Lmer für Längsgestaltung

Sep 18 2020

Ich habe einen Längsdatensatz, in dem ich für jedes Fach die folgenden Variablen habe:

IV: 3 Faktoren ( factorA, factorB, factorC, factorD), das jeweils zweimal gemessen werden , am Anfang und am Ende einer Intervention.

DV: Eine Ergebnisvariable (Verhalten), ebenfalls zweimal gemessen, zu Beginn und am Ende der Intervention.

Ich möchte ein Modell erstellen, das die Änderung von Faktor A, Faktor B, Faktor C, Faktor D (Änderung vom Beginn bis zum Ende der Intervention) verwendet, um die Änderung des Verhaltens (erneut von Anfang bis Ende) vorherzusagen .

Ich dachte an die Delta - Werte verwenden factorA, factorB, factorC, factorD(von der Vorschule bis Post - Interventions) und diese Delta - Werte verwenden , um die Delta - Werte vorherzusagen D1. Ich möchte auch zu kovariieren-out die absoluten Werte für jeden Faktor ( A, B, Cund D) (zB nur den Wert zu Beginn der Intervention für jeden Faktor verwendet wird ) sicherzustellen, dass ich für die Änderungen sind, dass die absoluten Werte ( und nicht Die Änderung) dieser IVs kann auf dem DV haben.

Hier ist mein Datensatz: Geben Sie hier die Bildbeschreibung ein

Hier ist mein bisheriges Modell:

Model <- lmer(Delta_behavior ~ Absolute_factorA + Absolute_factorB + 
              Absolute_factorC + Absolute_factorD + Delta_factorA + 
              Delta_factorB + Delta_factorC + Delta_factorD + 
              (1|Subject),a)

Ich glaube, ich mache etwas falsch, weil ich diesen Fehler bekomme:

Fehler: Die Anzahl der Ebenen jedes Gruppierungsfaktors muss <Anzahl der Beobachtungen sein

Was mache ich falsch? Ist der Datensatz seltsam strukturiert? Sollte ich die Deltawerte nicht verwenden? Soll ich einen anderen Test verwenden (nicht lmer)?

Antworten

1 BenBolker Sep 18 2020 at 22:12

Da Sie Ihre Daten auf eine einzige Beobachtung pro Proband reduziert haben, müssen Sie kein mehrstufiges / gemischtes Modell verwenden. Der Grund, lmerder Ihnen einen Fehler gibt, ist, dass in dieser Situation die Varianz zwischen Subjekten mit der Restvarianz verwechselt wird.

Sie können wahrscheinlich ein lineares Modell ( lm) für diese Analyse verwenden.

Weitere technische Details

Die Gleichung für die Verteilung der ite Beobachtung ist so etwas wie , [fixed-effect predictors] + eps(subject(i)) + eps(i)wo eps(subject(i))ist die normale Fehlerterm des Subjekts mit der zugehörig iten Beobachtung und eps(i)ist die normalen Restfehler mit der zugehörigen iten Beobachtung. Wenn wir nur eine Beobachtung pro Subjekt haben, hat jede Beobachtung zwei Fehlerterme, die für sie eindeutig sind. Die Summe zweier Normalvariablen mit Nullmitteln und Varianzen von V1 und V2 ist ebenfalls Normal mit Mittelwert Null und Varianz V1 + V2 ... daher sind V1 und V2 gemeinsam nicht identifizierbar . Sie können lmerControlden Fehler überschreiben, wenn Sie dies wirklich möchten. lmerwird einige beliebige Kombination von Rückkehr V1, V2schätzt diese Summe auf die Gesamtvarianz.

Es gibt ein ähnliches Beispiel illustriert hier .