建模随机斜率

Question

我必须写下三个模型，试图通过不同的因素来解释语音的频率。前两个没问题，但并不真正知道他们在第三个模型中的要求。我了解随机截距，但不了解随机斜率。特别是因为我们将两次对“态度”使用随机斜率？ 任何帮助表示赞赏。

第一个model_FE仅具有固定的效果。它试图根据frequency，gender及其相互作用来解释attitude。

第二个model_intercept_only与model_FE类似，但同时为scenario和subject添加了随机截距。

最后，model_max_RE与model_FE类似，但还指定了以下随机效果结构：按场景随机拦截，以及gender，attitude的随机斜率及其相互作用，以及attitude的对象随机拦截和随机斜率。

记住要设置eval = TRUE。

model_FE <- brm(formula = frequency ~ gender * attitude, 
               data = politeness_data)

model_intercept_only <- brm(formula = frequency ~ gender * attitude + (1|subject) + (1|scenario) , data = politeness_data) 

Answer 1

描述的随机效应项

  

按场景随机截取，以及性别，态度及其相互作用的随机斜率

对应于

(1 + gender*attitude | scenario)

描述的那个

  

以及对象的随机截距和姿态的随机斜率。

对应于

(1 + attitude | subject)

这些术语应与固定效果结合使用

~ gender*attitude + (1 + gender*attitude | scenario) +
   (1 + attitude | subject)

• 在随机效应术语(f|g)中，g指定分组变量：这始终是分类变量，明智的是应将互换变量（即，更改变量上的标签不应更改其含义：我会说sex通常认为不可以交换）。
• | f左侧的公式部分指定随分组变量的级别而变化的术语：除非用-1或{{ 1}}，它始终包含一个截距。除非您要强制随机效果的特定组合相互独立，否则应将所有不同的术语包括在同一0规范中。如果您想要多个包含分类变量的独立f术语，则需要特别小心（这需要较长的解释/独立的问题）。
• 如果它们属于不同的分组变量，则可以合理地在同一模型中具有多个“随机截距”： f意味着跨主题和跨场景的截距有所不同。