Я опишу, до якої моделі lmer()підходить кожен ваш дзвінок і чим вони відрізняються, а потім відповім на ваше остаточне запитання щодо вибору випадкових ефектів.
Кожен з ваших трьох моделей містить фіксовані ефекти для practice, contextі взаємодії між ними. Випадкові ефекти відрізняються між моделями.
lmer(ERPindex ~ practice*context + (1|participants), data=base)
participantsparticipant0
lmer(ERPindex ~ practice*context + (1+practice|participants), data=base)
Ця модель, крім випадкового перехоплення, містить також випадковий нахил в practice. Це означає, що швидкість, з якою люди навчаються на практиці, відрізняється від людини до людини. Якщо людина має позитивний випадковий ефект, то вони роблять швидше з практикою, ніж середній показник, тоді як негативний випадковий ефект вказує, що вони навчаються менш швидко з практикою, ніж середній, або, можливо, погіршуються з практикою, залежно від дисперсії випадкового ефект (припускаючи, що фіксований ефект практики є позитивним).
lmer(ERPindex ~ practice*context + (practice|participants) +
(practice|participants:context), data=base)
Ця модель відповідає випадковому нахилу і перехопленню practice(ви повинні зробити, (practice-1|...)щоб придушити перехоплення) так само, як це робила попередня модель, але тепер ви також додали випадковий нахил і перехоплення у факторі participants:context, який є новим фактором, рівні якого - будь-яка комбінація рівнів, присутніх у participantsта, contextі відповідні випадкові ефекти поділяються спостереженнями, які мають однакове значення як participantsі, і context. Щоб відповідати цій моделі, вам потрібно мати кілька спостережень, які мають однакові значення і для, participantsі дляcontextінакше модель не піддається оцінці. У багатьох ситуаціях групи, створені за допомогою цієї змінної взаємодії, є дуже рідкісними і призводять до дуже галасливих / складних для підбору моделей випадкових ефектів, тому ви хочете бути обережними при використанні коефіцієнта взаємодії як групуючої змінної.
В основному (читайте: не отримуючи надто складних) випадкові ефекти слід використовувати, коли ви думаєте, що змінні угруповання визначають "кишені" неоднорідності в наборі даних або що особи, які поділяють рівень коефіцієнта групування, повинні співвідноситися між собою (в той час як особи, які не повинні співвідноситися) - це досягають випадкові ефекти. Якщо ви вважаєте, що спостереження, які поділяють рівні обох participantsі contextє більш схожими, ніж сума двох частин, то, включаючи випадковий ефект "взаємодії", може бути доречним.
Редагувати: Як згадує @Henrik у коментарях, моделі, які вам підходять, наприклад:
lmer(ERPindex ~ practice*context + (1+practice|participants), data=base)
зробіть так, щоб випадковий нахил і випадковий перехоплення співвідносилися один з одним, і це співвідношення оцінюється моделлю. Щоб обмежити модель таким чином, щоб випадковий нахил і випадковий перехоплення були некорельованими (і, отже, незалежними, оскільки вони зазвичай розподіляються), замість цього вам слід підійти до моделі:
lmer(ERPindex ~ practice*context + (1|participants) + (practice-1|participants),
data=base)
Вибір між цими двома має базуватися на тому, чи вважаєте ви, наприклад, participantщо з більшою базовою лінією, ніж середня (тобто позитивний випадковий перехоплення) також, ймовірно, буде більша швидкість зміни, ніж середня (тобто позитивний випадковий нахил). Якщо так, ви дозволите їх співвіднесення, тоді як якщо ні, то ви обмежите їх незалежністю. (Знову ж таки, цей приклад передбачає, що нахил фіксованого ефекту є позитивним).
lmer(ERPindex ~ practice*context + (1|participants) + (0 + practice|participants, data=base)Або я помиляюся? (Не пов'язано: Вибачте за мою невелику редагування вашої публікації. Якщо ви не згодні з уточненням, просто поверніть її назад)