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: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,r,logistic-regression,interaction,mixed-models,multi-level,R,Logistic Regression,Interaction,Mixed Models,Multi Level,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+Va
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?