Этот вопрос о том, как правильно вкладывать фиксированный эффект в член взаимодействия двух других основных фиксированных эффектов в смешанном модельном анализе. Вы можете просто сравнить код и вывод таблицы anova, чтобы увидеть проблему. Я включил детали фона дизайна, если это поможет.
У меня есть старая модель sas , которую я пытаюсь преобразовать в r . Да, я знаю, что есть различия в алгоритмах c, поэтому результаты не будут точно такими же ... Но я пытаюсь настроить ту же структуру модели на основе экспериментального дизайна. Проблема в том, что слишком много эффектов, поэтому df и F-tests перепутаны. Это связано со сложным вложением в двустороннем взаимодействии, которое я не знаю, как правильно преобразовать в R синтаксис .
Основой c является то, что два эксперимента каждая была выполнена для фактора type. Все эксперименты имели одинаковые уровни Code (разные виды растений). Каждый уровень Code подвергался дополнительной выборке, и каждая дополнительная выборка измерялась на каждом уровне position. Таким образом, position является эффектом повторных измерений Code. Тем не менее, сравнение моделей в исходном анализе показало, что лучше всего было рассматривать position как простой перекрестный эффект, а не как более сложную модель повторных измерений. Также в каждом эксперименте все это делалось во временных рядах разрушительных измерений - Sampling. Достаточно просто.
Хитрость в том, что некоторые уровни Code*Sampling*type иногда отсутствовали на нескольких уровнях experiment из-за меньшего количества растений, чем ожидалось. В противном случае это было бы полностью факториально. Таким образом, мне пришлось вкладывать sampling в двустороннее взаимодействие Code*type, потому что оно имело недостаток ранга. Это все работало, и анализ в SAS был очень плавным и ясным.
Вот как я смоделировал это в SAS:
proc glimmix data=plants;
class experiment type code sampling position;
model y = position | type | code | sampling(type*code) / ddfm=kr ;
random experiment experiment*type*code*sampling;
Показаны результаты ANOVA типа III из SAS. Обратите внимание на эффекты 8 и 9: (n = 1687)
**Type III Tests of Fixed Effects**
Type III Tests of Fixed Effects
# Effect Num DF Den DF F value Pr > F
1 position 6 1353 14.41 <.0001
2 type 1 2.007 1.11 0.4024
3 type*position 6 1353 2.66 0.0142
4 code 6 36.14 17.9 <.0001
5 code*position 36 1353 2.01 0.0004
6 type*code 6 36.14 2.17 0.0683
7 type*code*position 36 1353 0.36 0.9998
8 Sampling(type*code) 28 36 14.1 <.0001
9 Samp*inte(type*code) 168 1353 0.99 0.5064
Мое лучшее приближение в R:
#mixed model
x<-(fit1 = lmer(y ~ (position) * (type) * (Code) * (Sampling:type*Code) +
(1|Experiment) + (1|Experiment:Sampling:type:Code) ))
anova(x, ddf="Kenward-Roger")->aov
aov
Но в таблице anova слишком много эффекты: (n = 1687)
**Type III Analysis of Variance Table with Kenward-Roger's method**
# Effect NumDF DenDF F value Pr(>F)
1 position 6 1354.03 14.4103 5.48E-16
2 type 1 2.72 0.0039 0.9544653
3 position:type 6 1354.03 0.031 0.9998745
4 Code 6 37.21 17.9032 1.24E-09
5 position:Code 36 1354.03 2.0118 0.0003974
6 type:Code 6 36.69 0.0091 0.9999961
7 position:type:Code 36 1354.03 0.0215 1
! type:Sampling 4 37.25 71.888 <2.2e-16
! type:Code:Sampling 24 37.1 3.9586 8.85E-05
! position:type:Sampling 24 1354.03 2.5672 5.02E-05
! position:type:Code:Sampling 144 1354.03 0.7067 0.9958341
Многие эффекты заметны, но их слишком много, потому что эффекты 8 и 9 разделены. Sampling неправильно вкладывается в термин взаимодействия. Писать его как (Sampling:type:Code) также неправильно, потому что он отбирает все отклонения от основных эффектов и облажает F-тесты.
Пожалуйста, помогите! Буду признателен за вашу помощь.