问R中混合模型的设计与语法

EN

如果我正确地理解了你的问题，你不会想要随机拦截你的治疗(前/后)。这不是你想要解释的一些噪音，而是你的实验问题，所以mod2退出了。此外，你真的不应该有一个随机的影响，只有两个层次(https://dynamicecology.wordpress.com/2015/11/04/is-it-a-fixed-or-random-effect/)。

预测试应该是该因素的参考水平，以便您可以轻松地解释您的治疗对反应时间的影响。您可以通过将以下代码修改为数据来更改这一点：

data$pre_post = relevel(data$pre_post, ref="pre")

对于反应时间，在许多学科中，建模日志反应时间也是惯例，这可以很容易地通过把它放在模型公式中来完成，我在下面已经做过了。如果你的领域不是这样的话，你可以随意忽略这一点。

expectations也可能对参与者产生不同的影响，因此您也可以通过参与者为expectations添加一个随机斜率。首先，我将测试第一个随机斜率，pre_post，是否导致一个明显更好的模型拟合。我会用下面的代码来做这件事。请注意，REML已更改为true，因为您现在正在比较随机效果。

mod1 <- lmer(log(Go_rt) ~ pre_post + expectations + pre_post:expectations + (1|participant), data=data, REML=TRUE)

mod1.1 <- lmer(log(Go_rt) ~ pre_post + expectations + (1 + pre_post|participant), data=data, REML=TRUE)
anova(mod1, mod1.1)

如果它确实导致了一个更好的模型，我会把它留在里面。然后，我将测试expectations的随机斜率是否改进了模型。

mod1.2 <- lmer(log(Go_rt) ~ pre_post + expectations + (1 + pre_post + expectations|participant), data=data, REML=TRUE)
anova(mod1.1, mod1.2)

在我找到了最好的随机效应结构后，我会从相互作用开始，观察固定效应，然后再使用anova()函数，看看它在似然比检验中是否显着。

我希望这能帮到你。还有其他方法可以查看随机效应，以及是否需要使用包含在rePCA()中的lme4函数。如果您正在拟合混合模型：https://arxiv.org/pdf/1506.04967.pdf，那么查看本文可能是个好主意。

不太清楚您在问什么，您似乎不确定您应该做什么建模，这是一个统计问题，在交叉验证的情况下可能更合适，但您似乎也不确定R(或者更确切地说是包lme4)语法。

查看这个https://arxiv.org/pdf/1406.5823.pdf使用lme4的全面指南，特别是第6页将有助于理解随机效果语法。从该文件中：

每个随机效应项都是形式( expr _~_

当您的RE术语指定如下：(1|participant) + (1|pre_post)，这意味着RE是交叉的(参见下面的PeerJ文件)，而pre_post + (1+ pre_post|participant)是一个相关的截距和斜率(参见上面链接中的第6页)。

我同意@sjp的观点，你不想对只有两个层次的东西使用随机效应。本文是对混合模型的精彩介绍，它建议您至少应该有5个级别：https://peerj.com/articles/4794/。

对于日志转换数据(可能适用于试用时间数据)的@sjp建议，另一种方法是使用带有glmer()参数的family=gamma函数，但无论是哪种方法，都可以检查残差图，以确定模型是否适合http://www.sthda.com/english/articles/39-regression-model-diagnostics/161-linear-regression-assumptions-and-diagnostics-in-r-essentials/。

在不需要随机效应项的情况下，基R函数lm和glm将分别代替lmer和glmer。