问题描述
我是 R 中多级线性回归的新手,我想知道我指定的模型是否正确,因为我觉得自由度很可疑。 我的数据: Y:接受程度(满意) 在实验中,我操纵了三个因子(2x2x2):
- 合作(是,否),
- 驾驶风格(保守、动态)
- 和工作量(低、高)。
每位参与者都参与了所有八个由此产生的驾驶场景(在设计范围内) 我将这些变量作为一级效应编码预测变量。
此外,我添加了一些二级预测变量:
- 手动驾驶方式(两个子量表:aDS + mds)
- 感觉寻求分数 (SS)
- 控制点(两个子量表:ILOC + ELOC)
这是我在 R 中指定的模型:
MHs <- lmer(Satisfaction ~ 1 + ef_kooP*ef_ds + ef_kooP*ef_wl + ef_kooP*aDS.c + ef_kooP*mds.c + ef_kooP*SS.c + ef_kooP*IL.c + ef_kooP*EL.c + ef_ds*aDS.c + ef_ds*mds.c + (1 + ef_koop + ef_ds|ID))
我有 231 名参与者和 1848 次观察。
我关心的是自由度。在我看来,三个效应编码的变量不应该有不同的自由度(我可以理解一级和二级变量是否有不同的 dfs..)。
如果我错误指定了模型,有人知道吗?
我在网上阅读了有关嵌套和交叉设计的信息 (https://stats.stackexchange.com/questions/228800/crossed-vs-nested-random-effects-how-do-they-differ-and-how-are-they-specified/228814#228814)。然而,似乎没有一个合适。如果我理解正确,嵌套设计适用于个人多次做相同问卷的重复测量。 但是,就我而言,参与者每次填写问卷时,条件都不同。
但我尝试了以下方法:
MHs <- lmer(Satisfaction ~ 1 + situation + ef_kooP*ef_ds + ef_kooP*ef_wl + ef_kooP*aDS.c + ef_kooP*mds.c + ef_kooP*SS.c + ef_kooP*IL.c + ef_kooP*EL.c + ef_ds*aDS.c + ef_ds*mds.c + (1 + ef_koop + ef_ds|ID/situation))
和
MHs <- lmer(Satisfaction ~ 1 + situation + ef_kooP*ef_ds + ef_kooP*ef_wl + ef_kooP*aDS.c + ef_kooP*mds.c + ef_kooP*SS.c + ef_kooP*IL.c + ef_kooP*EL.c + ef_ds*aDS.c + ef_ds*mds.c + (1 + ef_koop + ef_ds|ID:situation) + (1 + ef_koop + ef_ds|ID))
我得到了两个错误消息:每个分组因子的级别数必须
或
我还阅读了关于交叉设计的文章,这很有意义,因为每个人都会回答相同的问卷(但我认为它不适用于重复测量):
MHs <- lmer(Satisfaction ~ 1 + ef_kooP*ef_ds + ef_kooP*ef_wl + ef_kooP*aDS.c + ef_kooP*mds.c + ef_kooP*SS.c + ef_kooP*IL.c + ef_kooP*EL.c + ef_ds*aDS.c + ef_ds*mds.c + (1|ID) + (1 + ef_koop + ef_ds|situation))
这给了我错误:边界(奇异)拟合:见?isSingular
如果您能提供有关我在哪里可以找到问题答案的想法的任何帮助,我将不胜感激。 如果我需要提供更多信息,请告诉我。 提前致谢。
Formula: Satisfaction ~ 1 + ef_koop * ef_ds + ef_koop * ef_wl + ef_koop * aDS.c + ef_koop * mds.c + ef_koop * SS.c + ef_koop * IL.c +
ef_koop * EL.c + ef_ds * aDS.c + ef_ds * mds.c + (1 + ef_koop + ef_ds | ID)
REML criterion at convergence: 3372.5
Scaled residuals:
Min 1Q Median 3Q Max
-6.1522 -0.3093 0.0102 0.3909 5.1926
Random effects:
Groups Name Variance Std.Dev. Corr
ID (Intercept) 0.90092 0.9492
ef_koop 0.04252 0.2062 0.05
ef_ds 0.02709 0.1646 -0.03 0.04
Residual 0.17240 0.4152
Number of obs: 1848,groups: ID,231
Fixed effects:
Estimate Std. Error df t value Pr(>|t|)
(Intercept) 0.318182 0.063193 225.007046 5.035 0.0000009786553 ***
ef_koop 0.109578 0.016655 225.002964 6.579 0.0000000003273 ***
ef_ds 0.101190 0.014511 227.998742 6.973 0.0000000000331 ***
ef_wl 0.039232 0.009659 1151.999315 4.062 0.0000519981509 ***
aDS.c 0.116173 0.125724 225.015168 0.924 0.35646
mds.c 0.140858 0.202011 225.048711 0.697 0.48635
SS.c 0.263000 0.101536 225.004005 2.590 0.01022 *
IL.c 0.298956 0.107938 225.004005 2.770 0.00608 **
EL.c 0.030786 0.101879 225.004016 0.302 0.76279
ef_koop:ef_ds -0.059794 0.009659 1151.999315 -6.191 0.0000000008316 ***
ef_koop:ef_wl -0.004329 0.009659 1151.999315 -0.448 0.65410
ef_koop:aDS.c 0.051727 0.033135 225.010429 1.561 0.11991
ef_koop:mds.c -0.077063 0.053241 225.041224 -1.447 0.14916
ef_koop:SS.c 0.080252 0.026761 225.000292 2.999 0.00301 **
ef_koop:IL.c -0.011264 0.028448 225.000291 -0.396 0.69253
ef_koop:EL.c 0.009608 0.026851 225.000291 0.358 0.72082
ef_ds:aDS.c 0.048399 0.028443 227.998742 1.702 0.09019 .
ef_ds:mds.c 0.015378 0.042044 227.998742 0.366 0.71489
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 ```
解决方法
暂无找到可以解决该程序问题的有效方法,小编努力寻找整理中!
如果你已经找到好的解决方法,欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@)