如何将 Afex 或汽车 ANOVA 模型转换为 lmer？观察到的变量

Question

在afex包中，我们可以找到 ANOVA 分析的这个例子：

data(obk.long, package = "afex")
# estimate mixed ANOVA on the full design:
# can be written in any of these ways: 

aov_car(value ~ treatment * gender + Error(id/(phase*hour)), data = obk.long,
        observed = "gender")

aov_4(value ~ treatment * gender + (phase*hour|id), data = obk.long,
        observed = "gender")

aov_ez("id", "value", obk.long, between = c("treatment", "gender"), 
       within = c("phase", "hour"), observed = "gender")

我的问题是，如何在lme4. 特别是，我不知道如何包括“观察到”一词？

如果我只是写

lmer(value ~ treatment * gender + (phase*hour|id), data = obk.long,
     observed = "gender")

我收到一个错误，告诉我观察到的不是一个有效的选项。

此外，如果我只是删除观察到的选项lmer会产生错误：

错误：观察次数 (=240) <= 术语 (阶段 * 小时 | id) 的随机效应数 (=240)；随机效应参数和残差方差（或尺度参数）可能无法识别。

我在 lmer 语法中的何处指定“介于”或“在”变量中？。据我所知，您只需将因变量写在左侧，将所有其他变量写在右侧，误差项为 (1|id)。

包“car”将 idata 用于主题内变量。

Answer 1

我可能对经典方差分析理论了解不够，无法完全回答这个问题，但我会尝试一下。首先，有几点：

\n\n

\n
• 这observed论点似乎仅与效应大小的计算相关。
\n

\n\n

\n

观察到：\xe2\x80\x98字符\xe2\x80\x99向量，指示与实验操作相比\n观察到（即测量）的变量。报告的默认效应大小（广义\n eta平方）需要正确指定观察到的[原文如此]\n（与操纵的相比）变量。

\n

\n\n

...所以我认为你把它排除在外是安全的。

\n\n

\n
• 如果你想覆盖错误，你可以使用
\n

\n\n\n\n

  control=lmerControl(check.nobs.vs.nRE="ignore")\n

\n\n

...但这可能不是正确的前进方向。

\n\n

我认为但不确定这是正确的方法：

\n\n

m1 <- lmer(value ~ treatment * gender + (1|id/phase:hour), data = obk.long,\n    control=lmerControl(check.nobs.vs.nRE="ignore",\n                            check.nobs.vs.nlev="ignore"),\n    contrasts=list(treatment=contr.sum,gender=contr.sum))\n

\n\n

phase这指定 和之间的相互作用hour在 内变化id。残差方差和（id 内逐小时）方差是混杂的（这就是为什么我们需要最重要的lmerControl()规范），因此不要相信那些特定的方差估计。然而，治疗和性别的主要影响应该同样处理。如果您加载lmerTest而不是lmer运行，summary(m1)或者anova(m1)它为您提供了相同的自由度 (10)，用于由 计算的固定（性别和治疗）效果afex。

\n\n

lme给出了类似的答案，但需要预先构建逐小时的交互：

\n\n

library(nlme)\nobk.long$ph <- with(obk.long,interaction(phase,hour))\nm2 <- lme(value ~ treatment * gender,\n             random=~1|id/ph, data = obk.long,\n    contrasts=list(treatment=contr.sum,gender=contr.sum))\nanova(m2,type="marginal")\n

\n\n

我不知道如何重建afex随机效应的测试。

\n