Ich habe 2 Faktoren A
und B
(5 × 3) und eine Kovariate X
in einem innerhalb des Subjekts liegenden Design. So spezifiziere ich mein Gesamtmodell:
lme.out = lme(y~ A*B*X, random=~1|Subject, data=mydata)
Meine Interpretation ist, dass ich ein Diagramm betrachte y~x
, in dem sich die Steigung aufgrund der Kovariate ändert und sich die Linie basierend auf den verschiedenen Ebenen von A
und B
(Änderungen in den Abschnitten) nach oben oder unten verschiebt .
Was ich herausfinden möchte, ist: Wenn ich den Faktor festlegen A
(eine der Ebenen nehmen) und dann die Linien ( y~x
) betrachten würde, wie wirkt sich das aus B
? B
Verschiebt die Ebene der Linie die Linie nach oben oder unten (Abschnitte) oder ändert sie die Steigung der Linie ( X
)?
Sollte ich eine Art Kontrastanalyse durchführen? Ich bin mir jedoch nicht sicher, wie Kontraste zwischen Faktoren und Kovariaten funktionieren.
Eine Möglichkeit, die ich mir vorstellen könnte, besteht darin, die Teilmengen von Daten, die verschiedenen Ebenen von A entsprechen, zu nehmen und Modelle zu erstellen, wie z lme(y~ B+X, random=~1|Subject, data=mydata[which(mydata$A = A1,])
. Auf diese Weise konnte ich die resultierenden Abschnitte und Steigungen zwischen diesen Modellen vergleichen.
Kann mir jemand sagen, ob das, was ich tue, Sinn macht? Vorschläge jeglicher Art wären sehr dankbar!
lattice
oderggplot
oder Basisgrafiken tun,R
je nachdem, was Sie am besten können.Antworten:
Zur Visualisierung von Interaktionsbegriffen können Sie sich das sjPlot-Paket ansehen ( siehe Beispiele hier ).
Ihr Funktionsaufruf wäre
Ich bin mir jedoch nicht sicher, ob dies Ihren Anforderungen entspricht.
quelle
Ich persönlich denke, wenn Sie die wahre Beziehung zwischen Y und den Faktoren in Ihrem Modell nach der Steuerung für X untersuchen möchten, sollten Sie sich die geplotteten angepassten und nicht die rohen Mittelwerte ansehen, die aus Ihrem Lieblingsmodell berechnet wurden. Für die Zwecke gibt es R-Pakete wie lsmeans, die sehr praktisch und benutzerfreundlich sind!
quelle
Sie können die VIFs Ihres Modells untersuchen. VIF steht für Varianzinflationsfaktor und ist eine Methode zur Messung der Co-Linearität.
https://onlinecourses.science.psu.edu/stat501/node/347
Es gibt eine vif-Funktion im Autopaket für R.
quelle