Я новичок в линейных моделях смешанных эффектов и пытаюсь использовать их для проверки гипотез.
В моих данных (DF
) у меня есть две категориальные / факторные переменные: color
(красный / синий / зеленый) и direction
(вверх / вниз). Я хочу увидеть, есть ли существенные различия в scores
(числовых значениях) по этим факторам и есть ли эффект взаимодействия при учете случайных перехватов и случайных наклонов для каждого participant
.
Какая lmer
формула подходит для этого?
Вот что у меня есть ...
Мои данные структурированы так:
> str(DF)
'data.frame': 4761 obs. of 4 variables:
$ participant : Factor w/ 100 levels "1","2","3","4",..: 1 1 1 1 1 1 1 1 1 1 ...
$ direction : Factor w/ 2 levels "down","up": 2 2 2 2 2 2 2 2 2 2 ...
$ color : Factor w/ 3 levels "red","blue",..: 3 3 3 3 3 3 3 3 3 3 ...
$ scores : num 15 -4 5 25 0 3 16 0 5 0 ...
После некоторого чтения я решил, что могу написать модель со случайными наклонами и перехватами для участников и одним фиксированным эффектом, например:
model_1 <- lmer(scores ~ direction + (direction|participant), data = DF)
Это дает мне фиксированную оценку эффекта и p-значение для direction
, что, как я понимаю, является значимой оценкой влияния direction
на scores
, в то время как индивидуальные различия между участниками учитываются как случайный эффект.
Но как мне добавить мой второй фиксированный коэффициент, color
, и условие взаимодействия, при этом предоставляя каждому участнику случайный перехват и наклон?
Я подумал, может быть, я смогу сделать это:
model_2 <- lmer(scores ~ direction * color + (direction|participant) + (color|participant), data = DF)
Но в конечном итоге я действительно не знаю, что именно означает эта формула. Любое руководство будет оценено.