R의 모델 공식에 대한 해석과 관련하여 많은 부분이 있지만이 질문은 혼합 모델에만 해당되는 것이 아니라 일반적으로 R의 공식 확장 기계에 적용됩니다.
수식을 해석 할 때 R이 수행하는 작업을 파악하는 좋은 방법은 model.matrix()
(R이 모델에 맞춰 사용하는 기본 모델 행렬을 구성)을 사용하고 출력의 열 이름을 살펴 보는 것입니다. 여기
는 2 × 2 요인 디자인 예제가 플러스 공변량 :
dd <- expand.grid(fv1=c("a","b"),
fv2=c("A","B"))
dd$covar <- 1:4
귀하의 첫 번째 방법 :
8 개 매개 변수 ((절편 + 기울기)의 총 × 2
colnames(model.matrix(~fv1*fv2*covar,dd))
## [1] "(Intercept)" "fv1b" "fv2B" "covar" "fv1b:fv2B"
## [6] "fv1b:covar" "fv2B:covar" "fv1b:fv2B:covar"
가 있습니다 fv1
x2 레벨의 레벨은 fv2
임). 모델은 (a, A) ((Intercept)
)의 절편으로 매개 변수화됩니다. 요인 (b, b) 및 상호 작용에 따른 절편의 차이; (a, A)의 기울기 (covar
); 요인과 그 상호 작용에 따른 경사의 차이.
/를 사용하면 어떻게됩니까?
colnames(model.matrix(~fv1*fv2/covar,dd))
## [1] "(Intercept)" "fv1b" "fv2B" "fv1b:fv2B" "fv1a:fv2A:covar"
## [6] "fv1b:fv2A:covar" "fv1a:fv2B:covar" "fv1b:fv2B:covar"
는 도청을위한 파라미터는 동일한 보이지만, 경사에 대한 파라미터는 별도의 각각의 요소의 조합에 대한 기울기보다는 대한 기울기 (A, A)를 추정하고 그 기준 기울기의 차이를 추정 b, B와 그 상호 작용에 대해서. 요인 조합에 따른 기울기 차이를 테스트하는 것이 아니라 0의 기준선에 대해 개별 기울기를 테스트하려는 경우가 아니라면 원하는 결과가 아닐 가능성이 큽니다.
대신 모델을 ~(fv1*fv2)/covar
으로 지정하면 차단 및 슬로프 매개 변수가 요인 추정치의 차이가 아니라 요인 조합 예상치로 확장됩니다.
colnames(model.matrix(~(fv1*fv2)/covar,dd))
## [1] "(Intercept)" "fv1b"
## [3] "fv2B" "fv1b:fv2B"
## [5] "fv1a:fv2A:covar" "fv1b:fv2A:covar"
## [7] "fv1a:fv2B:covar" "fv1b:fv2B:covar"
임의의 효과는 무엇입니까? ('lme' 또는'lmer'을 사용한다면 무작위 효과가 있어야합니다 ...) –
맞아요, 언급하는 것을 잊어 버렸습니다. 질문을 편집 – lueromat
오, 아니, 다른 tumbleweed 배지가 될 것 같습니다. 내가 여기 뭔가보고 싶니? – lueromat