我在R中正确指定我的纵向模型时遇到了一些麻烦。我的分析是在三个时间点评估得分的性别差异。实际上,我想看看性别是否具有更高的分数和/或不同的变化率。我知道我正在试图查看性别之间的截距和/或斜率是否不同,但我不确定如何构建模型/输入什么作为固定或随机效果。
我的数据的一个小例子:
'data.frame': 108 obs. of 10 variables:
$ PNumber : Factor w/ 36 levels "P1002","P1004",..: 1 1 1 2 2 2 3 3 3 4 ...
$ Sex : Factor w/ 2 levels "Female","Male": 1 1 1 1 1 1 1 1 1 2 ...
$ Visit : Factor w/ 3 levels "V1","V2","V3": 1 2 3 1 2 3 1 2 3 1 ...
$ V1 : int 1 0 0 1 0 0 1 0 0 1 ...
$ V2 : int 0 1 0 0 1 0 0 1 0 0 ...
$ V3 : int 0 0 1 0 0 1 0 0 1 0 ...
$ TD : num 0 0 0.1818 0.0909 0.3636 ...
“TD”是测量分数,“PNumber”是ID变量,“Visit”表示测量时间。
据我所知,该模型用于测试截距的差异:
m1 <- lmer(TD ~ Sex + Visit + (1|PNumber), data=data)
斜坡:
m2 <- lmer(TD ~ Sex * Visit + (1+Sex|PNumber), data=data)
这些模型是否捕获了我想要评估的内容?
我真的很感谢在正确的方向上提供任何帮助。在过去的几周里,我对R拼凑了一个非常基本的理解,所以如果我错过了一些非常简单的事情,我会道歉。
答案 0 :(得分:4)
因此,1级组是重复测量(访问),2级组是个体(PNumber)。这就是我要做的事情(我认为你已经接近了):
从无条件模型开始:
m1 <- lmer (TD ~ Visit + (~1|PNumber), data=data)
然后,允许随着时间的推移在第2级随机变化:
m2 <- lmer (TD ~ Visit + (~Visit|PNumber), data=data)
然后,将性别添加到您的模型中:
m3 <- lmer (TD ~ Visit + Gender + (~Visit|PNumber), data=data)
这将提供性别的固定效应估计,告诉您性别是否是更高分数的重要预测因子。
然后,添加随时间和性别的变化之间的相互作用:
m4 <- lmer (TD ~ Visit + Gender + Visit*Gender (~Visit|PNumber), data=data)
这将为随时间变化和性别之间的相互作用提供固定效应估计,告诉您性别之间的分数变化率是否存在显着差异。