逐步回归的混合效应模型lme4 语法

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：

Dataset example

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：V​​ARIETY、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