R中重复测量因子设计的多级线性回归中的错误自由度

编程问答 2022-05-14

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。

请在底部找到输出

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@）

linear-regressionmulti-levelnestedrr