在 R 或 SPSS 中执行加权重复测量方差分析-解网

问：

我想对 3 个（相关）组进行加权重复测量方差分析。

一些假设数据：

Data = data.frame(
       ID = as.factor(1:10),
       DV = c(0.06, 0.23, -0.2, 0.8, 0.67, 0.11, 0.88, -0.04, -0.4, 0.5, 0.07,-0.1, 0.3, 0.02, 0.03, 0.6, 0.65, 0.2, 0.15, -0.15,-0.02, 0.04, 0, 0.5, -0.4, 0.6, 0.3, 0.12, 0.33, -0.02), 
       Weight = c(13, 5, 60, 45, 2, 90, 110, 54, 27, 25,84, 40, 23, 60, 10, 7, 100, 89, 73, 44,30, 68, 92, 34, 12, 30, 87, 35, 28, 88),
       IV = rep(c("Short","Medium","Long"), each=10)
)

我想通过 Data$Weight 列中的数字来称量 DV。例如，DV=0.06 应该贡献 13 倍，而 DV=0.23 只有 5 倍。

我尝试使用以下任一方法执行此操作：

library(ez)
library(nlme)
modelaov = aov(DV ~ IV + Error(ID/IV), weights=W, data=Data)
modellme = lme(DV ~ IV, random = ~1|ID/IV, weights=Data$W, data=Data)

我在两次尝试中都收到错误消息，但我不知道如何解决它们。

我也尝试在 SPSS 中使用加权最小二乘回归来做到这一点，但在那里我遇到了无法选择依赖情况的问题。

希望任何人都能提供帮助！

r SPSS 方差分析加权

一个可选的 varFunc 对象或描述组内异方差结构的单侧公式。如果以公式形式给出，则将其用作 varFixed 的参数，对应于固定方差权重。有关可用 varFunc 类的描述，请参阅有关 varClasses 的文档。默认值为 NULL，对应于同方差的组内错误。

也许这个论点不是这样运作的。

也许您可以按所需的权重复制每一行，然后像这样运行模型：

library(purrr)
library(nlme)

Data = data.frame(
       ID = as.factor(1:10),
       DV = c(0.06, 0.23, -0.2, 0.8, 0.67, 0.11, 0.88, -0.04, -0.4, 0.5, 0.07,-0.1, 0.3, 0.02, 0.03, 0.6, 0.65, 0.2, 0.15, -0.15,-0.02, 0.04, 0, 0.5, -0.4, 0.6, 0.3, 0.12, 0.33, -0.02), 
       Weight = c(13, 5, 60, 45, 2, 90, 110, 54, 27, 25,84, 40, 23, 60, 10, 7, 100, 89, 73, 44,30, 68, 92, 34, 12, 30, 87, 35, 28, 88),
       IV = rep(c("Short","Medium","Long"), each=10)
) %>% 
  map_df(rep, .$Weight)

modellme = lme(DV ~ IV, random = ~1|ID/IV, data=Data)
summary(modellme)
#> Linear mixed-effects model fit by REML
#>   Data: Data 
#>        AIC       BIC  logLik
#>   -98353.6 -98321.87 49182.8
#> 
#> Random effects:
#>  Formula: ~1 | ID
#>          (Intercept)
#> StdDev: 9.513974e-15
#> 
#>  Formula: ~1 | IV %in% ID
#>         (Intercept)     Residual
#> StdDev:   0.5281456 2.971485e-16
#> 
#> Fixed effects:  DV ~ IV 
#>                  Value  Std.Error   DF    t-value p-value
#> (Intercept)  0.0082162 0.01124611 1435   0.730580  0.4652
#> IVMedium    -0.4753554 0.01688691   18 -28.149337  0.0000
#> IVShort     -0.0453449 0.01826811   18  -2.482187  0.0231
#>  Correlation: 
#>          (Intr) IVMedm
#> IVMedium -0.666       
#> IVShort  -0.616  0.410
#> 
#> Standardized Within-Group Residuals:
#>        Min         Q1        Med         Q3        Max 
#> -1.8681284 -0.1868128  0.0000000  0.4670321  2.3351605 
#> 
#> Number of Observations: 1465
#> Number of Groups: 
#>         ID IV %in% ID 
#>         10         30

^{由 reprex 包（v2.0.1）于 2021-09-15 创建}

感谢您指出这一点，我已经合并了这些更改。在比较 aov 与 lme 模型的结果时，我确实得到了不同的答案：modelaov = aov（DV ~ IV + Error（ID/IV）， weight=Weight， data=Data） summary（modelaov），p 值> 0.05，但是当我将 lme 模型（lme（DV ~ IV， random = ~1|ID/IV， data=Data2， method=“ML”））与基线模型（lme（DV ~ 1， random = ~1|ID/IV， data=Data2， method=“ML”）），效果显著。你知道如何解释这种差异吗？

0赞 the-mad-statter 9/15/2021

正如CIAndrews所指出的，上述方法增加了观测值的数量，这是最有可能导致显著性变化的原因。但是，还要注意，拟合算法因加权最小二乘法与最大似然法而异。

1赞 CIAndrews 9/15/2021 #2

作为用于设置权重的数据集，使用该变量名称是第 1 步。接下来，您应该使用代替：Weightaovweight = variable nameweights

modelaov = aov(DV ~ IV + Error(ID/IV), weight=Weight, data=Data)

因为这对我有用：lmelme(DV~IV,random=~1|ID/IV,weights=~Weight, data = Data)

在 R 或 SPSS 中执行加权重复测量方差分析

Performing a weighted repeated measures ANOVA in R or SPSS

评论

评论

评论