Modélisation des effets mixtes R - analyse et interprétation
J'essaie d'utiliser la modélisation à effets mixtes pour mes données dans R. J'ai deux variables indépendantes et les deux ont trois niveaux. Dois-je coder mes variables? Si tel est le cas, puis-je utiliser le codage factice / traitement? J'ai également d'autres variables prédictives. J'attache le modèle avec ceci,
model1 <- lmer(rt ~ emotion + trial + emotion*trial + age + emotion*trial*age + (1|participant)
Les resultats obtenus sont les suivants:
Fixed effects:
Estimate Std. Error df t value Pr(>|t|)
(Intercept) 295.9898 21.9655 59.9409 13.475 <2e-16 ***
EmotionNegative 12.9354 10.3385 17076.8218 1.251 0.2109
EmotionNeutral 13.2439 10.2729 17076.4637 1.289 0.1973
trial_typeincongruent 20.6828 10.6194 17077.0115 1.948 0.0515 .
trial_typeneutral 23.0839 10.4112 17076.4873 2.217 0.0266 *
Age -0.2310 4.0893 60.0862 -0.056 0.9551
EmotionNegative:trial_typeincongruent -5.9407 15.2334 17076.6471 -0.390 0.6966
EmotionNeutral:trial_typeincongruent 4.0637 15.1272 17076.5003 0.269 0.7882
EmotionNegative:trial_typeneutral 11.5807 14.8398 17076.5762 0.780 0.4352
EmotionNeutral:trial_typeneutral 8.1210 14.8446 17076.3594 0.547 0.5843
EmotionNegative:Age 0.4182 1.9479 17076.9098 0.215 0.8300
EmotionNeutral:Age -2.0714 1.9280 17076.4446 -1.074 0.2827
trial_typeincongruent:Age -2.6537 1.9935 17077.2263 -1.331 0.1831
trial_typeneutral:Age -0.2855 1.9518 17076.5935 -0.146 0.8837
EmotionNegative:trial_typeincongruent:Age 3.3124 2.8751 17076.6068 1.152 0.2493
EmotionNeutral:trial_typeincongruent:Age 1.6189 2.8473 17076.4467 0.569 0.5696
EmotionNegative:trial_typeneutral:Age -1.3162 2.7958 17076.6643 -0.471 0.6378
EmotionNeutral:trial_typeneutral:Age -1.7054 2.7918 17076.2931 -0.611 0.5413
Comment dois-je interpréter ces données? Dois-je mentionner le codage des variables et si oui, pourquoi est-ce important?
Réponses
Dois-je coder mes variables? Si tel est le cas, puis-je utiliser le codage factice / traitement?
R utilisera le codage de traitement par défaut.
Comment dois-je interpréter ces données?
L'interprétation des effets fixes est la même qu'avec un modèle linéaire:
L'ordonnée à l'origine est la valeur attendue de la réponse valable lorsque toutes les autres variables sont nulles, ou pour les variables catégorielles, à leur niveau de référence.
pour une variable qui n'est pas impliquée dans une interaction, l'estimation est l'association d'un changement d'une unité dans cette variable, ou la différence entre le niveau de référence et le niveau estimé pour les variables catégorielles, laissant toutes les autres variables inchangées.
pour une variable qui est impliquée dans une interaction, l'estimation est l'association d'une variation de 1 unité dans cette variable, ou la différence entre le niveau de référence et le niveau estimé pour les variables catégoriques, lorsque l'autre vaiable qu ' il est en interaction avec est zéro (ou à son niveau de référence)
les interactions sont interprétées comme la différence de pente pour une variable continue (ou la différence de résultat entre le niveau de référence et le niveau estimé pour une variable catégorielle) lorsque l'autre variable change par unité (ou passe du niveau de référence à le niveau estimé dans le cas d'une variable catégorielle). Les différents types d'interactions ont été discutés à maintes reprises ailleurs sur le site:
Comment interpréter les interactions bidirectionnelles dans la modélisation d'effets mixtes linéaires?
Comment interpréter l'interaction entre deux variables catégorielles
Comment interpréter une interaction bidirectionnelle dans un modèle d'interaction à 3 voies
Interprétation du terme d'interaction
Comment interpréter le terme d'interaction dans la formule lm dans R?
Dois-je mentionner le codage des variables et si oui, pourquoi est-ce important?
Cela ne fait pas de mal de mentionner le codage que vous utilisez, mais je dis qu'à moins que vous n'utilisiez autre chose que le codage de traitement, ou si un autre schéma de codage était généralement utilisé dans votre domaine, ce n'est pas nécessaire.