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: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,r,anova,R,Anova,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)),
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])