R 使用逻辑模型时相互作用不显著，但使用泊松/负二项模型时相互作用显著

我做了一个实验，要求参与者通过一条4人的“传递链”传递一个故事，有点像中国人的耳语游戏。第1个人阅读故事并为第2个人重写，第2个人也会这样做，直到链中的所有四个人都阅读并复制了故事。我感兴趣的是，积极或消极的信息是否能在复制品中更好地“保存”。我用两种方法对此进行建模：一种方法是将原始故事中的每个项目编码为复制品中存在1或不存在0，并使用逻辑模型对此进行建模：

survival.logit <- glmer(Present ~ Posn.c*mood.c*Valence.c + (1+Valence.c|mood.c/Chain.) + (1|Item), data = Survival.Analysis_restructureddata, family = binomial, glmerControl(optimizer="bobyqa", check.conv.grad=.makeCC("warning", 2e-3)))

另一种方法是计算链中丢失的每种类型语句的数量，并使用泊松或负二项模型对数据进行建模

survival.count <- glmer.nb(Loss_across.Chain ~ Posn.c*mood.c*Valence.c + (1 + Valence.c|mood.c/Chain), data = FinalData_forpoisson, control = glmerControl(optimizer = "bobyqa", check.conv.grad = .makeCC("warning", 0.05)))

每个模型中的固定系数为：

Posn.c-链条中心位置

情绪.c-情绪状态a组间因素，以中为中心

价.c-项目正或负的价，居中

两个模型都返回相似的结果，但有一个关键的例外——链中位置和价之间的相互作用在逻辑模型中不显著，但在负二项模型中非常显著。为什么会出现这种情况？？对数据进行图表分析表明，确实存在交互作用，在整个链条中，正面信息的丢失速度要快于负面信息的丢失速度

任何帮助都将不胜感激

编辑：请参见以下两个模型的模型输出：

后勤：

Generalized linear mixed model fit by maximum likelihood (Laplace Approximation) ['glmerMod']
 Family: binomial  ( logit )
Formula: Present ~ Posn.c * mood.c * Valence.c + (1 + Valence.c | mood.c/Chain.) +      (1 | Item)
   Data: Survival.Analysis_restructureddata
Control: glmerControl(optimizer = "bobyqa", check.conv.grad = .makeCC("warning",      0.002))

     AIC      BIC   logLik deviance df.resid 
  5795.2   5895.4  -2882.6   5765.2     5873 

Scaled residuals: 
    Min      1Q  Median      3Q     Max 
-7.7595 -0.5744  0.1876  0.5450  5.5047 

Random effects:
 Groups        Name        Variance  Std.Dev.  Corr
 Chain.:mood.c (Intercept) 7.550e-01 8.689e-01     
               Valence.c   1.366e+00 1.169e+00 0.47
 Item          (Intercept) 1.624e+00 1.274e+00     
 mood.c        (Intercept) 3.708e-18 1.926e-09     
               Valence.c   7.777e-14 2.789e-07 1.00
Number of obs: 5888, groups:  Chain.:mood.c, 92; Item, 16; mood.c, 2

Fixed effects:
                        Estimate Std. Error z value Pr(>|z|)    
(Intercept)              0.43895    0.33331   1.317   0.1879    
Posn.c                  -0.54789    0.03153 -17.378   <2e-16 ***
mood.c                  -0.23004    0.19436  -1.184   0.2366    
Valence.c                1.64397    0.65245   2.520   0.0117 *  
Posn.c:mood.c           -0.07000    0.06141  -1.140   0.2543    
Posn.c:Valence.c         0.06144    0.06301   0.975   0.3295    
mood.c:Valence.c        -0.05999    0.28123  -0.213   0.8311    
Posn.c:mood.c:Valence.c  0.01498    0.12276   0.122   0.9029    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Correlation of Fixed Effects:
            (Intr) Posn.c mood.c Vlnc.c Psn.:. Ps.:V. md.:V.
Posn.c      -0.009                                          
mood.c      -0.001  0.009                                   
Valence.c    0.025 -0.019 -0.002                            
Posn.c:md.c  0.001  0.007 -0.014 -0.001                     
Psn.c:Vlnc. -0.018  0.054 -0.002 -0.009 -0.024              
md.c:Vlnc.c -0.002 -0.002  0.399 -0.001 -0.065  0.012       
Psn.c:m.:V. -0.001 -0.024 -0.046  0.001  0.060  0.007 -0.019

负二项式：

Generalized linear mixed model fit by maximum likelihood (Laplace Approximation) ['glmerMod']
 Family: Negative Binomial(5.0188)  ( log )
Formula: Loss_across.Chain ~ Posn.c * mood.c * Valence.c + (1 + Valence.c |      mood.c/Chain)
   Data: FinalData_forpoisson
Control: ..3

     AIC      BIC   logLik deviance df.resid 
  1901.3   1970.4   -935.7   1871.3      721 

Scaled residuals: 
    Min      1Q  Median      3Q     Max 
-1.3727 -0.7404 -0.5037  0.4609  7.3896 

Random effects:
 Groups       Name        Variance  Std.Dev. Corr
 Chain:mood.c (Intercept) 1.989e-13 4.46e-07     
              Valence.c   3.589e-13 5.99e-07 1.00
 mood.c       (Intercept) 0.000e+00 0.00e+00     
              Valence.c   1.690e-14 1.30e-07  NaN
Number of obs: 736, groups:  Chain:mood.c, 92; mood.c, 2

Fixed effects:
                        Estimate Std. Error z value Pr(>|z|)    
(Intercept)             -0.19375    0.04797  -4.039 5.37e-05 ***
Posn.c                  -0.61020    0.04124 -14.798  < 2e-16 ***
mood.c                   0.04862    0.09597   0.507  0.61242    
Valence.c               -0.27487    0.09594  -2.865  0.00417 ** 
Posn.c:mood.c           -0.04232    0.08252  -0.513  0.60803    
Posn.c:Valence.c         0.38080    0.08247   4.617 3.89e-06 ***
mood.c:Valence.c         0.13272    0.19194   0.691  0.48929    
Posn.c:mood.c:Valence.c  0.05143    0.16504   0.312  0.75534    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Correlation of Fixed Effects:
            (Intr) Posn.c mood.c Vlnc.c Psn.:. Ps.:V. md.:V.
Posn.c       0.491                                          
mood.c      -0.014  0.007                                   
Valence.c    0.030 -0.090 -0.036                            
Posn.c:md.c  0.007 -0.008  0.492 -0.021                     
Psn.c:Vlnc. -0.090  0.063 -0.021  0.491 -0.030              
md.c:Vlnc.c -0.036 -0.021  0.027 -0.014 -0.091  0.007       
Psn.c:m.:V. -0.021 -0.030 -0.091  0.007  0.060 -0.008  0.492

---

如果没有一个可复制的例子，或者至少没有模型的总结，你是在要求纯粹的推测。这两种方法都会大大改善这个问题。基于模型输出，我最初的怀疑是正确的。您已经在第二个模型n=5888 vs 736中进行了聚合。聚合意味着一些信息的丢失。计数模型会删除项目的RE。在逻辑模型中，这似乎是一个具有统计意义的RE，尽管我不确定它是否具有实质意义。此外，至少在逻辑模型中，您似乎没有理想地指定RE。如果你移除二级情绪，轻轨是什么。。。你是不是先做了一个无条件均值模型来看看方差的划分是什么？你在重新给出1.00的相关性时似乎也有一些问题。你有足够的观测数据来估计所有这些参数吗。。。。也就是说，我认为你的模型是/是错误的感谢你所有的反馈@Alex。我有几个问题。你是对的，第二个模型是聚合的-我对第二个模型中的每个参与者有两个结果-第二个模型中的正计数和负计数，而第一个模型中的每个8 x正项目和8 x负项目有16个结果。你提到我没有重新指定的理想-你会推荐什么？