Mam nadzieję, że wszystkim wam to nie przeszkadza, ale potrzebuję pomocy w interpretacji wyników dla liniowego modelu efektów mieszanych, o których starałem się nauczyć w R. Jestem nowy w analizie danych podłużnych i regresji liniowych efektów mieszanych. Mam model, który dopasowałem do tygodni jako predyktor czasu, a moim wynikiem jest kurs pracy. Modelowałem wynik z tygodniami (czasem) i kilkoma ustalonymi efektami, płcią i rasą. Mój model zawiera efekty losowe. Potrzebuję pomocy w zrozumieniu, co oznacza wariancja i korelacja. Dane wyjściowe są następujące:
Random effects
Group Name Variance
EmpId intercept 680.236
weeks 13.562
Residual 774.256
Korelacja wynosi .231.
Potrafię zinterpretować tę korelację, ponieważ istnieje pozytywny związek między tygodniami a wynikiem, ale chcę móc to powiedzieć w kategoriach „23% ...”.
Naprawdę doceniam pomoc.
Dzięki „gość” i Makro za odpowiedź. Przepraszam, że nie odpowiedziałem, byłem na konferencji i teraz nadrabiam zaległości. Oto wynik i kontekst.
Oto podsumowanie modelu LMER, który prowadziłem.
>summary(LMER.EduA)
Linear mixed model fit by maximum likelihood
Formula: Score ~ Weeks + (1 + Weeks | EmpID)
Data: emp.LMER4
AIC BIC logLik deviance REMLdev
1815 1834 -732.6 1693 1685
Random effects:
Groups Name Variance Std.Dev. Corr
EmpID (Intercept) 680.236 26.08133
Weeks 13.562 3.682662 0.231
Residual 774.256 27.82546
Number of obs: 174, groups: EmpID, 18
Fixed effects:
Estimate Std. Error t value
(Intercept) 261.171 6.23 37.25
Weeks 11.151 1.780 6.93
Correlation of Fixed Effects:
(Intr)
Days -0.101
Nie rozumiem, jak interpretować wariancję i resztkę dla efektów losowych i wyjaśnić to komuś innemu. Nie wiem też, jak interpretować korelację, poza tym, że jest dodatnia, co wskazuje, że osoby z wyższymi punktami przechwytywania mają wyższe nachylenia, a te z tymi z niższymi punktami przechwytywania mają niższe nachylenia, ale nie wiem, jak wyjaśnić korelację w kategoriach z 23% z. . . . (Nie wiem, jak dokończyć zdanie, a nawet czy ma to sens). Jest to dla nas analiza innego typu, ponieważ my (ja) próbujemy przejść do analiz podłużnych.
Mam nadzieję, że to pomoże.
Dziękuję za pomoc do tej pory.
Zeda
Odpowiedzi:
Twój dopasowany model
lme()
można wyrazić jakogdzie jest wynikiem i- tego pracownika w x j tygodniach, α 0 i α 1 oznaczają odpowiednio stały punkt przecięcia i nachylenie, δ 0 i i δ 1 i są losowym punktem przecięcia i nachylenia, a ϵ i j jest wartością resztkową . Założenia dla efektów losowych δ 0 i , δ 1 i resztkowych ϵ i j sąyI j ja xjot α0 α1 δ0 i δ1 i ϵI j δ0 i δ1 i ϵI j
Możesz uzyskać macierz wariancji między warunkami efektów losowych od
VarCorr(LMER.EduA)$ID
.Twój wynik w zasadzie to mówi
VarCorr(LMER.EduA)
źródło