フィッティング値を大きくしてスプレッドが減少したときに分散の不均一性をどうするか

Rコードが次のような線形混合モデルを作成しようとしています。

lme（Average.payoff〜Game + Type + Others.Type + Game：Type + Game：Others.Type + Type：Others.Type、random =〜1 | Subjects、method = "REML"、data = Subjectsm1）-> lme1

応答項Average.payoffは連続ですが、すべての説明変数はすべてバイナリです。

検証に来ると、フィット値が大きくなると残差の広がりが減少することがはっきりとわかります。近似値が大きくなると残差が増加する形で不均一性に関する情報がたくさんあるようですが、私は自分のケースに似たケースについては何も読んでいません。

各説明効果に対して残差をプロットしましたが、変数GameおよびTypeの近似値が大きいほどスプレッドが減少しますが、変数Others.Typeの場合は増加することがわかります。

これの原因は何ですか？それについて私は何をすべきですか？

2次項の追加または加法モデリングの使用を検討すべきですか？適用すべき変換はありますか？

おかげで、

ジョナサン

二次項を追加すると、平均がそのように変動した場合に役立ちますが、変動はあなたのケースの変動にあります。変化を引き起こすのは共変量なので、それらの共変量を含む分散関数推定の形式が私が推奨するアプローチです。