lmer中的主体间因子自由度错误

Question

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!

Answer 1

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。

• 从实际角度看，363（甚至350）分母df和859 ddf之间的差别很小：根据4.9732的F统计量手工计算p值，得出：-------------。pf(4.9732,1,350,lower.tail=FALSE)=0.0264，与您的0.260值几乎没有差别。
• 由于您正在拟合一个简单的模型（LMM而非GLMM，只有一个简单的随机效应，等等），您也许可以在以下情况下重新拟合您的模型。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.
• 由于你正在做第三类Anova，你应该非常小心你的模型中的参数化对比：如果你没有使用居中（总和为零）的对比，你的结果可能并不意味着你所想的那样（你的模型中的 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。
• 不清楚你是如何测量 "视觉透视 "的，但如果这是一个评分表，你可能会更好地使用一个序数响应模型......。