Wir haben eine logistische Regression mit gemischten Effekten unter Verwendung der folgenden Syntax durchgeführt.
# fit model
fm0 <- glmer(GoalEncoding ~ 1 + Group + (1|Subject) + (1|Item), exp0,
family = binomial(link="logit"))
# model output
summary(fm0)
Betreff und Gegenstand sind die zufälligen Effekte. Wir erhalten ein ungerades Ergebnis, bei dem der Koeffizient und die Standardabweichung für den Fachbegriff beide Null sind.
Generalized linear mixed model fit by maximum likelihood (Laplace
Approximation) [glmerMod]
Family: binomial ( logit )
Formula: GoalEncoding ~ 1 + Group + (1 | Subject) + (1 | Item)
Data: exp0
AIC BIC logLik deviance df.resid
449.8 465.3 -220.9 441.8 356
Scaled residuals:
Min 1Q Median 3Q Max
-2.115 -0.785 -0.376 0.805 2.663
Random effects:
Groups Name Variance Std.Dev.
Subject (Intercept) 0.000 0.000
Item (Intercept) 0.801 0.895
Number of obs: 360, groups: Subject, 30; Item, 12
Fixed effects:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -0.0275 0.2843 -0.1 0.92
GroupGeMo.EnMo 1.2060 0.2411 5.0 5.7e-07 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Correlation of Fixed Effects:
(Intr)
GroupGM.EnM -0.002
Dies sollte nicht passieren, da es offensichtlich Unterschiede zwischen den Themen gibt. Wenn wir die gleiche Analyse in stata ausführen
xtmelogit goal group_num || _all:R.subject || _all:R.item
Note: factor variables specified; option laplace assumed
Refining starting values:
Iteration 0: log likelihood = -260.60631
Iteration 1: log likelihood = -252.13724
Iteration 2: log likelihood = -249.87663
Performing gradient-based optimization:
Iteration 0: log likelihood = -249.87663
Iteration 1: log likelihood = -246.38421
Iteration 2: log likelihood = -245.2231
Iteration 3: log likelihood = -240.28537
Iteration 4: log likelihood = -238.67047
Iteration 5: log likelihood = -238.65943
Iteration 6: log likelihood = -238.65942
Mixed-effects logistic regression Number of obs = 450
Group variable: _all Number of groups = 1
Obs per group: min = 450
avg = 450.0
max = 450
Integration points = 1 Wald chi2(1) = 22.62
Log likelihood = -238.65942 Prob > chi2 = 0.0000
------------------------------------------------------------------------------
goal | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
group_num | 1.186594 .249484 4.76 0.000 .6976147 1.675574
_cons | -3.419815 .8008212 -4.27 0.000 -4.989396 -1.850234
------------------------------------------------------------------------------
------------------------------------------------------------------------------
Random-effects Parameters | Estimate Std. Err. [95% Conf. Interval]
-----------------------------+------------------------------------------------
_all: Identity |
sd(R.subject) | 7.18e-07 .3783434 0 .
-----------------------------+------------------------------------------------
_all: Identity |
sd(R.trial) | 2.462568 .6226966 1.500201 4.042286
------------------------------------------------------------------------------
LR test vs. logistic regression: chi2(2) = 126.75 Prob > chi2 = 0.0000
Note: LR test is conservative and provided only for reference.
Note: log-likelihood calculations are based on the Laplacian approximation.
Die Ergebnisse sind erwartungsgemäß mit einem Koeffizienten ungleich Null / Se für den Fachbegriff.
Ursprünglich dachten wir, dies könnte etwas mit der Codierung des Subject-Terms zu tun haben, aber die Änderung dieser von einer Zeichenfolge in eine Ganzzahl machte keinen Unterschied.
Offensichtlich funktioniert die Analyse nicht richtig, aber wir sind nicht in der Lage, die Ursache der Schwierigkeiten zu bestimmen. (Hinweis: Bei einem anderen Benutzer in diesem Forum ist ein ähnliches Problem aufgetreten. Dieser Thread bleibt jedoch ein unbeantworteter Link zur Frage. )
Vielen Dank für Ihre Beobachtungen. Die Versuchspersonen nehmen an einer Studie teil und es ist mit Leistungsunterschieden zu rechnen. Die Durchschnittswerte waren zu 39% korrekt, mit einer Standardabweichung von 11%. Ich würde erwarten, dass dies in den gemeldeten Statistiken als größer als 0,000 erscheint, aber möglicherweise falsch ist. Ja, natürlich entspricht 7.18e-07 0,000 und 0,000 ist nicht unbedingt null.
—
Nick Riches
Wie oft wurde jeder Proband getestet / beprobt? Ohne die inhaltlichen Aspekte Ihrer Forschung zu kennen, ist, wenn Stata Ihnen sagt, dass die Variation innerhalb der Subjekte 0,000000718 (mit einem Standardfehler von 0,378) und R Ihnen sagt, dass es 0,000 ist, nicht die Geschichte hier, dass es wirklich keine Variation gibt auf der fachebene? Beachten Sie auch, dass Stata Ihnen kein Konfidenzintervall für die Motivvariation gibt.
—
Smillig
Nochmals vielen Dank für Kommentare. Die Probanden wurden elf Mal getestet. Ich denke, das bedeutet, dass nach Berücksichtigung von Gruppen- und Objekteffekten nur sehr geringe Unterschiede zwischen den Teilnehmern bestehen. Es sieht ein bisschen "verdächtig" aus, aber ich vermute, es gibt Konsistenz zwischen den beiden verschiedenen Analysen?
—
Nick Riches
subjectdiese Variablen sind oder sonst etwas, ist dies für uns nicht so "offensichtlich"! Auch der "Nicht-Null-Koeffizient" für den Fachbegriff "aus Ihrer Stata-Analyse ist 7.18e-07! Ich denke, technisch ist es" nicht null ", aber es ist auch nicht weit von 0 ...!