Kuvaan, mikä malli kukin lmer () -puhelusi sopii ja miten ne eroavat, ja vastaan sitten viimeiseen kysymykseesi satunnaisefektien valitsemisesta.
Kummassakin kolmessa mallissasi on kiinteät tehosteet käytännölle , context ja näiden kahden vuorovaikutukselle. Satunnaiset vaikutukset vaihtelevat mallien välillä.
lmer (ERPindex ~ käytäntö * konteksti + (1 | osallistujat), data = pohja)
sisältää satunnaisen sieppauksen, jonka jakavat henkilöt, joilla on sama arvo osallistujille . Toisin sanoen jokaisen osallistujan regressioviivaa siirretään ylös / alas satunnaisella summalla, jonka keskiarvo on 0 $.
lmer (ERPindex ~ käytäntö * konteksti + (1 + harjoittelu | osallistujat), data = base)
Tämä malli satunnaisen sieppauksen lisäksi , sisältää myös satunnaisen kaltevuuden käytännössä . Tämä tarkoittaa sitä, että yksilöiden oppimisnopeus on erilainen. Jos yksilöllä on positiivinen satunnainen vaikutus, niin se kasvaa keskimääräistä nopeammin harjoituksen aikana, kun taas negatiivinen satunnainen vaikutus osoittaa, että hän oppii keskimäärin vähemmän nopeasti harjoituksen aikana tai mahdollisesti huononee harjoittelun aikana satunnaisen varianssin mukaan vaikutus (tämä olettaa, että käytännön kiinteä vaikutus on positiivinen).
lmer (ERPindex ~ käytäntö * konteksti + (harjoittelu | osallistujat) + (harjoittelu | osallistujat: konteksti), data = pohja)
Tämä malli sopii satunnaiselle kaltevuudelle ja sieppaukselle käytännössä (sinun on tehtävä (käytäntö-1 | ...) estämään sieppaus), aivan kuten edellinen malli teki, mutta nyt olet myös lisännyt satunnaisen kaltevuuden ja siepannut tekijä osallistuja: konteksti , joka on uusi tekijä, jonka tasot ovat jokainen yhdistelmä osallistujissa ja context ja vastaavat satunnaisvaikutukset jaetaan havainnoilla, joilla on sama arvo sekä osallistujilla että context : lla. Tämän mallin sovittamiseksi sinulla on oltava useita havaintoja, joilla on samat arvot sekä osallistujille että context : lle, muuten mallia ei voida arvioida. Monissa tilanteissa tämän vuorovaikutusmuuttujan luomat ryhmät ovat hyvin harvinaisia ja johtavat erittäin meluisiin / vaikeasti sovitettaviin satunnaisvaikutelmamalleihin, joten haluat olla varovainen, kun käytät vuorovaikutustekijää ryhmittelymuuttujana.
korreloivat toistensa kanssa (kun taas yksilöitä, joita ei pidä korreloida) - satunnaiset vaikutukset toteuttavat tämän. Jos luulet havainnot, jotka jakavat sekä
osallistujien että
context tasot, ovat enemmän samanlaisia kuin näiden kahden osan summa, "vuorovaikutuksen" satunnaisvaikutuksen sisällyttäminen voi olla tarkoituksenmukaista.
Muokkaa: Kuten @Henrik kommenteissa mainitsee, sopivat mallit, esim .:
lmer (ERPindex ~ käytäntö * konteksti + ( 1 + harjoitus | osallistujat), data = base)
tee niin, että satunnainen kaltevuus ja satunnainen leikkaus korreloivat keskenään ja että malli arvioi korrelaation. Rajoittaaksesi mallia siten, että satunnainen kaltevuus ja satunnainen leikkaus ovat korreloimattomia (ja siksi riippumattomia, koska ne ovat normaalisti jakautuneita), sovitat sen sijaan mallin: konteksti + (1 | osallistujat) + (käytäntö-1 | osallistujat), data = pohja)
Valinnan näiden kahden välillä tulisi perustua siihen, ajatteletko esimerkiksi osallistujilla s, joiden lähtötaso on keskimääräistä korkeampi (ts. positiivinen satunnainen sieppaus), todennäköisesti myös muutosnopeus on keskimääräistä suurempi (ts. positiivinen satunnainen kaltevuus). Jos näin on, sallit näiden kahden korreloinnin, jos ei, rajoitat heidän olevan riippumattomia. (Tässäkin esimerkissä oletetaan, että kiinteän vaikutuksen kaltevuus on positiivinen).