我必须写下三个试图通过不同因素解释声音频率的模型。前两个没有问题,但在第三个模型中并不真正知道他们要求的是什么。我理解随机截距,但不是随机斜率。特别是因为我们将两次使用随机斜率来表达“态度”?任何帮助赞赏。
第一个,model_FE
,只有固定的效果。它试图用frequency
,gender
及其相互作用来解释attitude
。
第二个,model_intercept_only
,就像model_FE
,但也为scenario
和subject
添加随机拦截。
最后,model_max_RE
就像model_FE
一样,但也指定了以下随机效应结构:逐个场景随机截距,gender
,attitude
及其相互作用的随机斜率,以及attitude
的副主题随机截距和随机斜率。
记得设置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)
随机效应术语描述
情景随机截距,以及性别,态度及其相互作用的随机斜率
对应于
(1 + gender*attitude | scenario)
由...描述的那个
以及随机主题随机截距和态度的随机斜率。
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)
(f|g)
中,g
指定了分组变量:这始终是一个分类变量,并且明智应该是一个可交换的变量(即,更改变量上的标签不应该改变它们的含义:我会说sex
通常不会被视为可交换的)。f
左侧的公式组件指定了在分组变量的各个级别之间变化的术语:除非使用-1
或0
明确禁止,否则这总是包含截距。除非您想强制执行随机效果的特定组合彼此独立,否则您应该在相同的f
规范中包含所有不同的术语。如果您想要包含分类变量的多个独立f
术语,则需要特别小心(这需要更长的解释/单独的问题)。(1|subject) + (1|scenario)
意味着跨主题和跨场景的拦截存在差异。