Я собрал зависимую переменную (мышечная сила) до (PRE) и после (POST) 15 тренировок.Каждый сеанс был классифицирован по 2 различным типам обучения (тип A и тип B).Я хотел бы исследовать, есть ли различия в моей зависимой переменной в PRE-POST и типе обучения (Тип A и Тип B), контролирующем для двух ковариат (переменные продолжения) и использующем предметы как случайный эффект.Моя проблема заключается в следующем: в то время как Covariate A (благополучие субъектов) влияет на зависимую переменную как в PRE, так и в POST, Covariate B (тренировочная нагрузка на сеанс) влияет только на зависимую переменную в POST.Следовательно, в моем наборе данных Ковариат B в PRE пуст.
Здесь описание моих переменных: Зависимая переменная: DV (мышечная сила субъектов) Независимая переменная: Тип практики (2 уровня: Тип A и Тип B)Независимая переменная: время (2 уровня: PRE и POST). Ковариат A: непрерывная переменная (благополучие субъектов). Ковариат B: непрерывная переменная (тренировочная нагрузка). ID: субъекты
R и lme4, но я новичок в использовании смешанных моделей.Моя модель выглядит следующим образом:
Model = lmer (DV~ Time * Type + (Covariate A)+( Covariate B)+(1|subject1) , data=dataset)
набор данных выглядит следующим образом:
ID Session Time Type Covariate A Covariate B DV
Sub1 n1 PRE A 10 120
sub1 n1 POST A 10 5 115
sub1 n2 PRE B 14 122
sub1 n2 POST B 14 6 124
sub1 n3 PRE A 12 123
sub1 n3 POST A 12 7 119
sub1 n4 PRE B 9 118
sub1 n4 POST B 9 8 120
… … … … … … …
Однако, когда я запускаю модель с этой базой данных, я получаю следующую ошибку: Ошибка в contrasts<-(*tmp*, value = contr.funs[1 + isOF[nn]]) : contrasts can be applied only to factors with 2 or more level
s`.
Иными словами, если я выполню анализ со следующим набором данных, модель будет работать.Тем не менее, я знаю, что Ковариат B не влияет на DV в PRE.Таким образом, нелогично применять значение ковариата B к наблюдению в PRE.
ID Session Time Type Covariate A Covariate B DV
Sub1 n1 PRE A 10 5 120
sub1 n1 POST A 10 5 115
sub1 n2 PRE B 14 6 122
sub1 n2 POST B 14 6 124
sub1 n3 PRE A 12 7 123
sub1 n3 POST A 12 7 119
sub1 n4 PRE B 9 8 118
sub1 n4 POST B 9 8 120
… … … … … … …
Как организовать базу данных с учетом этого аспекта?
Следуя вашим предложениям, вы здесьМожно найти пример, который вы можете запустить: drive.google.com/open?id=1h1F_ITZmmCN5sNKtMsETM2yakx3Kjmn0
Модель 1: правильная модель, в которой CovariateB (учебная нагрузка сеанса) влияет только на зависимую переменную в POST.
Модель 2: неправильная модель, в которой CovariateB_2 (тренировочная нагрузка) сообщается как в PRE, так и в POST.
R скрипт:
library(lme4)
library(lmerTest)
library(emmeans)
library(readxl)
dataset = read_excel("$$:/$$$/$$/$$.xlsx", sheet = NULL, range = NULL, col_names = TRUE)
dataset$Time <- as.factor(dataset$Time)
dataset$Type <- as.factor(dataset$Type)
dataset$Subject <- as.factor(dataset$Subject)
Model_1 = lmer(((DV)) ~ Time*Type+(CovariateA)+(CovariateB)+(1|Subject), data=dataset, REML=FALSE);
Model_2 = lmer(((DV)) ~ Time*Type+(CovariateA)+(CovariateB_2)+(1|Subject), data=dataset, REML=FALSE);