我想使用回归模型而不是“方差分析”在 R 中运行重复测量方差分析(AOV) 功能。
以下是我的 3 个受试者内因素的 AOV 代码示例:
m.aov<-aov(measure~(task*region*actiontype) + Error(subject/(task*region*actiontype)),data)
有人可以给我使用回归模型运行相同分析的确切语法吗?我想确保尊重残差的独立性,即使用与 AOV 一样的特定误差项。
在上一篇文章中,我读到了以下类型的答案:
lmer(DV ~ 1 + IV1*IV2*IV3 + (IV1*IV2*IV3|Subject), dataset))
我真的不确定这个解决方案,因为它仍然将变量视为受试者之间的变量,而且我不明白添加随机因素会如何改变这一点。
有人知道如何使用 lm/lmer 考虑剩余独立性来运行重复测量方差分析吗?
非常感谢,
索勒内
我在这里有一些更详细的工作示例:https://keithlohse.github.io/mixed_effects_models/lohse_MER_chapter_02.html https://keithlohse.github.io/mixed_effects_models/lohse_MER_chapter_02.html
但是,如果您想获得与方差分析同源的混合模型,您可以包含每个主题的随机截距:因子与您的主题内因素。例如。,
aov(DV~W1*W2*W3 + Error(SUBJECT/(W1*W2*W3)),data)
混合模型相当于:
lmer(speed ~
# Fixed Effects
W1*W2*W3 +
# Random Effects
(1|SUBJECT) + (1|W1:SUBJECT) + (1|W2:SUBJECT) + (1|W3:SUBJECT),
data = DATA,
REML = TRUE)
将 REML 设置为 TRUE 和平衡设计后,您应该获得与方差分析相同的自由度和 f 值。机器学习往往会低估方差分量,因此如果您正在比较嵌套模型并需要使用机器学习,您的结果将无法精确匹配。如果您不比较嵌套模型并且可以使用 REML,则方差分析和混合模型应该匹配(同样,在平衡设计中)。
对于 @skan 之前的回答和人们可能有的其他想法,我并不是说这是THE随机效应结构(因为包含随机斜率可能更合适W1
与随机截距相比),但如果每个主题有一个观察:条件,那么这些随机效应会产生相同的结果。
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)