J'espère que cette question ne vous dérange pas tous, mais j'ai besoin d'aide pour interpréter la sortie d'une sortie de modèle d'effets mixtes linéaires que j'essaie d'apprendre à faire dans R. Je suis nouveau dans l'analyse des données longitudinales et la régression linéaire des effets mixtes. J'ai un modèle que j'ai adapté avec des semaines comme prédicteur de temps, et un score sur un cours d'emploi comme résultat. J'ai modélisé le score avec des semaines (temps) et plusieurs effets fixes, le sexe et la race. Mon modèle comprend des effets aléatoires. J'ai besoin d'aide pour comprendre ce que signifie la variance et la corrélation. La sortie est la suivante:
Random effects
Group Name Variance
EmpId intercept 680.236
weeks 13.562
Residual 774.256
La corrélation est de .231.
Je peux interpréter la corrélation car il existe une relation positive entre les semaines et le score mais je veux pouvoir le dire en termes de "23% de ...".
J'apprécie vraiment l'aide.
Merci "invité" et Macro d'avoir répondu. Désolé, pour ne pas avoir répondu, j'étais absent à une conférence et je suis en train de rattraper mon retard. Voici la sortie et le contexte.
Voici le résumé du modèle LMER que j'ai utilisé.
>summary(LMER.EduA)
Linear mixed model fit by maximum likelihood
Formula: Score ~ Weeks + (1 + Weeks | EmpID)
Data: emp.LMER4
AIC BIC logLik deviance REMLdev
1815 1834 -732.6 1693 1685
Random effects:
Groups Name Variance Std.Dev. Corr
EmpID (Intercept) 680.236 26.08133
Weeks 13.562 3.682662 0.231
Residual 774.256 27.82546
Number of obs: 174, groups: EmpID, 18
Fixed effects:
Estimate Std. Error t value
(Intercept) 261.171 6.23 37.25
Weeks 11.151 1.780 6.93
Correlation of Fixed Effects:
(Intr)
Days -0.101
Je ne comprends pas comment interpréter la variance et le résidu pour les effets aléatoires et l'expliquer à quelqu'un d'autre. Je ne sais pas non plus comment interpréter la corrélation, sauf qu'elle est positive, ce qui indique que ceux qui ont des interceptions plus élevées ont des pentes plus élevées et ceux avec ceux qui ont des interceptions plus faibles ont des pentes plus faibles, mais je ne sais pas comment expliquer la corrélation en termes de 23% de. . . . (Je ne sais pas comment terminer la phrase ou même si cela a du sens de le faire). Il s'agit d'une analyse de type différent pour nous alors que nous (moi) essayons de passer à des analyses longitudinales.
J'espère que ça aide.
Merci pour votre aide jusqu'à maintenant.
Zeda
Réponses:
Votre modèle équipé avec
lme()
peut être exprimé commeVous pouvez obtenir la matrice de variance entre les termes d'effets aléatoires à partir de
VarCorr(LMER.EduA)$ID
.Votre résultat indique essentiellement que
VarCorr(LMER.EduA)
la source