當包含分類變量之間的交互時，解釋混合模型的回歸輸出

我對使用混合模型/lmer 有疑問。基本模型是這樣的：

lmer(DV ~ group * condition + (1|pptid), data= df)

組和條件都是因素：組有兩個級別（組A，組B），條件有三個級別（條件1，條件2，條件3）。它是來自人類受試者的數據，因此 pptid 是每個人的隨機效應。

該模型發現以下具有 p 值輸出：

                                  Estimate MCMCmean HPD95lower HPD95upper  pMCMC Pr(>|t|)
(Intercept)                          6.1372   6.1367     6.0418     6.2299 0.0005   0.0000
groupB                              -0.0614  -0.0602    -0.1941     0.0706 0.3820   0.3880
condition2                           0.1150   0.1151     0.0800     0.1497 0.0005   0.0000
condition3                           0.1000   0.1004     0.0633     0.1337 0.0005   0.0000
groupB:condition2                   -0.1055  -0.1058    -0.1583    -0.0610 0.0005   0.0000
groupB:condition3                   -0.0609  -0.0612    -0.1134    -0.0150 0.0170   0.0148

現在，我知道列出的行將因子的每個級別與參考級別進行了比較。對於組，引用是 groupA，對於條件，引用是 condition1。

我以以下方式解釋此輸出是否正確：

• 組之間沒有總體差異（因此組 B 的 ap >.05）
• 條件 1 和條件 2 之間以及條件 1 和條件 3 之間的總體差異。
• 組 A、條件 1 與組 B、條件 2 之間的差異以及組 A、條件 1 與組 B、條件 3 之間的差異。

那是對的嗎？我想我對如何解釋這兩個不同因素水平之間的相互作用有點困惑。

我在這裡閱讀了各種問題並進行了一些網絡搜索，並設法與 glht 建立了對比：這是查看組和條件之間差異的更好方法嗎？鑑於此處存在交互的跡象，我認為情況就是如此。

使用給定的回歸表，我們可以計算因變量的期望值表DV，對於兩個因素的每個組合，這可能會更清楚（注意我使用的是普通估計，而不是 MCMC 估計）：

我將通過參考此表來回答您的解釋來回答您的問題。

組之間沒有總體差異（因此組 B 的 ap >.05）

這-value 您所指的只是將焦點限制在變量的參考水平上Condition，所以它只測試組之間的差異Condition=1（表的第一行），即它只測試是否與.

這不是測試組之間是否存在整體差異。要進行該測試，您必須Condition完全退出模型並測試Group.

條件 1 和條件 2 之間以及條件 1 和條件 3 之間的總體差異。

與第一種解釋類似，這只是將Condition2和 Condition3與參考水平 ( Condition1)進行比較Group=A。也就是說，這只是測試第一列中的第二個和第三個條目是否與. 要測試條件變量的整體差異，您需要離開Group模型並condition單獨進行測試。

組 A、條件 1 與組 B、條件 2 之間的差異以及組 A、條件 1 與組 B、條件 3 之間的差異。

交互項測試一個變量的影響是否取決於另一個變量的水平。

例如，該術語的重要性groupB:condition2告訴您Condition1與. 參考表格，這意味著Condition2``Group=A``Group=B

與在這種特殊情況下，它看起來與inCondition2不同，但Condition1在 中GroupA卻少得多 GroupB，這就是我對此的解釋。似乎在較小程度上正在發生類似的動態Condition3。

引用自：https://stats.stackexchange.com/questions/33709