如何解决逐步回归的混合效应模型lme4 语法
我正在尝试使用 lme4 语法为逐步回归(“向后选择”)构建一个最大模型,并且非常感谢您的帮助,因为这是我第一次这样做。
这是我的情况:在语言研究项目的背景下,我在六个不同的地点(VARIETY,级别:U、V、W、X、Y、Z)进行了一项心理语言学实验。实验测试了两个语言变量 A 和 B,每个变量有两个级别(真、假)。这些变量交叉:A(TRUE)+B(TRUE); A(真)+B(假); A(假)+B(真); A(FALSE)+B(FALSE),每种组合都用两种不同的词法进行测试,得到八个测试项目(ITEM,级别:S1-S8)。
由于实验采用拉丁方格设计,八个 ITEM 在四个材料组(MS,级别:MS1-4)中有所不同。参与者 (SUBJECT) 的评分被标准化为 z 分数 (Z_SCORE)。我要分析的数据集如下所示:
该实验的目的是找出 (1) 句法变量 A 和 B 的各种组合是否存在影响,以及 (2) 是否存在品种特异性影响。
因此,据我所知,在混合模型中,以下是固定效应:VARIETY、FEATURE_A 和 FEATURE_B。随机效应将是:SUBJECT、ITEM 和 MS。
我第一次尝试最大模型,使用 lme4 语法并基于我迄今为止阅读的文献,看起来像这样:Z_SCORE ~ VARIETY * FEATURE_A * FEATURE_B + (1|SUBJECT) + (1|ITEM) + (1|MS)。我已经在 R 中进行了逐步回归,看起来一切都很好,但是,我不确定我的 lme4 公式是否真的很好地说明了实验设置。尤其是ITEM和MS的关系,我现在还不确定。
非常感谢任何指示或想法。
- 编辑:这是我的数据集的可重现示例(我对 R 很陌生,所以我很抱歉没有以我还不熟悉的“dput”格式提供它):
SUBJECT
SUBJECT
品种
VARIETY
FEATURE_A
FEATURE_A
FEATURE_B
FEATURE_B
MS1
MS2
MS3
MS4
项目
ITEM
MS
MS
MS
set.seed(321)
Z_SCORE
df
df
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。