LMER因子与数值交互作用

我正在尝试使用lmer对我的数据进行建模

我的数据有两个自变量和一个因变量

第一个是“变形”，其值为“相同”、“近”、“远”。
第二个是“响应”，可以是“旧的”或“新的”。
因变量为“固定计数”

这是一个示例数据帧，也是我目前运行线性模型的数据帧

Subject <- c(rep(1, times = 6), rep(2, times = 6))
 q <- c("Identical", "Near", "Far")
 Morph <- c(rep(q, times = 4))
 t <- c(rep("old", times = 3),rep("new", times=3))
 Response <- c(rep(t, times = 2))
 Fix_Count <- sample(1:9, 12, replace = T)
 df.main <- data.frame(Subject,Morph, Response, Fix_Count, stringsAsFactors = T)
df.main$Subject <- as.factor(df.main$Subject)

 res = lmer(Fix_Count ~ (Morph * Response) + (1|Subject), data=df.main)
 summary(res)

---

Subject我看到两个问题。首先，您应该为主题使用因子变量。它显然不是一个连续或整数变量。为了（可能）解决部分问题，有一个
交互
函数设计用于处理回归公式。我很确定formula接口将解释您用来调用
交互
的“*”运算符，但输出的标签可能不同，可能更符合您的喜好。我得到了相同数量的系数：

res = lmer(Fix_Count ~ interaction(Morph , Response) + (1|Subject), data=df.main)

但这并不是一个进步。
但是，它们与使用
Morph*Response
创建的模型不同。可能存在一组不同的对比度选项

获得交互整体统计测试的方法是比较嵌套模型：

res_simple = lmer(Fix_Count ~ Morph + Response + (1|Subject), data=df.main)

然后对模型比较进行方差分析：

anova(res,res_simple)
refitting model(s) with ML (instead of REML)
Data: df.main
Models:
res_simple: Fix_Count ~ Morph + Response + (1 | Subject)
res: Fix_Count ~ interaction(Morph, Response) + (1 | factor(Subject))
           Df    AIC    BIC  logLik deviance  Chisq Chi Df Pr(>Chisq)
res_simple  6 50.920 53.830 -19.460   38.920                         
res         8 54.582 58.461 -19.291   38.582 0.3381      2     0.8445

我的观点是，它足够接近统计与编码的界限，在任何一个论坛上都可以接受。（然而，你不应该交叉张贴。）如果你对编码答案感到满意，那么我们就完成了。如果你在理解模型比较方面需要帮助，那么你可能需要编辑你简历上的问题，要求得到比我更基于理论的答案。（我检查以确保无论使用交互函数还是“*”运算符，
anova
结果都是相同的。）
我看到了两个问题。首先，您应该为主题使用因子变量。它显然不是一个连续或整数变量。为了（可能）解决部分问题，有一个
交互
函数设计用于处理回归公式。我很确定formula接口将解释您用来调用
交互
的“*”运算符，但输出的标签可能不同，可能更符合您的喜好。我得到了相同数量的系数：

res = lmer(Fix_Count ~ interaction(Morph , Response) + (1|Subject), data=df.main)

但这并不是一个进步。
但是，它们与使用
Morph*Response
创建的模型不同。可能存在一组不同的对比度选项

获得交互整体统计测试的方法是比较嵌套模型：

res_simple = lmer(Fix_Count ~ Morph + Response + (1|Subject), data=df.main)

然后对模型比较进行方差分析：

anova(res,res_simple)
refitting model(s) with ML (instead of REML)
Data: df.main
Models:
res_simple: Fix_Count ~ Morph + Response + (1 | Subject)
res: Fix_Count ~ interaction(Morph, Response) + (1 | factor(Subject))
           Df    AIC    BIC  logLik deviance  Chisq Chi Df Pr(>Chisq)
res_simple  6 50.920 53.830 -19.460   38.920                         
res         8 54.582 58.461 -19.291   38.582 0.3381      2     0.8445

我的观点是，它足够接近统计与编码的界限，在任何一个论坛上都可以接受。（然而，你不应该交叉张贴。）如果你对编码答案感到满意，那么我们就完成了。如果你在理解模型比较方面需要帮助，那么你可能需要编辑你简历上的问题，要求得到比我更基于理论的答案。（我检查以确保
anova
结果是相同的，无论您使用的是交互函数还是“*”操作符。）
我非常确定
交互（变形，响应）
与
因子（粘贴（变形，响应，sep=“.”）相当，因此
交互之间的真正区别是（变形、响应）
和
Morph*Response
是指你是否获得了主要效果。你可能是对的，在这种情况下，使用“交互”的建议显然是不明智的。我要强调一下，因为问题的核心是如何进行跨模型比较。感谢你的回答。因此，要澄清这个想法，就要制作一个没有交互的模型然后是交互作用的模型，然后使用方差分析，看看交互作用的模型对数据的拟合程度有多好。你可以从中得到一个p值。如果我单独使用方差分析（res）（而不是摘要（res），而不是方差分析（res，res_simple）），似乎可以得到相同的值。是首选吗？谢谢！“是的”对于第一个问题，“不是这样”对于第二个问题。我不会想到那些ANOVA调用会有两个会给出相同的结果。
ANOVA（res，res_reduced）
给了我两行数字值，需要根据模型自由度检查模型拟合的差异。
ANOVA（res）
根本不会给出相同的结果。不确定“t-stats”是什么意思。这个问题（至少我理解的是）是关于模型比较的，而不是关于可能使用t-tests的Wald类型测试。问题中的原始输出有
t-values
。我非常确定
交互（变形，响应）
几乎等同于
因子（粘贴（变形，响应，sep=“.”）
，因此
交互（变形，响应）之间的真正区别
和
Morph*Response
是指你是否获得了主要效果。你可能是对的，在这种情况下，使用“交互”的建议显然是不明智的。我要强调一下，因为问题的核心是如何进行跨模型比较。感谢你的回答。因此，要澄清这个想法，就要制作一个没有交互的模型然后是交互作用的模型，然后使用方差分析，看看交互作用的模型对数据的拟合程度有多好。你可以从中得到一个p值。如果我单独使用方差分析（res）（而不是摘要（res），而不是方差分析（res，res_simple）），似乎可以得到相同的值。是首选吗？谢谢！“是的”对于第一个问题，“不是这样”对于第二个问题。我不会想到那些ANOVA调用会有两个会给出相同的结果。
ANOVA（res，res_reduced）
给了我两行数字值，需要根据模型自由度检查模型拟合的差异。
ANOVA（res）