用于纵向设计的 Lmer
Lmer for longitudinal design
我有一个纵向数据集，其中每个主题都有以下变量：
IV：3 个因素（factorA、factorB、factorC、factorD），每个因素在干预开始和结束时测量两次。
DV：一个结果变量（行为），也在干预开始和结束时测量两次。
我想创建一个模型，使用 因子 A、因子 B、因子 C、因子 D 的变化（干预从开始到结束的变化）来预测 行为改变（再次从头到尾）。
我想使用 factorA、factorB、factorC、factorD（从干预前到 post 的增量值）并使用这些增量值来预测 D1 的增量值。我还想对每个因子（A、B、C 和 D）的绝对值进行协变（例如，仅使用对每个因素进行干预）以确保我考虑到这些 IV 的绝对值（而不是变化）可能对 DV 产生的变化。
这是我的数据集：
enter image description here
到目前为止，这是我的模型：
Model <- lmer(Delta_behavior ~ Absolute_factorA + Absolute_factorB +
Absolute_factorC + Absolute_factorD + Delta_factorA +
Delta_factorB + Delta_factorC + Delta_factorD +
(1|Subject),a)
我认为我做错了什么，因为我得到这个错误：
Error: number of levels of each grouping factor must be < number of observations
我做错了什么？数据集的结构是否奇怪？我不应该使用增量值吗？我应该使用另一个测试（不是 lmer）吗？
因为您已将数据减少到每个受试者的单个观察值，所以您不需要使用 multi-level/mixed 模型。 lmer 给你一个错误的原因是在这种情况下 between-subject 方差与残差方差混淆。
您或许可以继续使用线性模型 (lm) 进行此分析。
更多技术细节
第 i 个观测值的分布方程类似于 [fixed-effect predictors] + eps(subject(i)) + eps(i)，其中 eps(subject(i)) 是与第 i 个相关的主体的正态误差项观察，eps(i) 是与第 i 个观察相关的正态残差。如果每个受试者只有一个观察值，那么每个观察值都有两个唯一的误差项。 V1 和 V2 的均值和方差为零的两个正态变量之和也是均值为零且方差为 V1+V2 的正态变量...因此 V1 和 V2 无法共同识别。如果你真的想，你可以使用 lmerControl 来覆盖错误； lmer 将 return V1、V2 的任意组合估计总方差。
有一个类似的示例 here。
我有一个纵向数据集，其中每个主题都有以下变量：
IV：3 个因素（factorA、factorB、factorC、factorD），每个因素在干预开始和结束时测量两次。
DV：一个结果变量（行为），也在干预开始和结束时测量两次。
我想创建一个模型，使用 因子 A、因子 B、因子 C、因子 D 的变化（干预从开始到结束的变化）来预测 行为改变（再次从头到尾）。
我想使用 factorA、factorB、factorC、factorD（从干预前到 post 的增量值）并使用这些增量值来预测 D1 的增量值。我还想对每个因子（A、B、C 和 D）的绝对值进行协变（例如，仅使用对每个因素进行干预）以确保我考虑到这些 IV 的绝对值（而不是变化）可能对 DV 产生的变化。
这是我的数据集： enter image description here
到目前为止，这是我的模型：
Model <- lmer(Delta_behavior ~ Absolute_factorA + Absolute_factorB +
Absolute_factorC + Absolute_factorD + Delta_factorA +
Delta_factorB + Delta_factorC + Delta_factorD +
(1|Subject),a)
我认为我做错了什么，因为我得到这个错误：
Error: number of levels of each grouping factor must be < number of observations
我做错了什么？数据集的结构是否奇怪？我不应该使用增量值吗？我应该使用另一个测试（不是 lmer）吗？
因为您已将数据减少到每个受试者的单个观察值，所以您不需要使用 multi-level/mixed 模型。 lmer 给你一个错误的原因是在这种情况下 between-subject 方差与残差方差混淆。
您或许可以继续使用线性模型 (lm) 进行此分析。
更多技术细节
第 i 个观测值的分布方程类似于 [fixed-effect predictors] + eps(subject(i)) + eps(i)，其中 eps(subject(i)) 是与第 i 个相关的主体的正态误差项观察，eps(i) 是与第 i 个观察相关的正态残差。如果每个受试者只有一个观察值，那么每个观察值都有两个唯一的误差项。 V1 和 V2 的均值和方差为零的两个正态变量之和也是均值为零且方差为 V1+V2 的正态变量...因此 V1 和 V2 无法共同识别。如果你真的想，你可以使用 lmerControl 来覆盖错误； lmer 将 return V1、V2 的任意组合估计总方差。
有一个类似的示例 here。