.846036
Random effects:
Formula: ~1 | Subject
(Intercept) Residual
StdDev: 5.214638e-06 0.3151035
Fixed effects: Score ~ Condition + Time + Condition * Time
Value Std.Error DF t-value p-value
(Intercept) 0.6208333 0.2406643 14 2.579666 0.0218
Condition 0.7841667 0.3403507 6 2.303996 0.0608
Time 0.9900000 0.1114059 14 8.886423 0.0000
Condition:Time 0.0637500 0.1575517 14 0.404629 0.6919
Correlation:
(Intr) Condtn Time
Condition -0.707
Time -0.926 0.655
Condition:Time 0.655 -0.926 -0.707
Standardized Within-Group Residuals:
Min Q1 Med Q3 Max
-1.5748794 -0.6704147 0.2069426 0.7467785 1.5153752
Number of Observations: 24
Number of Groups: 8
Дисперсия перехвата в основном равна 0, что означает нет эффекта внутри объекта, поэтому эта модель плохо отражает отношения между временными интервалами. Модель случайного перехвата редко бывает тем типом модели, который вам нужен для дизайна с повторяющимися измерениями. Модель случайного перехвата предполагает, что корреляции между всеми моментами времени равны. то есть корреляция между временем 1 и временем 2 такая же, как между временем 1 и временем 3. При нормальных обстоятельствах (возможно, не тех, которые генерируют ваши поддельные данные), мы ожидаем, что более позднее будет меньше, чем первое. Авторегрессивная структура, как правило, лучше.
> m2<-gls(Score ~ Condition + Time + Condition*Time,
+ data = myDat, correlation = corAR1(form = ~ Time | Subject))
> summary(m2)
Generalized least squares fit by REML
Model: Score ~ Condition + Time + Condition * Time
Data: myDat
AIC BIC logLik
25.45446 31.42886 -6.727232
Correlation Structure: AR(1)
Formula: ~Time | Subject
Parameter estimate(s):
Phi
-0.5957973
Coefficients:
Value Std.Error t-value p-value
(Intercept) 0.6045402 0.1762743 3.429543 0.0027
Condition 0.8058448 0.2492895 3.232566 0.0042
Time 0.9900000 0.0845312 11.711652 0.0000
Condition:Time 0.0637500 0.1195452 0.533271 0.5997
Correlation:
(Intr) Condtn Time
Condition -0.707
Time -0.959 0.678
Condition:Time 0.678 -0.959 -0.707
Standardized residuals:
Min Q1 Med Q3 Max
-1.6850557 -0.6730898 0.2373639 0.8269703 1.5858942
Residual standard error: 0.2976964
Degrees of freedom: 24 total; 20 residual
Ваши данные показывают -,596 корреляции между моментами времени, что кажется странным. обычно должна быть как минимум положительная корреляция между моментами времени. Как были сгенерированы эти данные?
приложение:
С вашими новыми данными мы знаем, что процесс генерации данных эквивалентен модели случайного перехвата (хотя это не самое реалистичное для лонгитюдного исследования. Визуализация показывает, что Эффект времени кажется довольно линейным, поэтому мы должны чувствовать себя комфортно, рассматривая его как числовую переменную.
> library(nlme)
> m1 <- lme(Score ~ Condition + as.numeric(Time) + Condition*as.numeric(Time),
+ data = myDat, random = ~ 1 | Subject)
> summary(m1)
Linear mixed-effects model fit by REML
Data: myDat
AIC BIC logLik
38.15055 44.12494 -13.07527
Random effects:
Formula: ~1 | Subject
(Intercept) Residual
StdDev: 0.2457355 0.3173421
Fixed effects: Score ~ Condition + as.numeric(Time) + Condition * as.numeric(Time)
Value Std.Error DF t-value p-value
(Intercept) 1.142500 0.2717382 14 4.204415 0.0009
ConditionYes 1.748333 0.3842958 6 4.549447 0.0039
as.numeric(Time) 0.575000 0.1121974 14 5.124898 0.0002
ConditionYes:as.numeric(Time) -0.197500 0.1586710 14 -1.244714 0.2337
Correlation:
(Intr) CndtnY as.(T)
ConditionYes -0.707
as.numeric(Time) -0.826 0.584
ConditionYes:as.numeric(Time) 0.584 -0.826 -0.707
Standardized Within-Group Residuals:
Min Q1 Med Q3 Max
-1.44560367 -0.65018585 0.01864079 0.52930925 1.40824838
Number of Observations: 24
Number of Groups: 8
Мы видим значительный эффект Условий, указывающий на то, что условие «да» имеет тенденцию иметь более высокие баллы (примерно на 1,7) и значительный временной эффект, указывающий на то, что обе группы со временем растут.Поддерживая график, мы не обнаруживаем разницы во времени между двумя группами (взаимодействие), то есть наклоны одинаковы.
как минимум должна быть положительная корреляция между моментами времени. Как были сгенерированы эти данные?приложение:
С вашими новыми данными мы знаем, что процесс генерации данных эквивалентен модели случайного перехвата (хотя это не самое реалистичное для лонгитюдного исследования. Визуализация показывает, что влияние времени кажется довольно линейным, поэтому мы должны чувствовать себя комфортно, рассматривая его как числовую переменную.
> library(nlme)
> m1 <- lme(Score ~ Condition + as.numeric(Time) + Condition*as.numeric(Time),
+ data = myDat, random = ~ 1 | Subject)
> summary(m1)
Linear mixed-effects model fit by REML
Data: myDat
AIC BIC logLik
38.15055 44.12494 -13.07527
Random effects:
Formula: ~1 | Subject
(Intercept) Residual
StdDev: 0.2457355 0.3173421
Fixed effects: Score ~ Condition + as.numeric(Time) + Condition * as.numeric(Time)
Value Std.Error DF t-value p-value
(Intercept) 1.142500 0.2717382 14 4.204415 0.0009
ConditionYes 1.748333 0.3842958 6 4.549447 0.0039
as.numeric(Time) 0.575000 0.1121974 14 5.124898 0.0002
ConditionYes:as.numeric(Time) -0.197500 0.1586710 14 -1.244714 0.2337
Correlation:
(Intr) CndtnY as.(T)
ConditionYes -0.707
as.numeric(Time) -0.826 0.584
ConditionYes:as.numeric(Time) 0.584 -0.826 -0.707
Standardized Within-Group Residuals:
Min Q1 Med Q3 Max
-1.44560367 -0.65018585 0.01864079 0.52930925 1.40824838
Number of Observations: 24
Number of Groups: 8
Мы видим значительный эффект Условий, указывающий на то, что условие «да» имеет тенденцию иметь более высокие баллы (примерно на 1,7) и значительный временной эффект, указывающий на то, что обе группы со временем растут.Поддерживая график, мы не обнаруживаем разницы во времени между двумя группами (взаимодействие), то есть наклоны одинаковы.
как минимум должна быть положительная корреляция между моментами времени. Как были сгенерированы эти данные?приложение:
С вашими новыми данными мы знаем, что процесс генерации данных эквивалентен модели случайного перехвата (хотя это не самое реалистичное для лонгитюдного исследования. Визуализация показывает, что влияние времени кажется довольно линейным, поэтому мы должны чувствовать себя комфортно, рассматривая его как числовую переменную.
> library(nlme)
> m1 <- lme(Score ~ Condition + as.numeric(Time) + Condition*as.numeric(Time),
+ data = myDat, random = ~ 1 | Subject)
> summary(m1)
Linear mixed-effects model fit by REML
Data: myDat
AIC BIC logLik
38.15055 44.12494 -13.07527
Random effects:
Formula: ~1 | Subject
(Intercept) Residual
StdDev: 0.2457355 0.3173421
Fixed effects: Score ~ Condition + as.numeric(Time) + Condition * as.numeric(Time)
Value Std.Error DF t-value p-value
(Intercept) 1.142500 0.2717382 14 4.204415 0.0009
ConditionYes 1.748333 0.3842958 6 4.549447 0.0039
as.numeric(Time) 0.575000 0.1121974 14 5.124898 0.0002
ConditionYes:as.numeric(Time) -0.197500 0.1586710 14 -1.244714 0.2337
Correlation:
(Intr) CndtnY as.(T)
ConditionYes -0.707
as.numeric(Time) -0.826 0.584
ConditionYes:as.numeric(Time) 0.584 -0.826 -0.707
Standardized Within-Group Residuals:
Min Q1 Med Q3 Max
-1.44560367 -0.65018585 0.01864079 0.52930925 1.40824838
Number of Observations: 24
Number of Groups: 8
Мы видим значительный эффект Условий, указывающий на то, что условие «да» имеет тенденцию иметь более высокие баллы (примерно на 1,7) и значительный временной эффект, указывающий на то, что обе группы со временем растут.Поддерживая график, мы не обнаруживаем разницы во времени между двумя группами (взаимодействие), то есть наклоны одинаковы. Визуализация показывает, что влияние времени кажется довольно линейным, поэтому мы должны чувствовать себя комфортно, рассматривая его как числовую переменную.
> library(nlme)
> m1 <- lme(Score ~ Condition + as.numeric(Time) + Condition*as.numeric(Time),
+ data = myDat, random = ~ 1 | Subject)
> summary(m1)
Linear mixed-effects model fit by REML
Data: myDat
AIC BIC logLik
38.15055 44.12494 -13.07527
Random effects:
Formula: ~1 | Subject
(Intercept) Residual
StdDev: 0.2457355 0.3173421
Fixed effects: Score ~ Condition + as.numeric(Time) + Condition * as.numeric(Time)
Value Std.Error DF t-value p-value
(Intercept) 1.142500 0.2717382 14 4.204415 0.0009
ConditionYes 1.748333 0.3842958 6 4.549447 0.0039
as.numeric(Time) 0.575000 0.1121974 14 5.124898 0.0002
ConditionYes:as.numeric(Time) -0.197500 0.1586710 14 -1.244714 0.2337
Correlation:
(Intr) CndtnY as.(T)
ConditionYes -0.707
as.numeric(Time) -0.826 0.584
ConditionYes:as.numeric(Time) 0.584 -0.826 -0.707
Standardized Within-Group Residuals:
Min Q1 Med Q3 Max
-1.44560367 -0.65018585 0.01864079 0.52930925 1.40824838
Number of Observations: 24
Number of Groups: 8
Мы видим значительный эффект условия, указывающий на то, что условие «да» имеет тенденцию иметь более высокие оценки (на около 1,7) и значительный временной эффект, указывающий на то, что обе группы со временем растут. Поддерживая сюжет, мы не находим различного эффекта времени между двумя группами (взаимодействие). т.е. наклоны одинаковые.
Визуализация показывает, что влияние времени кажется довольно линейным, поэтому мы должны чувствовать себя комфортно, рассматривая его как числовую переменную.> library(nlme)
> m1 <- lme(Score ~ Condition + as.numeric(Time) + Condition*as.numeric(Time),
+ data = myDat, random = ~ 1 | Subject)
> summary(m1)
Linear mixed-effects model fit by REML
Data: myDat
AIC BIC logLik
38.15055 44.12494 -13.07527
Random effects:
Formula: ~1 | Subject
(Intercept) Residual
StdDev: 0.2457355 0.3173421
Fixed effects: Score ~ Condition + as.numeric(Time) + Condition * as.numeric(Time)
Value Std.Error DF t-value p-value
(Intercept) 1.142500 0.2717382 14 4.204415 0.0009
ConditionYes 1.748333 0.3842958 6 4.549447 0.0039
as.numeric(Time) 0.575000 0.1121974 14 5.124898 0.0002
ConditionYes:as.numeric(Time) -0.197500 0.1586710 14 -1.244714 0.2337
Correlation:
(Intr) CndtnY as.(T)
ConditionYes -0.707
as.numeric(Time) -0.826 0.584
ConditionYes:as.numeric(Time) 0.584 -0.826 -0.707
Standardized Within-Group Residuals:
Min Q1 Med Q3 Max
-1.44560367 -0.65018585 0.01864079 0.52930925 1.40824838
Number of Observations: 24
Number of Groups: 8
Мы видим значительный эффект условия, указывающий на то, что условие «да» имеет тенденцию иметь более высокие оценки (на около 1,7) и значительный временной эффект, указывающий на то, что обе группы со временем растут. Поддерживая сюжет, мы не находим различного эффекта времени между двумя группами (взаимодействие). т.е. наклоны одинаковые.
мы не находим различного эффекта времени между двумя группами (взаимодействие). т.е. наклоны одинаковые. мы не находим различного эффекта времени между двумя группами (взаимодействие). т.е. наклоны одинаковые.Это не ответ на ваш вопрос, но вы можете найти эту визуализацию ваших данных информативной.
library(ggplot2)
qplot(Time, Score, data = myDat, geom = "line",
group = Subject, colour = factor(Condition))
