Lmer（）-显示summary（）的全部输出
我有以下型号：Lmer（）-显示summary（）的全部输出,r,R,我有以下型号： lmer(Score~Closure*ExpertiseType+Expertise*LastPosition+Closure*LastPosition+(1|Participant)+(1|Item), data = datasheet.complete, REML = TRUE) 当我总结（模型）时，我得到32个结果。但是，结果应该更多，因为函数提供了关于三个交互中的两个交互的信息（仅ClosureExpertySetype和ExpertySetypeLastPositio
lmer(Score~Closure*ExpertiseType+Expertise*LastPosition+Closure*LastPosition+(1|Participant)+(1|Item), data = datasheet.complete, REML = TRUE)
我通过比较选择了这个模型。以下是模型比较和结果：
modela = lmer(Score~1+(1|Participant)+(1|Item), data = datasheet.complete, REML = TRUE)
modelb = update(modela,.~.+ExpertiseType)
modelc = update(modelb,.~.+Closure)
modeld = update(modelc,.~.+LastPosition)
modele = update(modeld,.~.+ExpertiseType*Closure)
modelf = update(modele,.~.+ExpertiseType*LastPosition)
modelg = update(modelf,~.+Closure*LastPosition)
anova(modela,modelb,modelc,modeld,modele,modelf,modelg)
Df AIC BIC logLik deviance Chisq Chi Df Pr(>Chisq)
modela 4 24694 24722 -12343 24686
modelb 6 24697 24739 -12343 24685 1.2965 2 0.522967
modelc 9 24696 24759 -12339 24678 6.9578 3 0.073255 .
modeld 16 24662 24774 -12315 24630 47.9619 7 3.622e-08 ***
modele 22 24636 24790 -12296 24592 38.7574 6 7.985e-07 ***
modelf 36 24601 24853 -12264 24529 62.5349 14 4.195e-08 ***
modelg 57 24600 25000 -12243 24486 43.1038 21 0.003049 **
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
model=lmer（分数~close*ExpertiseType+ExpertiseType*LastPosition+close*LastPosition+（1 |参与者）+（1 |项），数据=数据表。完成，REML=TRUE）
摘要（模型）
t值Pr（>t |）
（截距）43.673<2e-16***
Closurecl_c1-0.005 0.99616
Closurecl_c2-0.905 0.36547
Closurecl_c3 1.752 0.07979。
专家类型EXP_c1-0.213 0.83270
专家类型EXP_c2 1.197 0.23853
LastPosition.pos_c1 2.306 0.02114*
最后位置POS2 4.379 1.20e-05***
最后位置POS3 2.680 0.00738**
最后位置POS4 0.850 0.39550
最后位置5-2.353 0.01865*
最后位置6-0.295 0.76787
最后位置POS7 2.720 0.00655**
Closurecl_c1:ExpertiseTypeexp_c1-0.663 0.50738
Closurecl_c2:ExpertiseTypeexp_c1 2.556 0.01059*
Closurecl_c3:ExpertiseTypeexp_c1 5.494.05e-08***
Closurecl_c1:ExpertiseTypeexp_c2-1.390 0.16460
Closurecl_c2:ExpertiseTypeexp_c2-0.347 0.72870
Closurecl_c3:ExpertiseTypeexp_c2-1.270 0.20394
专家类型exp_c1:LastPosition.pos_c1 4.069 4.77e-05***
ExpertiseTypeexp_c2:LastPosition.pos_c1 0.424 0.67125
ExpertiseTypeexp_c1:LastPositionpos2 2.733 0.00630**
ExpertiseTypeexp_c2:LastPositionpos2 0.147 0.88285
ExpertiseTypeexp_c1:LastPositionpos3-0.481 0.63030
ExpertiseTypeexp_c2:LastPositionpos3-0.865 0.38688
ExpertiseTypeexp_c1:LastPositionpos4-3.134 0.00173**
ExpertiseTypeexp_c2:LastPositionpos4 1.574 0.11564
ExpertiseTypeexp_c1:LastPositionpos5-0.205 0.83736
ExpertiseTypeexp_c2:LastPositionpos5-1.352 0.17644
ExpertiseTypeexp_c1:LastPositionpos6-1.582 0.11374
ExpertiseTypeexp_c2:LastPositionpos6 1.194 0.23248
专家类型EXP_c1:LastPositionpos7 4.333 1.49e-05***
ExpertiseTypeexp_c2:LastPositionpos7 1.063 0.28801
Closurecl_c1:LastPosition.pos_c1-2.309 0.02095*
Closurecl_c2:LastPosition.pos_c1-3.241 0.00119**
Closurecl_c3:LastPosition.pos_c1-2.222 0.02628*
Closurecl_c1:LastPositionpos2-0.706 0.48044
Closurecl_c2：最后位置位置2-1.540 0.12367
Closurecl_c3:LastPositionpos2-0.304 0.76125
Closurecl_c1:LastPositionpos3 1.572 0.11604
Closurecl_c2:LastPositionpos3-1.057 0.29054
Closurecl_c3:LastPositionpos3-0.271 0.78661
Closurecl_c1:LastPositionpos4 1.871 0.06142。
Closurecl_c2:LastPositionpos4 0.229 0.81925
Closurecl_c3:LastPositionpos4-0.229 0.81875
Closurecl_c1:LastPositionpos5 1.036 0.30022
Closurecl_c2:LastPositionpos5-1.314 0.18876
Closurecl_c3:LastPositionpos5 0.315 0.75256
Closurecl_c1:LastPositionpos6 0.681 0.49584
Closurecl_c2:LastPositionpos6 1.398 0.16216
Closurecl_c3:LastPositionpos6 0.248 0.80452
Closurecl_c1:LastPositionpos7 0.105 0.91666
Closurecl_c2：最后位置Pos7 1.880 0.06017。
Closurecl_c3:LastPositionpos7-1.936 0.05287。
---
签名。代码：0'***'0.001'***'0.01'*'0.05'.'0.1''1
默认情况下不显示相关矩阵，因为p=54>12。
使用打印（x，相关性=真）或
vcov（x）如果你需要的话
我创建了一个矩形对比度矩阵，LastPosition.pos_c1是实际的对比度假设。LastPositionpos1，2，3，4，5，6，7表示什么，因为它是矩形->正方形变换的产物。如您所见，在输出中，3个双向交互中只有2个。我不知道最后一个结束在哪里。如果您使用的是R studio，请将摘要存储在新变量或名称中，然后当此新变量显示在R studio的工作区中时，单击它以在新选项卡中打开它。通过这种方式，您可以看到summary对象中存储的所有元素。您是否有足够的数据来估计所有系数，或者只是遗漏了参考类别？您能否添加数据的
str摘要的结果（包括任何警告）please@user20650，我不知道str是什么，所以我试着用最有用的方式更新帖子。谢谢Luca的更新。你的问题是“闭包*最后位置被删掉了”，但是从你的总结中，系数显示了吗？另外，“三个交互中只有两个双向交互”，你的意思是你期望闭包、LastPosition和ExpertiseType之间有三个双向交互；如果是这样，您还没有向模型中添加三方交互。（请注意，如果您查看str（datasheet.complete）
它可以让您看到变量的类别、数据大小、因素级别等-因此添加到问题中以快速提供详细信息可能会很有用）@user20650这是真的。。老实说，这很尴尬。。不知道我心里发生了什么。一切都很好
model = lmer(Score~Closure*ExpertiseType+ExpertiseType*LastPosition+Closure*LastPosition+(1|Participant)+(1|Item), data = datasheet.complete, REML = TRUE)
summary(model)
t value Pr(>|t|)
(Intercept) 43.673 < 2e-16 ***
Closurecl_c1 -0.005 0.99616
Closurecl_c2 -0.905 0.36547
Closurecl_c3 1.752 0.07979 .
ExpertiseTypeexp_c1 -0.213 0.83270
ExpertiseTypeexp_c2 1.197 0.23853
LastPosition.pos_c1 2.306 0.02114 *
LastPositionpos2 4.379 1.20e-05 ***
LastPositionpos3 2.680 0.00738 **
LastPositionpos4 0.850 0.39550
LastPositionpos5 -2.353 0.01865 *
LastPositionpos6 -0.295 0.76787
LastPositionpos7 2.720 0.00655 **
Closurecl_c1:ExpertiseTypeexp_c1 -0.663 0.50738
Closurecl_c2:ExpertiseTypeexp_c1 2.556 0.01059 *
Closurecl_c3:ExpertiseTypeexp_c1 5.494 4.05e-08 ***
Closurecl_c1:ExpertiseTypeexp_c2 -1.390 0.16460
Closurecl_c2:ExpertiseTypeexp_c2 -0.347 0.72870
Closurecl_c3:ExpertiseTypeexp_c2 -1.270 0.20394
ExpertiseTypeexp_c1:LastPosition.pos_c1 4.069 4.77e-05 ***
ExpertiseTypeexp_c2:LastPosition.pos_c1 0.424 0.67125
ExpertiseTypeexp_c1:LastPositionpos2 2.733 0.00630 **
ExpertiseTypeexp_c2:LastPositionpos2 0.147 0.88285
ExpertiseTypeexp_c1:LastPositionpos3 -0.481 0.63030
ExpertiseTypeexp_c2:LastPositionpos3 -0.865 0.38688
ExpertiseTypeexp_c1:LastPositionpos4 -3.134 0.00173 **
ExpertiseTypeexp_c2:LastPositionpos4 1.574 0.11564
ExpertiseTypeexp_c1:LastPositionpos5 -0.205 0.83736
ExpertiseTypeexp_c2:LastPositionpos5 -1.352 0.17644
ExpertiseTypeexp_c1:LastPositionpos6 -1.582 0.11374
ExpertiseTypeexp_c2:LastPositionpos6 1.194 0.23248
ExpertiseTypeexp_c1:LastPositionpos7 4.333 1.49e-05 ***
ExpertiseTypeexp_c2:LastPositionpos7 1.063 0.28801
Closurecl_c1:LastPosition.pos_c1 -2.309 0.02095 *
Closurecl_c2:LastPosition.pos_c1 -3.241 0.00119 **
Closurecl_c3:LastPosition.pos_c1 -2.222 0.02628 *
Closurecl_c1:LastPositionpos2 -0.706 0.48044
Closurecl_c2:LastPositionpos2 -1.540 0.12367
Closurecl_c3:LastPositionpos2 -0.304 0.76125
Closurecl_c1:LastPositionpos3 1.572 0.11604
Closurecl_c2:LastPositionpos3 -1.057 0.29054
Closurecl_c3:LastPositionpos3 -0.271 0.78661
Closurecl_c1:LastPositionpos4 1.871 0.06142 .
Closurecl_c2:LastPositionpos4 0.229 0.81925
Closurecl_c3:LastPositionpos4 -0.229 0.81875
Closurecl_c1:LastPositionpos5 1.036 0.30022
Closurecl_c2:LastPositionpos5 -1.314 0.18876
Closurecl_c3:LastPositionpos5 0.315 0.75256
Closurecl_c1:LastPositionpos6 0.681 0.49584
Closurecl_c2:LastPositionpos6 1.398 0.16216
Closurecl_c3:LastPositionpos6 0.248 0.80452
Closurecl_c1:LastPositionpos7 0.105 0.91666
Closurecl_c2:LastPositionpos7 1.880 0.06017 .
Closurecl_c3:LastPositionpos7 -1.936 0.05287 .
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Correlation matrix not shown by default, as p = 54 > 12.
Use print(x, correlation=TRUE) or
vcov(x) if you need it