Будучи психологом, а не статистиком, я всегда использовал ANOVA для анализа конструкций с повторными измерениями, но с тех пор узнал, что вместо этого следует использовать смешанное линейное моделирование с экспериментами такого типа, чтобы справиться с (в значительной степени присущей) сферичностьюнарушения, которые идут с ними.Поэтому я пытаюсь заново провести все свои анализы соответствующим образом, используя эту новую технику.Пытаясь переписать мои модели, я узнал, что функция lmer может обрабатывать скрещенные случайные эффекты, но не позволяет задавать корреляционную структуру AR, а функция lme, наоборот, может делать обратное.
Для моей собственной ситуации у меня есть эксперимент со следующей настройкой:
В настоящее время у меня есть 5 предметов, где "субъекты" - это случайная величина.
Каждый субъектподвергается воздействию 3 различных раздражителей - CS +, CS- и CST.Это фактор внутри субъекта.
Во время каждого представления стимула мы измеряем зависимую переменную в каждый из 12 моментов времени - sec1, sec2, ..., sec12.Это фактор внутри субъекта.
Мы собрали еще 3 переменные, которые мы надеемся контролировать:
- Пол (M и F) (имя переменной = " пол ")
- STAI-T баллы тревоги (имя переменной = " staiT ")
- STAI-S баллы тревоги (имя переменной = " staiS ")
Хотя это может показаться странным, и «стимулы», и «временные точки» являются нашими независимыми интересующими переменными, поскольку нас интересуют различия в рейтингах между стимулами, а также ГДЕ эти различия (в рамках исследования) имеют место,Поэтому мы рассматриваем фиксированные переменные " CS " и " sec ".
Я начал с функции R следующим образом:
model <- lmer(rating ~ CS*sec + sex + staiT + staiS, data = dataframe, REML = F)
Однако меня отбрасывают случайные эффекты.Данные выглядят так: 
Очевидно, что самая легкая модель, которую можно здесь разместить, это:
model <- lmer(rating ~ CS*sec + sex + staiT + staiS + (1|subject), data = dataframe, REML = F)
Но это понятно каждомусубъект показывает уникальный наклон, связанный с CS , что приведет к следующей модели:
model <- lmer(rating ~ CS*sec + sex + staiT + staiS + (CS|subject), data = dataframe, REML = F)
Эта проблема, я понятия не имею, что делать с sec переменная здесь;Я уверен, уверен, как сказать, есть ли случайный эффект, связанный с этим.Я видел примеры продольных исследований, которые, по сути, говорят об этом, но не знают, что искать, чтобы решить это.Если это так, то CS и sec пересекаются, поэтому моя модель в итоге получит
model <- lmer(rating ~ CS*sec + sex + staiT + staiS + (CS|subject) + (sec|subject), data = dataframe, REML = F)
Однако, поскольку это также повторяетсяЯ полагаю, что авторегрессивная корреляционная структура лучше соответствовала бы этим данным, что, очевидно, не может быть указано в lmer.Кажется, что если я хочу, то лучшее, что я могу сделать, это:
model <- lme(rating ~ CS*sec, random = ~CS|subject, correlation = corAR1(), data = dataframe, method = "ML")
И здесь я не могу, по-видимому, определить конкретные скрещенные случайные факторы.
Учитывая все это, у меня есть 3вопросы:
- Имеет ли одна модель больше смысла, чем другие?
- Как, черт возьми, вы решаете, если sec (или эквивалент времени)курс обучения) это случайный фактор?Я просто не могу обернуть голову вокруг этого.Когда я смотрю на CS, я просто смотрю на наклон каждой линии CS OVER SEC, чтобы получить свой ответ, но с точки зрения самой секунды, я не знаю, как это выяснить.
- Хотя это может в конечном итоге не бытьПрименимо ко мне. Мне любопытно: что вы делаете в ситуации, когда вы используете R и у вас есть корреляционная структура AR и скрещенные случайные эффекты?Какую функцию вы выполняете или как ее взламываете, чтобы вы могли это сделать?Или это невозможно?
Отчаянно благодарим вас за понимание, которое кто-либо может предоставить.