2

混合モデルがあり、データは次のようになります。

> head(pce.ddply)
  subject Condition errorType     errors
1    j202         G         O 0.00000000
2    j202         G         P 0.00000000
3    j203         G         O 0.08333333
4    j203         G         P 0.00000000
5    j205         G         O 0.16666667
6    j205         G         P 0.00000000

各被験者は errorType (O または P) に 2 つのデータポイントを提供し、各被験者は状態 G (N=30) または N (N=33) のいずれかに属します。errorType は反復変数で、Condition は中間変数です。主効果と相互作用の両方に興味があります。したがって、最初に anova を実行します。

> summary(aov(errors ~ Condition * errorType + Error(subject/(errorType)),
                 data = pce.ddply))

Error: subject
          Df  Sum Sq  Mean Sq F value Pr(>F)
Condition  1 0.00507 0.005065   2.465  0.122
Residuals 61 0.12534 0.002055               

Error: subject:errorType
                    Df  Sum Sq Mean Sq F value   Pr(>F)    
errorType            1 0.03199 0.03199   10.52 0.001919 ** 
Condition:errorType  1 0.04010 0.04010   13.19 0.000579 ***
Residuals           61 0.18552 0.00304

Condition は重要ではありませんが、errorType はインタラクションと同様に重要です。

ただし、lmer を使用すると、まったく異なる結果が得られます。

> lmer(errors ~ Condition * errorType + (1 | subject),
                    data = pce.ddply)
Linear mixed model fit by REML 
Formula: errors ~ Condition * errorType + (1 | subject) 
   Data: pce.ddply 
    AIC    BIC logLik deviance REMLdev
 -356.6 -339.6  184.3     -399  -368.6
Random effects:
 Groups   Name        Variance Std.Dev.
 subject  (Intercept) 0.000000 0.000000
 Residual             0.002548 0.050477
Number of obs: 126, groups: subject, 63

Fixed effects:
                       Estimate Std. Error t value
(Intercept)            0.028030   0.009216   3.042
ConditionN             0.048416   0.012734   3.802
errorTypeP             0.005556   0.013033   0.426
ConditionN:errorTypeP -0.071442   0.018008  -3.967

Correlation of Fixed Effects:
            (Intr) CndtnN errrTP
ConditionN  -0.724              
errorTypeP  -0.707  0.512       
CndtnN:rrTP  0.512 -0.707 -0.724

そのため、lmer の場合、Condition と相互作用は重要ですが、errorType はそうではありません。

また、lmer の結果は glm の結果とまったく同じであり、何かがおかしいと思います。

誰かがなぜ彼らがそんなに違うのか理解するのを手伝ってもらえますか? lmer を間違って使用していると思われます ((errorType | subject) のような他の多くのバージョンを試してみましたが、同様の結果が得られました。

4

2 に答える 2

2

違いのもう 1 つの理由は、lmer を使用するときに errorType を固定効果 (シナリオの説明と一致) として扱っているが、aov() コードのサブジェクト内にネストされているランダム効果として扱っていることです。

aov() 呼び出しの結果ではなく、lmer() 呼び出しの結果を信頼します。ここに戻ってきた場合は、aov を aov(errors ~ Condition * errorType + Error(subject),data = pce.ddply) として再実行してみてください。あなたのデザインはほぼバランスがとれているので、aov() は lmer() と同様の見積もりを与えると思います。

于 2014-11-13T04:55:34.383 に答える