我正在测试视觉透视(1,完全是第一人称->11,完全是第三人称)如何作为文化(AA,EA),价位(积极,消极)和事件类型(记忆,想象)的函数而变化,同时控制年龄(连续),性别(M,F)和SES(连续)并允许个体差异。
这是一个不平衡的设计,因为参与者可以有,因为我们给参与者10个提示,但参与者可以选择回忆或想象一个相关事件。因此,每个参与者可以有尽可能多的记忆(不超过10个)和尽可能多的想象(不超过10个),因为他们想要。我们总共有363名参与者。
我的数据集是这样的。
我拟合的模型是这样的
VP.full.lm <- lmer(Visual.Perspective ~ Culture * Event.Type * Valence +
Sex + Age + SES +
(1|Participant.Number),
data=VP_Long)
当我运行 anova()
函数来查看所有变量的影响,以下是输出结果。
Type III Analysis of Variance Table with Satterthwaite's method
Sum Sq Mean Sq NumDF DenDF F value Pr(>F)
Culture 30.73 30.73 1 859.1 4.9732 0.0260008 *
Valence 6.38 6.38 1 3360.3 1.0322 0.3097185
Event.Type 1088.61 1088.61 1 3385.9 176.1759 < 2.2e-16 ***
Sex 45.12 45.12 1 358.1 7.3014 0.0072181 **
Age 7.95 7.95 1 358.1 1.2869 0.2573719
SES 6.06 6.06 1 358.7 0.9807 0.3226824
Culture:Valence 6.39 6.39 1 3364.6 1.0348 0.3091004
Culture:Event.Type 71.53 71.53 1 3389.7 11.5766 0.0006756 ***
Valence:Event.Type 2.89 2.89 1 3385.4 0.4682 0.4938573
Culture:Valence:Event.Type 3.47 3.47 1 3390.6 0.5617 0.4536399
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
正如你所看到的,文化的影响的DF是偏离的 -- 因为文化是一个主体间的因素,它的DF不能大于我们的样本量。我试着用 ddf = Roger-Kenward
并用 emmeans::test(contrast(emmeans(VP.full.lm,c("Culture")), "trt.vs.ctrl"), joint = T)
然而这些方法都没有解决自由度的问题。
我也想过,也许那些没有同时提供记忆和想象的参与者混淆了lmer模型,所以我将我的数据进行了子集,只包括同时提供两种类型事件的参与者。然而,自由度的问题依然存在。值得一提的是,一旦我去掉了文化和Event.Type之间的交互作用,自由度就变得可信了。
不知道有没有人知道这到底是怎么回事,我们该如何解决这个问题?或者有什么办法可以解释掉这个奇怪的问题...?
先谢谢大家了!
这个问题可能更适合于 交叉验证 ...
不是完整的解决方案,但有一些想法。
pf(4.9732,1,350,lower.tail=FALSE)
=0.0264,与您的0.260值几乎没有差别。lme
(来自 nlme
包):它使用了一个更简单的df计算,在这种情况下可能会给你一个 "正确 "的答案。或者,你也可以从 此处 的算法(略微扩展),实现了来自 lme
.afex::mixed()
函数做了一些检查以确保这是真的)。) 可以想象(虽然我对此表示怀疑),对比度也会影响到你的DDF计算。