最新回復
  • 2019-12-5
    1 #

    您可以將似然比測試報告為效果大小測量.我不確定你的整體模型的確切設計是什麼,但是你說你對双向重複測量設計感兴趣,你想要評估var1,var2和var1 * var2互動的主要影响.

    要获得似然比,您可以使用nlme采用多級方法,从而在巢狀設計中將模型相互比较。

    以下是設置空模型的方法(通過其整體平均值預測因變數)。

    nullModel <- lme(depvar ~ 1, random = ~1 | id/var1/var2, data = data, method = "ML")
    

    var1模型

    var1Model <- lme(depvar ~ var1, random = ~1 | id/var1/var2, data = data,
    method = "ML")
    

    var2模型

    var2Model <- lme(depvar ~ var1 + var2, random = ~1 | id/var1/var2, data = data, method = "ML")
    

    最後,互動或"完整"模型,包括主要效果和互動

    IModel <- lme(depvar ~ var1 * var2, random = ~1 | id/var1/var2, data = data, method = "ML")
    

    然後,使用anova()函式

    比较模型
    anova(nullModel, var1Model, var2Model, IModel)
    

    輸出中的L.ratios是给定模型下資料与另一个模型相比更有可能的比率.你得到了p值.

    這是我正在處理的資料集的anova輸出示例(請註意不同的模型名稱).在這裏我们可以看到,模型2(cond_model_dp)下的資料仅比模型1(baseline_dp)(空模型)高1.12倍.互動模型(fullModel_dp)並不比具有两種主效應(em_model_dp)的模型好得多.根据下面的p值,没有一个模型能够更好地擬合資料。

                 Model df      AIC      BIC    logLik   Test  L.Ratio p-value
    baseline_dp       1  5 1073.524 1086.549 -531.7618                        
    cond_model_dp     2  7 1076.408 1094.644 -531.2038 1 vs 2 1.115851  0.5724
    em_model_dp       3  6 1072.636 1088.267 -530.3180 2 vs 3 1.771603  0.1832
    fullModel_dp      4 10 1076.956 1103.008 -528.4780 3 vs 4 3.680001  0.4510
    

    虽然很多人(特別是在生物行為科學领域)会期望對此類分析进行eta平方統計,但似然比例似乎是一个"更好"的統計資料,因為它更容易解釋效應的大小.也就是說,Cohen對eta平方的小,中,和大效果的指匯只是经驗法則,而似然比更直观,因為它像優势比一樣操作.

    最後,如果您有任何遗漏資料,只需將"na.action = na.exclude"添加到您的模型中,就像這樣

    var1Model <- lme(depvar ~ var1, random = ~1 | id/var1/var2, data = data,
    method = "ML", na.action = na.exclude)
    

  • regression:如何在R中的函式lm中使用權重?
  • sampling:貝叶斯推理問题中的非iid观測