了解 lme 的输出

机器算法验证 r 混合模式
2022-03-27 17:35:30

我在解释使用 lme 执行的分析结果时遇到了一些困难。我进行了一个实验,受试者必须估计在涉及空间测量的任务中经过的时间(例如,受试者观看了汽车行驶一定距离的视频游戏)。我的目标是确定感知时间与汽车行驶空间之间是否存在线性关系。受试者经历了两种不同的情况(例如汽车行驶了两个距离),每种情况都重复了两次。因此,鉴于涉及重复测量的实验设计的性质,我不能使用简单的线性模型,但我必须使用带有随机截距的混合效应线性模型。

我使用R语言,我采用这个公式来解决我的问题

library(nlme)
summary(lme(Time ~ Distance, data = my_Table, random = ~1 | Subject))

我得到的输出是:

Linear mixed-effects model fit by REML
 Data: my_Table 
      AIC      BIC    logLik
  608.315 618.4454 -300.1575

Random effects:
 Formula: ~1 | Subject
        (Intercept) Residual
StdDev:    2.964139 4.919044

Fixed effects: Time ~ Distance
                                          Value Std.Error DF  t-value p-value
(Intercept)                            5.518714 0.8212930 64 6.719543  0.0000
 Distance                              0.013092 0.0053225 64 2.459718  0.0166
 Correlation: 
                                       (Intr)
 Distance                              -0.415

Standardized Within-Group Residuals:
       Min         Q1        Med         Q3        Max 
-1.2904862 -0.4302117 -0.2593047  0.2081889  5.0914269 

Number of Observations: 95
Number of Groups: 30 

现在,这个输出告诉我什么?据我研究我在网上找到的文献(我不是统计学家......),如果我是对的,这些结果告诉我时间和空间之间存在线性关系,因为 b = 0.013092 和 p -价值很重要。

现在,如果 p 值不显着,这是否意味着时间和空间之间没有线性关系?

2个回答

在回答时,我将假设您所做的建模假设是正确的,并且您正确运行了程序,因为您的问题仅涉及对输出的解释。在涉及单个协变量的线性模型中,您可以通过检验斜率系数是否为 0 或检验响应与协变量之间的 Pearson 相关性是否为 0 来检验线性关联。

您测试了斜率系数并得到了一个小的正斜率。该系数为 0 的检验的 p 值为 0.0166。如果该 p 值低于您想要的显着性水平,您将得出结论,协变量和响应之间存在某种关系。使用传统的显着性水平 0.05,您将拒绝不存在关系的原假设。然而,斜率似乎很小,截距是模型中的主要项。说相关性不为零与说相关性很强是不一样的。您应该查看相关性的 95% 置信区间,并考虑其上限说明了什么。如果与您的强相关性约为 0.6,上限为 0。

解决您的第二个问题,如果 p 值不低于您的显着性水平,则您不会得出任何结论。你所知道的是,数据没有提供足够的证据表明相关性不同于 0。这可能是因为它是 0 或非常接近 0。但更重要的是,可能是样本量不够大,无法达到结论是它与 0 不同。现在,如果您改为解决强相关性的问题,而 0.6 是您对强的定义,那么 Pearson 相关性的 95% 置信区间的上限可能低于(也许远下面)0.6,您仍然可以至少声称相关性不强。

进一步澄清。您的问题是该测试是否提供了线性关系的证据。事实上,线性是模型的一个假设——模型不测试线性。因此,变量之间的关系实际上可能是非线性的。在这种情况下,模型可能会显示效果或无法显示效果。

所以,回到你的问题——考虑到这里已经发布的内容——低 p 值(高 t 值)提供了变量之间关系的证据,但没有说明这种关系是线性的还是不是(因为这是假设的,而不是明确测试的)。