R lmer 모델 : 자유도 및 카이 제곱 값이 0입니다.
다음 모델을 구축했습니다.
full <- lmer(DV~ A*B + (1|speaker), data, REML=FALSE)
A <- lmer(DV~ A+ A:B + (1|speaker), data, REML=FALSE)
B <- lmer(DV~ B+ A:B + (1|speaker), data, REML=FALSE)
interaction <- lmer(DV~ A + B + (1|speaker), data, REML=FALSE)
anova를 사용하여 첫 번째 전체 모델을 다른 모델과 비교합니다.
anova(full, A)
anova(full, B)
anova(full, interaction)
처음 두 비교는 아래와 같이 df 및 카이 제곱 값이 모두 0 인 결과를 생성했습니다.
그러나 나는 또한 null 모델을 다른 모델과 비교하려고 시도했지만 A 또는 B 만 포함합니다.
null <- lmer(DV~ 1 + (1|speaker), data, REML=FALSE)
AA <- lmer(DV~ A + (1|speaker), data, REML=FALSE)
BB <- lmer(DV~ B + (1|speaker), data, REML=FALSE)
AB <- lmer(DV~ A:B + (1|speaker), data, REML=FALSE)
모든 비교가 합리적인 결과를 생성했습니다 (예 : 0 df가 아니고 모든 비교가 중요 함).
온라인에서이 게시물을 찾았습니다. https://www.researchgate.net/post/What_is_a_Likelihood_ratio_test_with_0_degree_of_freedom
그리고 내 생각에 전체 모델의 경우 상호 작용이 주 효과 (A와 B)없이 모든 것을 예측할 수있을 것입니다.
몇 가지 질문이 있습니다.
- 내 추측이 사실일까요?
- 그것이 사실이라면, 왜 null 모델과의 비교가 중요한 효과를 보였습니까?
- 좀 더 일반적인 척도에서 선형 혼합 효과 모델을 만들 때 Null 모델에서 시작하여 한 번에 요인을 추가 한 다음 이전 모델과 비교할 수 있습니까? 아니면 전체 모델에서 줄여야합니까?
- A + B를 기본 모델로 사용하는 경우 :
base <- lmer(DV~ A+B + (1|speaker), data, REML=FALSE)
A <- lmer(DV~ A + (1|speaker), data, REML=FALSE)
B <- lmer(DV~ B + (1|speaker), data, REML=FALSE)
interaction <- lmer(DV~ A*B + (1|speaker), data, REML=FALSE)
기본 모델과 A, B, 상호 작용 간의 비교를 각각보고해도됩니까?
여기에서 데이터 파일과 R 마크 다운 문서를 찾으십시오. dropbox.com/sh/88m8h6blow2xbn5/AABiNccsUlu3AlfPyamQP4n_a?dl=0 저는 또한이 포스트 R lmer 모델 에서 R 스크립트에서 사용한 절차에 대해 질문했습니다 . 요인 추가 또는 감소 요인
제발 도와 주시면 감사하겠습니다. 감사합니다!
답변
이는 모델을 어떻게 full, A그리고 B실제로 동일합니다. 단지 다르게 매개 변수화됩니다. 이를 확인하려면 전체 모델에 대한 추정치를 조사하십시오.
(Intercept) 6.03977 0.34949 17.282
AT2 -0.55051 0.07597 -7.246
AT3 -1.16472 0.07597 -15.331
AT4 0.48228 0.07597 6.348
BS -0.64024 0.07597 -8.427
AT2:BS 0.35379 0.10744 3.293
AT3:BS 0.47244 0.10824 4.365
AT4:BS 0.05247 0.10744 0.488
model A에서 변수에 대한 주 효과를 제거 B하고 다음을 얻었습니다.
Estimate Std. Error t value
(Intercept) 6.03977 0.34949 17.282
AT2 -0.55051 0.07597 -7.246
AT3 -1.16472 0.07597 -15.331
AT4 0.48228 0.07597 6.348
AT1:BS -0.64024 0.07597 -8.427
AT2:BS -0.28645 0.07597 -3.770
AT3:BS -0.16781 0.07710 -2.177
AT4:BS -0.58777 0.07597 -7.737
우리는 즉시 차단에 대한 추정이 볼 AT2- AT4동일합니다. 의 추정치 AT1:BS번째 모델을위한 주요 효과에 대한 평가와 동일한 B풀 모델 (제 모델의 주된 효과를 포함하지 않기 때문에 B). 그런 다음 동일한 이유로 두 번째 모델의 나머지 상호 작용 항 B은 전체 모델 의 주 효과 와 동등한 상호 작용 항의 합이됩니다.
> -0.64024 + 0.35379
[1] -0.28645
> -0.64024 + 0.47244
[1] -0.1678
> -0.64024 + 0.05247
[1] -0.58777
상호 작용을 포함하는 모델에 항상 두 주 효과를 모두 포함하는 것이 좋은 일반적인 조언이라고 생각합니다. 그러면 이러한 유형의 문제가 발생하지 않습니다.