重复测量：由连续和分类预测因子预测的连续结果
Repeated measures: continuous outcome predicted by continous and categorical predictors
我有以下变量，如果它们是宽格式，我会计算类似
lm(happiness ~ personality_trait*condition)
但是我的数据是长格式的。
我想这将是一个重复测量模型，但我不确定。我考虑过线性混合模型，但我不确定我是否理解以及它是否是我正在寻找的。
非常感谢！
participant
personality_trait1
condition
happiness
1
10
animal
5
1
10
human
7
2
2
animal
3
2
2
human
4
3
5
animal
6
3
5
human
2
我觉得
library(lme4)
lmer(happiness ~ personality_trait*condition + (1|participant), data= ...)
应该这样做。这允许每个人有不同的截距，从围绕总体平均截距的高斯分布中得出）。在某些情况下，您还可以拟合随机斜率模型（每个人的斜率不同），但在这种情况下它没有意义，因为您似乎每个人只有两个观察值（因此，对斜率变化的估计会混淆残差变化：参见 here 示例）。
你的样品总是按照“动物，然后是人类”的顺序排列吗？如果没有，您可能需要添加顺序的主题级固定效应 ...
我有以下变量，如果它们是宽格式，我会计算类似
lm(happiness ~ personality_trait*condition)
但是我的数据是长格式的。 我想这将是一个重复测量模型，但我不确定。我考虑过线性混合模型，但我不确定我是否理解以及它是否是我正在寻找的。
非常感谢！
| participant | personality_trait1 | condition | happiness |
|---|---|---|---|
| 1 | 10 | animal | 5 |
| 1 | 10 | human | 7 |
| 2 | 2 | animal | 3 |
| 2 | 2 | human | 4 |
| 3 | 5 | animal | 6 |
| 3 | 5 | human | 2 |
我觉得
library(lme4)
lmer(happiness ~ personality_trait*condition + (1|participant), data= ...)
应该这样做。这允许每个人有不同的截距，从围绕总体平均截距的高斯分布中得出）。在某些情况下，您还可以拟合随机斜率模型（每个人的斜率不同），但在这种情况下它没有意义，因为您似乎每个人只有两个观察值（因此，对斜率变化的估计会混淆残差变化：参见 here 示例）。
你的样品总是按照“动物，然后是人类”的顺序排列吗？如果没有，您可能需要添加顺序的主题级固定效应 ...