Я расширил ваш пример, чтобы кратко ответить на ваши вопросы, но я могу порекомендовать прочитать главу 15 из Snijders & Bosker (2012) или книгу от Singer & Willet (2003) для лучшего объяснения. День рассматривается как непрерывная переменная в вашей модели, видя, что у вас есть данные панели (т.е. каждый измеряется в тот же день), и день не имеет никакого значения, кроме указания разных случаев измерения, может быть лучше рассматривать день как фактор (т. е. использовать фиктивные переменные). Тем не менее, на данный момент я продолжу ваш пример
Ваша первая модель (я думаю, вы хотите, чтобы данные были вдавлены в данные1) дает фиксированный линейный уклон (т. Е. Средний наклон, без разницы в задачах, без разницы между отдельными лицами). Фиксированный перехват - это производительность, когда день равен 0, что не имеет смысла, поэтому вы можете рассмотреть возможность центрирования эффекта дня для лучшей интерпретации (или, действительно, использования манекенов). Случайный эффект дает индивидуальное отклонение от этого перехвата, который имеет оценочную дисперсию 0,00 в вашем примере, чтобы люди практически не отличались друг от друга в исходном положении.
m1 <- lmer(y ~ day + (1 | id), data=data)
summary(m1)
Random effects:
Groups Name Variance Std.Dev.
id (Intercept) 0.00 0.000
Residual 18.54 4.306
Number of obs: 250, groups: id, 25
Мы можем расширить эту модель, добавив взаимодействие с задачей. Это означает, что фиксированный наклон отличается для task1 и TASK2, который отвечает вопрос 2 Я считаю, (вы также можете использовать update()
обновить модель)
m2 <- lmer(y ~ day*task + (1|id), data = data)
summary(m2)
Эффектом дня в этой модели является фиксированным наклоном справки категории (task1), а взаимодействие - это разность между наклоном задачи 1 и задачей2. Фиксированный эффект задачи - разница в перехвате. модель подходит, можно оценить с помощью теста на отклонение, прочитать Snijders & Boskers (2012) для объяснения оценок ML и REML.
anova(m1,m2)
Чтобы добавить случайный эффект для роста индивидов мы можем обновлять модель снова, которая отвечает на вопрос 1
m3 <- lmer(y ~ day*task + (day|id), data = data)
summary(m3)
ranef(m3)
Случайные эффекты показывают индивидуальные отклонения в крутизны и перехвата. Краткое описание распределения ваших случайных эффектов включено в сводку модели (то же, что и для m1). Наконец, я думаю, что вы можете добавить случайный эффект для взаимодействия с день-задачами, чтобы оценить, отличаются ли люди от роста их производительности на task1 и task2. Но это во многом зависит от ваших данных и от производительности предыдущих моделей.
m4 <- lmer(y ~ day*task + (day*task|id), data = data)
summary(m4)
ranef(m4)
Надеюсь, это поможет. Книги, которые я рекомендовал, конечно же должны. Оба являются отличными примерами и объяснением теории (к сожалению, нет примеров R). Если вы решите модель фиксированного случая (эффект дня, выраженный манекенами), пакет nlme
предоставляет отличные возможности для управления ковариационной структурой случайных эффектов. Хорошая документация на упаковку предоставляется Pinheiro & Bates (2000).