Как я могу протестировать эффекты в ANOVA с разделенным графиком, используя подходящие сравнения моделей для использования с аргументами X
и в R? Я знаком с Далгаардом и (2007) [1]. К сожалению, это только чистит дизайн Split-Plot. Делать это в полностью рандомизированной схеме с двумя факторами внутри субъекта:M
anova.mlm()
?anova.mlm
N <- 20 # 20 subjects total
P <- 3 # levels within-factor 1
Q <- 3 # levels within-factor 2
DV <- matrix(rnorm(N* P*Q), ncol=P*Q) # random data in wide format
id <- expand.grid(IVw1=gl(P, 1), IVw2=gl(Q, 1)) # intra-subjects layout of data matrix
library(car) # for Anova()
fitA <- lm(DV ~ 1) # between-subjects design: here no between factor
resA <- Anova(fitA, idata=id, idesign=~IVw1*IVw2)
summary(resA, multivariate=FALSE, univariate=TRUE) # all tests ...
Следующие сравнения моделей приводят к тем же результатам. Ограниченная модель не включает рассматриваемый эффект, но все другие эффекты того же порядка или ниже, полная модель добавляет рассматриваемый эффект.
anova(fitA, idata=id, M=~IVw1 + IVw2, X=~IVw2, test="Spherical") # IVw1
anova(fitA, idata=id, M=~IVw1 + IVw2, X=~IVw1, test="Spherical") # IVw2
anova(fitA, idata=id, M=~IVw1 + IVw2 + IVw1:IVw2,
X=~IVw1 + IVw2, test="Spherical") # IVw1:IVw2
Дизайн Split-Splot с одним фактором внутри и одним фактором:
idB <- subset(id, IVw2==1, select="IVw1") # use only first within factor
IVb <- gl(2, 10, labels=c("A", "B")) # between-subjects factor
fitB <- lm(DV[ , 1:P] ~ IVb) # between-subjects design
resB <- Anova(fitB, idata=idB, idesign=~IVw1)
summary(resB, multivariate=FALSE, univariate=TRUE) # all tests ...
Это anova()
команды для копирования тестов, но я не знаю, почему они работают. Почему тесты следующих сравнений моделей дают одинаковые результаты?
anova(fitB, idata=idB, X=~1, test="Spherical") # IVw1, IVw1:IVb
anova(fitB, idata=idB, M=~1, test="Spherical") # IVb
Два фактора внутри субъекта и один фактор между субъектами:
fitC <- lm(DV ~ IVb) # between-subjects design
resC <- Anova(fitC, idata=id, idesign=~IVw1*IVw2)
summary(resC, multivariate=FALSE, univariate=TRUE) # all tests ...
Как мне воспроизвести результаты, приведенные выше, с соответствующими модельными сравнениями для использования с аргументами X
и ? Какова логика этих сравнений моделей?M
anova.mlm()
РЕДАКТИРОВАТЬ: Suncoolsu указал, что для всех практических целей данные из этих проектов должны быть проанализированы с использованием смешанных моделей. Тем не менее, я все еще хотел бы понять, как повторить результаты summary(Anova())
с anova.mlm(..., X=?, M=?)
.
[1]: Далгаард, П. 2007. Новые функции для многомерного анализа. Р Новости, 7 (2), 2-7.
lme4
пакет, чтобы соответствовать модели, а неlm
. Но это может быть очень конкретное книжное представление. Я позволю другим комментировать это. Я могу привести пример, основанный на том, как я его интерпретирую, который отличается от вашего.Ответы:
X
И вM
основном определяют две модели , которые вы хотите сравнить, но только с точки зрения последствий внутригрупповых субъекта; затем он показывает результаты для взаимодействия всех эффектов между субъектами (включая перехват) с эффектами внутри объекта, которые изменились междуX
иM
.Ваши примеры
fitB
легче понять, если мы добавим значения по умолчанию дляX
иM
:Первая модель - это изменение не изнутри предметных эффектов (все имеют одинаковое среднее значение) на разные средние значения для каждого, поэтому мы добавили
id
случайный эффект, который является правильным решением для проверки общего перехвата и общего между предметным эффектом. на.Вторая модель рекламирует
id:IVw1
взаимодействие, которое является правильной проверкойIVw1
иIVw1:IVb
условиями против. Поскольку существует только один внутрисубъектный эффект (с тремя уровнями), значение по умолчаниюdiag(3)
во второй модели будет учитывать его; это было бы эквивалентно бежатьДля вас
fitC
, я считаю, что эти команды воссоздаютAnova
резюме.Теперь, как вы обнаружили, эти команды действительно хитры. К счастью, нет больше причин использовать их больше. Если вы хотите принять сферичность, вы должны просто использовать
aov
или, для еще более простого синтаксиса, просто использоватьlm
и вычислять правильные F-тесты самостоятельно. Если вы не желаете принимать сферичность, использованиеlme
действительно является подходом, поскольку вы получаете гораздо большую гибкость, чем с поправками GG и HF.Например, вот
aov
иlm
код для вашегоfitA
. Вы должны сначала иметь данные в длинном формате; Вот один из способов сделать это:А вот
lm and
код AOV`:источник
anova()
из-за проблемы сAnova()
описанным здесь . Но ваше последнее предложение работает так же хорошо и проще. (Незначительная вещь: я думаю, что в последних 2 строках каждая пропущена по 1 закрывающей скобке, и она должна читатьсяError(id/(IVw1*IVw2))
)Сплит-сюжеты возникли в сельском хозяйстве, отсюда и название. Но они часто встречаются, и я бы сказал - рабочая лошадка большинства клинических испытаний. Основной график обрабатывается с уровнем одного фактора, в то время как уровни некоторых других факторов могут варьироваться в зависимости от подзаговоров. Конструкция возникает в результате ограничения полной рандомизации. Например: поле может быть разделено на четыре участка. Может быть возможно высаживать различные сорта на участках, но для всего поля можно использовать только один тип полива. Не различие между расколами и блоками, Блоки - это особенности экспериментальных блоков, которые мы можем использовать в экспериментальном проекте, потому что мы знаем, что они есть. Разделение, с другой стороны, накладывает ограничение на то, какие присвоения факторов возможны. Они предъявляют требования к дизайну, которые препятствуют полной рандомизации.
Они широко используются в клинических испытаниях, где, когда один фактор легко изменить, а другому требуется гораздо больше времени для изменения. Если экспериментатор должен последовательно выполнить все прогоны для каждого уровня коэффициента, который трудно изменить, получается разделенный график, а коэффициент, который трудно изменить, представляет весь коэффициент графика.
Вот пример: в полевых испытаниях на сельском хозяйстве цель заключалась в определении воздействия двух сортов сельскохозяйственных культур и четырех различных методов орошения. Было доступно восемь полей, но только один тип орошения может быть применен к каждому полю. Поля могут быть разделены на две части с различным разнообразием в каждой части. Весь фактор участка - это орошение, которое должно быть случайным образом распределено по полям. В каждом поле присваивается сорт.
Вот как вы делаете это в
R
:По сути, эта модель говорит о том, что ирригация и разнообразие являются фиксированными эффектами, а разнообразие вложено в ирригацию. Поля являются случайными эффектами и наглядно будут что-то вроде
Но это был особый вариант с фиксированным эффектом целого сюжета и эффектом сюжета. Могут быть варианты, в которых один или несколько случайны. Там могут быть более сложные проекты, такие как сплит-сплит. В принципе, вы можете пойти дикий и сумасшедший. Но, учитывая базовую структуру и распределение (то есть фиксированное или случайное, вложенное или скрещенное, ..), ясно понятное,
lmer-Ninja
у моделирования не возникнет проблем. Может быть, интерпретация будет беспорядок.Что касается сравнений, скажем, у вас есть
lmer1
иlmer2
:даст вам соответствующий тест, основанный на статистике теста chi-sq со степенями свободы, равными разности параметров.
cf: Faraway, J., Расширение линейных моделей с помощью R.
Казелла Г., Статистический дизайн
источник