আমি ব্যবহার কিছু আচরণগত ডেটা বিশ্লেষণ করছি lme4মধ্যে Rবেশিরভাগই নিম্নলিখিত বোডো উইন্টার'স চমৎকার টিউটোরিয়াল , কিন্তু আমি বুঝতে পারছি না আমি যদি পারস্পরিক ক্রিয়ার হ্যান্ডলিং করছি সঠিকভাবে। সবচেয়ে খারাপ বিষয়, এই গবেষণার সাথে জড়িত অন্য কেউ মিশ্র মডেল ব্যবহার করেন না, তাই জিনিসগুলি সঠিক হওয়ার বিষয়টি নিশ্চিত হওয়ার সময় আমি কিছুটা বুদ্ধিমান হই।
সাহায্যের জন্য কেবল কান্নাকাটি করার পরিবর্তে, আমি ভেবেছিলাম সমস্যাটি ব্যাখ্যা করার জন্য আমার যথাসাধ্য চেষ্টা করা উচিত, এবং তারপরে আপনার সম্মিলিত সংশোধন প্রার্থনা করব। আরও কয়েকটি সহায়ক হলেন:
- লেখার সময়, আমি এই প্রশ্নটি পেয়েছি , এটি দেখিয়েছি যে
nlmeইন্টারঅ্যাকশন শর্তাদির জন্য আরও সরাসরি পি মান দেয়, তবে আমি মনে করি এটি এখনও সম্পর্কের সাথে জিজ্ঞাসা করার জন্য বৈধlme4। Livius'এই প্রশ্নের উত্তরে প্রচুর অতিরিক্ত পড়ার লিঙ্ক সরবরাহ করা হয়েছে, যা আমি পরের কয়েক দিনের মধ্যে পাওয়ার চেষ্টা করব, সুতরাং যে কোনও অগ্রগতি নিয়ে আমি মন্তব্য করব।
আমার ডেটাতে, আমার একটি নির্ভরশীল পরিবর্তনশীল dv, একটি conditionহেরফের (0 = নিয়ন্ত্রণ, 1 = পরীক্ষামূলক শর্ত, যার ফলস্বরূপ উচ্চতর হওয়া উচিত dv) এবং লেবেলযুক্ত একটি পূর্বশর্ত appropriate: এর 1জন্য কোডযুক্ত পরীক্ষাগুলির প্রভাবটি প্রদর্শিত হবে, তবে ট্রায়ালগুলি কোডিং 0হতে পারে না, কারণ একটি গুরুত্বপূর্ণ বিষয় অনুপস্থিত।
আমি প্রতিটি বিষয়ের মধ্যে দুটি সম্পর্কিত এন্ড্রসেপ্টসও অন্তর্ভুক্ত করেছি, এর জন্য subjectএবং এর জন্য target, dvপ্রতিটি বিষয়ের মধ্যে পারস্পরিক সম্পর্কযুক্ত মানগুলি প্রতিফলিত করে এবং 14 টি সমস্যার সমাধান করা প্রতিটিটির মধ্যে (প্রতিটি অংশগ্রহণকারী একটি নিয়ন্ত্রণ এবং প্রতিটি সমস্যার পরীক্ষামূলক সংস্করণ উভয়ই সমাধান করেছেন)।
library(lme4)
data = read.csv("data.csv")
null_model = lmer(dv ~ (1 | subject) + (1 | target), data = data)
mainfx_model = lmer(dv ~ condition + appropriate + (1 | subject) + (1 | target),
data = data)
interaction_model = lmer(dv ~ condition + appropriate + condition*appropriate +
(1 | subject) + (1 | target), data = data)
summary(interaction_model)আউটপুট:
## Linear mixed model fit by REML ['lmerMod']
## ...excluded for brevity....
## Random effects:
## Groups Name Variance Std.Dev.
## subject (Intercept) 0.006594 0.0812
## target (Intercept) 0.000557 0.0236
## Residual 0.210172 0.4584
## Number of obs: 690, groups: subject, 38; target, 14
##
## Fixed effects:
## Estimate Std. Error t value
## (Intercept) 0.2518 0.0501 5.03
## conditioncontrol 0.0579 0.0588 0.98
## appropriate -0.0358 0.0595 -0.60
## conditioncontrol:appropriate -0.1553 0.0740 -2.10
##
## Correlation of Fixed Effects:
## ...excluded for brevity.আনোভা তারপরে interaction_modelতুলনামূলকভাবে আরও ভাল ফিট হতে দেখায় mainfx_model, সেখান থেকে আমি এই সিদ্ধান্তে পৌঁছেছি যে একটি উল্লেখযোগ্য ইন্টারঅ্যাকশন উপস্থিত রয়েছে (পি = .035)।
anova(mainfx_model, interaction_model)আউটপুট:
## ...excluded for brevity....
## Df AIC BIC logLik deviance Chisq Chi Df Pr(>Chisq)
## mainfx_model 6 913 940 -450 901
## interaction_model 7 910 942 -448 896 4.44 1 0.035 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1সেখান থেকে, আমি সেই ডেটার একটি উপসেট বিচ্ছিন্ন করি যার জন্য appropriateপ্রয়োজনীয়তা পূরণ করা হয় (অর্থাত্ appropriate = 1), এবং এটির জন্য একটি শূন্য মডেল মাপসই করা হয়, এবং একটি মডেল conditionযেমন একটি ফলস্বরূপ, পুনরায় আনোভা ব্যবহার করে দুটি মডেলের তুলনা করে, এবং দেখুন, এটি সন্ধান করুন conditionএকটি গুরুত্বপূর্ণ ভবিষ্যদ্বাণী।
good_data = data[data$appropriate == 1, ]
good_null_model = lmer(dv ~ (1 | subject) + (1 | target), data = good_data)
good_mainfx_model = lmer(dv ~ condition + (1 | subject) + (1 | target), data = good_data)
anova(good_null_model, good_mainfx_model)আউটপুট:
## Data: good_data
## models:
## good_null_model: dv ~ (1 | subject) + (1 | target)
## good_mainfx_model: dv ~ condition + (1 | subject) + (1 | target)
## Df AIC BIC logLik deviance Chisq Chi Df Pr(>Chisq)
## good_null_model 4 491 507 -241 483
## good_mainfx_model 5 487 507 -238 477 5.55 1 0.018 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
lme4: stats.stackexchange.com/questions/118416/…