本文以2*2的实验设计为例,利用lmerTest包在R中进行混合线性模型分析,采用sum的因子编码方式,简单介绍一下在summary的结果中,交互作用的beta值的含义。
数据准备:
数据中,A和B是自变量(first level),Y是因变量,Sub和Item是群组变量(second level)
采用sum编码方式,有两种操作方式,下面分别nHQevcVyo介绍:
- 在option中直接设置
查看因子A和因子B的编码方式:
即A因素中以A2为基线,B因素中以B2为基线。
建立模型:
获取summary中固定效应的结果
即A因素beta值为3.218,B因素为3.906,AB交互作用为2.382。
注意,这里A的beta值不是A1和A2均值差距,而是 (A1-A2)/2
进行A因素的事后检验,验证上面的结论:
Results are averaged over the levels of: B
可以看到:6.44 = 2 * 3.22.
同理,B的beta值为(B1-B2)/2.(均值差的一半)。
那么交互作用呢?beta值为2.382,代表什么意思?这里进行简单效应分析:
B = B2:contrast estimate SE df t.ratio p.valueA1 - A2 -1.67 7.86 136 -0.213 0.8318
对交互作用了解比较深刻的人似乎可以察觉到 2.382 和 11.2、1.67这两个数值之间有一些关系。再细心一点,就可以看到下面的关系:
诶?11.2–1.67 代表的是条件A在条件B的不同水平上效应的差异,也就是交互作用在数值上的体现。而summary结果中的2.382是这一数值的1/4,为什么是1/4是想必大家也懂了——既然A和B的beta值是其效应量的一半,那么交互作用肯定是其效应量的1/4了。
那么有什么办法可以直接从summary中获取真实的效应量,而不是减半呢?有!
- 在建模命令中自定义设置为sum编码
重新建立模型:
再来看一下A和B的编码方式:
即从原来的1和-1,变成了0.5和-0.5.
获取summary中固定效应的结果:
再来做一下A和B的事后检验:
可以看到,此时的beta值等于对应的效应量。
再做一下简单效应:
B = B2:contrast estimate SE df t.ratio p.valueA1 - A2 -1.67 7.86 136 -0.213 0.8318
验证一下:
此时交互作用的beta值也等于交互作用的效应量。
总结一下:
- 交互作用其实是看因素A在因素B不同水平上的效应www.58yuanyou.com量的差异;
- sum编码下,summary中固定效应的效应量不一定是真实的效应,应是编码方式而定;
- 有两种sum编码的方式:第一种是在环境中声明——option命令中设置,第二种是建模中自定义设定(通过设置contrasts参数,contr.sum(n)/n);
- 第一种设置下,主效应的 beta值 为真实效应量的1/2,交互作用的 beta 值为真实效应量的1/4;
- 第二种设置下,主效应和交互作用的beta值等于真实效应量原由网;
- 编码类型的不同影响anova和summary中p值的一致性;
- sum编码方式下,矩阵的数值影响summary中固定效应beta值和真实效应量的一致性;
- Shiny Performer中默认为第一种设置方式(因为第一种typing codes起来方便,我懒…)。