机器算法验证 - 具有重复测量的混合模型以及在 R 中使用 lme 或 lmer 进行两种处理的混合模型 - 吾爱随笔录

机器算法验证 r 混合模式重复测量 lme4-nlme

2022-03-24 10:46:34

我对简单模型的了解已经足够了lme()，并且lmer()可以通过简单的模型来解决，而对于更复杂的模型，我也会遇到麻烦。我真的很困惑对我目前正在使用的一些数据进行建模的正确方法，如果能提供一些帮助，我将不胜感激。

问题：人们在运动疲劳后对距离的估计是否不同，运动中摄入糖会改变这种关系吗？

设置：向参与者展示一系列不同距离的 3 个目标，并要求他们为每个目标提供距离估计。然后他们锻炼了一段时间，然后对 3 个新的目标距离再进行 3 次距离估计。整个过程对每个参与者进行两次，在不同的日子里，一天他们摄入糖，而在控制日他们没有。

数据：

DV：距离估计

静脉注射：

因此，对于每个主题，我都有：

最终，我想知道人们在运动后所做的估计是否因条件而异，但这些估计也应取决于运动前估计的起点。由于之前和之后的实际目标距离不同，我无法进行直接比较（但是每组 3 的均值相同）。

让我绊倒的是这两个因素都在主题之内。我在不同级别进行了重复测量（每个州的重复估计，按时间分开的重复估计，以及按治疗分开的重复估计），我不知道什么是固定效应，什么是随机效应，我是否有嵌套结构与否，以及我是否应该只查看随机截距还是随机斜率（以及哪些变量）。

非常感谢任何帮助或建议。谢谢！

1个回答

晚了很多年，但为了完整起见，我将尝试回答这个问题。

正如问题中所指出的，主要的并发症是数据存在差异，可以通过对每个人进行多次测量这一事实来解释。您可以通过随机效应来解释这一点。您可以用来解决上述问题的最简单模型（在 R 中）是：

library(lme4)
lmer(distance_estimate ~ condition + measurement_occasion + actual_distance +
         (1|participant))

注意事项：

1）我假设这里没有互动，但有几个是合理的。例如，condition和actual_distance可能会交互，就像 condition和一样measurement_occasion。包括哪些取决于您的假设。

2）我在这里也只使用了一个随机截距，但你可能会包含一个随机斜率，或者随机截距和斜率。同样，这将取决于您的假设和领域知识。

其它你可能感兴趣的问题