Potrzeby jeden wzór, aby określić za szkolenie wielopoziomowego modelu (korzystając lmer
z lme4
R
biblioteki) zawsze mnie trafia. Czytałem niezliczone podręczniki i samouczki, ale nigdy nie zrozumiałem tego poprawnie.
Oto przykład z tego samouczka , który chciałbym zobaczyć sformułowany w równaniu. Staramy się modelować częstotliwość głosu jako funkcję płci (kobiety mają wyższy ton głosu niż mężczyźni w ogóle) i postawy osoby (niezależnie od tego, czy odpowiedziała uprzejmie czy nieformalnie) w różnych scenariuszach. Ponadto, jak widać z subject
kolumny, każda osoba była kilkakrotnie poddawana pomiarom.
> head(politeness, n=20)
subject gender scenario attitude frequency
1 F1 F 1 pol 213.3
2 F1 F 1 inf 204.5
3 F1 F 2 pol 285.1
4 F1 F 2 inf 259.7
5 F1 F 3 pol 203.9
6 F1 F 3 inf 286.9
7 F1 F 4 pol 250.8
8 F1 F 4 inf 276.8
9 F1 F 5 pol 231.9
10 F1 F 5 inf 252.4
11 F1 F 6 pol 181.2
12 F1 F 6 inf 230.7
13 F1 F 7 inf 216.5
14 F1 F 7 pol 154.8
15 F3 F 1 pol 229.7
16 F3 F 1 inf 237.3
17 F3 F 2 pol 236.8
18 F3 F 2 inf 251.0
19 F3 F 3 pol 267.0
20 F3 F 3 inf 266.0
subject
, gender
I attitude
czynniki (z informal
i female
uważane za poziomów bazowych attitude
i gender
w równaniach poniżej). Jednym z pomysłów jest wytrenowanie modelu z różnymi punktami przechwytywania dla każdego subject
i scenario
:
politeness.model=lmer(frequency ~ attitude + gender +
(1|subject) + (1|scenario), data=politeness)
Jeśli moje rozumienie zapisu jest prawidłowe, odpowiada to:
pol i + γ ⋅ mężczyzna i attitude
gender
gdzie oznacza punkt danych , oznacza poziom grupy dla i oznacza poziom grupy dla punktu danych. i są wskaźnikami binarnymi.I T H J [ I ] k [ I ] i T h pol męskiejsubject
scenario
attitude
gender
Aby wprowadzić losowe nachylenia dla nastawienia, możemy napisać:
politeness.model = lmer(frequency ~ attitude + gender +
(1+attitude|subject) + (1+attitude|scenario), data=politeness)
Ponownie, jeśli moje zrozumienie jest jasne, odpowiada to:
pol i + γ ⋅ male i attitude
gender
Jakie równanie odpowiada następującemu R
poleceniu?
politeness.null = lmer(frequency ~ gender +
(1+attitude|subject) + (1+attitude|scenario), data=politeness)
źródło
attitude
że jestem uwarunkowanysubject
iscenario
.Odpowiedzi:
Napisałbym
tak jak
dodaje zmienność między podmiotami w odpowiedzi na
attitude
iscenario
(moglibyśmy w równoważny sposób zapisać część efektów losowych jako(attitude|subject) + (attitude|scenario)
, tj. pozostawiając domyślny punkt przecięcia; jest to kwestia gustu). Terazterminów może być pouczające w następujący sposób: dzięki czemu możesz zobaczyć, które efekty losowe wpływają na przechwytywanie, a które na reakcję na postawę.
Teraz, jeśliβ1= 0
attitude
termin o ustalonym efekcie (tj. lub termin ze wzoru), zobaczysz (bez przepisywania wszystkiego), że ponieważ zakłada się, że efekty losowe mają zerową średnią, będziemy przy założeniu, że średnia reakcja na postawę między podmiotami i scenariuszami będzie wynosić dokładnie zero, podczas gdy nadal istnieje zróżnicowanie między podmiotami i scenariuszami. Nie powiem, że to nigdy nie ma sensu ze statystycznego punktu widzenia, ale rzadko tak jest. Od czasu do czasu dyskutuje się na ten temat na liście mailingowej [email protected] ... (lub może być gdzieś omawiany na StackExchange - jeśli nie, byłby dobrym następcą -up pytanie SE ...)attitude
źródło