我用四个预测变量进行了序贯混合模型;所有这些都是序数或多级分类的。在模型比较中,我发现了重要的主要作用和交互作用,但是现在我想分解交互作用。
一些示例数据
library(tidyverse)
library(ordinal)
# Mock data
mock_dat <- data.frame(subj = rep(1:10, each = 8),
sex = rep(c("M", "F"), each = 40),
score = sample(1:5, 80, replace = T),
category = rep(c("A", "A", "B", "B", "C", "C", "D", "D"), 10),
item = rep(1:8, 10))
# Deviation coding
mock_dat$dev.sex <- scale(ifelse(mock_dat$sex=="F",1,0), center=TRUE, scale=FALSE)
mock_dat$AB <- scale(ifelse(mock_dat$category=="B",1,0), center=TRUE, scale=FALSE)
mock_dat$AC <- scale(ifelse(mock_dat$category=="C",1,0), center=TRUE, scale=FALSE)
mock_dat$AD <- scale(ifelse(mock_dat$category=="D",1,0), center=TRUE, scale=FALSE)
# Response as factor
mock_dat$score <- as.factor(mock_dat$score)
# Model
mod <- clmm(score ~ dev.sex + AB + AC + AD +
dev.sex:AB + dev.sex:AC + dev.sex:AD +
(1 + AB + AC + AD | subj) +
(1 | item), data = mock_dat)
# Model comparison
no_sex <- update(mod, . ~ . - dev.sex)
no_cat <- update(mod, . ~ . - AB - AC - AD)
no_sex.cat <- update(mod, . ~ . - dev.sex:AB - dev.sex:AC - dev.sex:AD)
现在,假设类别产生了显着影响,性别与类别之间发生了显着相互作用。
我将如何进行事后比较,即查看类别的每个水平如何影响得分以及该影响如何根据性别(互动)而变化?
到目前为止,我已经设法推断出可以使用emmeans
了,但是输出结果绝对是一团糟,我不确定是否需要重新编码预测变量,如果这些预测变量足以在它们出现时仅仅查看它们偏差编码了吗?如果有人可以告诉我他们如何使用emmeans
进行事后比较,这些数据将非常有帮助!