Я надеюсь, что вы все не возражаете против этого вопроса, но мне нужна помощь в интерпретации выходных данных для выходных данных модели линейных смешанных эффектов, которые я пытался научиться делать в R. Я новичок в продольном анализе данных и регрессии линейных смешанных эффектов. У меня есть модель, которую я определяю неделями в качестве предиктора времени, и в качестве результата я получаю оценку на курсе занятости. Я смоделировал счет с неделями (временем) и несколькими фиксированными эффектами, полом и расой. Моя модель включает в себя случайные эффекты. Мне нужна помощь, чтобы понять, что означает дисперсия и корреляция. Вывод следующий:
Random effects
Group Name Variance
EmpId intercept 680.236
weeks 13.562
Residual 774.256
Корреляция составляет .231.
Я могу интерпретировать корреляцию, поскольку между неделями и оценкой существует положительная связь, но я хочу быть в состоянии сказать это с точки зрения «23% ...».
Я очень ценю помощь.
Спасибо "Гость" и Макро за ответ. Извините, что не ответил, я был на конференции, и теперь я догоняю. Вот вывод и контекст.
Вот краткое изложение модели LMER, которую я запускал.
>summary(LMER.EduA)
Linear mixed model fit by maximum likelihood
Formula: Score ~ Weeks + (1 + Weeks | EmpID)
Data: emp.LMER4
AIC BIC logLik deviance REMLdev
1815 1834 -732.6 1693 1685
Random effects:
Groups Name Variance Std.Dev. Corr
EmpID (Intercept) 680.236 26.08133
Weeks 13.562 3.682662 0.231
Residual 774.256 27.82546
Number of obs: 174, groups: EmpID, 18
Fixed effects:
Estimate Std. Error t value
(Intercept) 261.171 6.23 37.25
Weeks 11.151 1.780 6.93
Correlation of Fixed Effects:
(Intr)
Days -0.101
Я не понимаю, как интерпретировать дисперсию и остаток для случайных эффектов и объяснить это кому-то еще. Я также не знаю, как интерпретировать корреляцию, кроме того, что она положительная, что указывает на то, что у людей с более высокими значениями перехватов более высокие уклоны, а у тех с более низкими значениями - у более низких уклонов, но я не знаю, как объяснить корреляцию 23%. , , , (Я не знаю, как закончить предложение или даже если это имеет смысл сделать). Для нас это анализ другого типа, поскольку мы (я) пытаемся перейти к продольному анализу.
Надеюсь, это поможет.
Спасибо за вашу помощь.
Зеда
Ответы:
Ваша подогнанная модель с
lme()
может быть выражена какгде - это оценка го сотрудника в недель, и - фиксированный перехват и наклон соответственно, и - случайный перехват и наклон, а - это остаток. Предположения для случайных эффектов , и остаточной являютсяyij i xj α0 α1 δ0i δ1i ϵij δ0i δ1i ϵij
где дисперсионно-ковариационная структура представляет собой симметричную матрицу формы 2 x 2G
Вы можете получить матрицу дисперсии между членами случайных эффектов из
VarCorr(LMER.EduA)$ID
.Ваш результат в основном говорит о том, что
VarCorr(LMER.EduA)
или рассчитать как .В частности, = 680.236 показывает изменчивость перехвата между сотрудниками, = 13.562 - это величина изменчивости наклона между сотрудниками, а 0,231 указывает положительную корреляцию между перехватом и наклоном (когда перехват сотрудника увеличивается на одну единицу стандартного отклонения, наклон этого работника увеличится на 0,231 стандартного отклонения).g21 g22
источник