如何在受试者之间进行三向（二元因素）方差分析，包括主要影响和R中的所有交互作用

这项研究将受试者随机分为高监控型和低监控型，受试者按来源专家与吸引人、论据强与弱进行分组。我想测试以下数据框架的主要影响、双向交互和三向交互的重要性——具体来说

主要影响=自我监控高与低、论点强与弱、来源吸引与专家

双向交互=自我监控系统源、自我监控系统源、参数*源

三方互动=自我监控

代码如下：

data<-data.frame(Monitor=c(rep("High.Self.Monitors", 24),rep("Low.Self.Monitors", 24)),
                 Argument=c(rep("Strong", 24), rep("Weak", 24), rep("Strong", 24), rep("Weak", 24)),
                 Source=c(rep("Expert",12),rep("Attractive",12),rep("Expert",12),rep("Attractive",12),
                          rep("Expert",12),rep("Attractive",12),rep("Expert",12),rep("Attractive",12)),
                 Response=c(4,3,4,5,2,5,4,6,3,4,5,4,4,4,2,3,5,3,2,3,4,3,2,4,3,5,3,2,6,4,4,3,5,3,2,3,5,5,7,5,6,4,3,5,6,7,7,6,
                            3,5,5,4,3,2,1,5,3,4,3,4,5,4,3,2,4,6,2,4,4,3,4,3,5,6,4,7,6,7,5,6,4,6,7,5,6,4,4,2,4,5,4,3,4,2,3,4))
data$Monitor<-as.factor(data$Monitor)
data$Argument<-as.factor(data$Argument)
data$Source<-as.factor(data$Source)

如果我输入summaryaovResponse~Monitor*Argument*Source，data=data

有什么想法或想法吗

编辑

---

你的数据并不像你说的那样随机化。为了评估三方互动，你必须让一组受试者将三个因素的水平进行低、强和专家的组合。你没有这样一个团体

看看：

table(data[,1:3])

---

例如。

似乎使用summaryaovResponse~Monitor*Argument*Source，data=数据就可以得到您想要的数据。我假设NAs是由于没有足够的自由度来估计期望的效果。如果你在每个条件下指定更多的受试者数量，或者给出一个可重复的例子，这会有所帮助。@GioraSimchoni数据集的代码就在那里。对不起，Giora，这是教科书设计实验和分析数据p中的问题。397. =/这个问题有个问题。。。高自我监控总是伴随着强有力的论据——因此没有足够的变化。不过，如果这是一个虚拟数据集，您可以对其进行更改：replevel1，24，然后是replevel2，12，然后是replevel3，6，针对每个级别。谢谢，@Giora Simchoni

Call:
lm.default(formula = Response ~ Monitor * Argument * Source, 
    data = data)

Residuals:
    Min      1Q  Median      3Q     Max 
-2.7917 -0.7917  0.2083  1.2083  2.5417 

Coefficients: (4 not defined because of singularities)
                                                   Estimate Std. Error t value Pr(>|t|)    
(Intercept)                                          3.4583     0.2718  12.722  < 2e-16 ***
MonitorLow.Self.Monitors                             1.1667     0.3844   3.035  0.00313 ** 
ArgumentWeak                                             NA         NA      NA       NA    
SourceExpert                                         0.3333     0.3844   0.867  0.38817    
MonitorLow.Self.Monitors:ArgumentWeak                    NA         NA      NA       NA    
MonitorLow.Self.Monitors:SourceExpert               -0.3333     0.5437  -0.613  0.54132    
ArgumentWeak:SourceExpert                                NA         NA      NA       NA    
MonitorLow.Self.Monitors:ArgumentWeak:SourceExpert       NA         NA      NA       NA    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 1.332 on 92 degrees of freedom
Multiple R-squared:  0.1344,    Adjusted R-squared:  0.1062 
F-statistic: 4.761 on 3 and 92 DF,  p-value: 0.00394

table(data[,1:3])