タグ付けされた質問 「interaction」

私の試み： 私は信頼区間を得ることができませんでした interaction.plot() 一方plotmeans()、「gplot」パッケージからは2つのグラフが表示されません。さらに、plotmeans()デフォルトでは軸が異なるため、2つのグラフを重ね合わせることができませんでした。 plotCI()パッケージ「gplot」からの使用と2つのグラフの重ね合わせに成功しましたが、それでも軸の一致は完全ではありませんでした。 信頼区間を使用して交互作用プロットを作成する方法に関するアドバイスはありますか？1つの関数、または重ね合わせ方法plotmeans()やplotCI()グラフに関するアドバイス。 コードサンプル br=structure(list(tangle = c(140L, 50L, 40L, 140L, 90L, 70L, 110L, 150L, 150L, 110L, 110L, 50L, 90L, 140L, 110L, 50L, 60L, 40L, 40L, 130L, 120L, 140L, 70L, 50L, 140L, 120L, 130L, 50L, 40L, 80L, 140L, 100L, 60L, 70L, 50L, 60L, 60L, 130L, 40L, 130L, 100L, …

11 r  data-visualization  confidence-interval  interaction 

データがあるとしましょう： x1 <- rnorm(100,2,10) x2 <- rnorm(100,2,10) y <- x1+x2+x1*x2+rnorm(100,1,2) dat <- data.frame(y=y,x1=x1,x2=x2) res <- lm(y~x1*x2,data=dat) summary(res) x1がX軸上にあり、x2が3本の線で表されるように、連続的な相互作用による連続をプロットしたいと思います。 Zスコアは-1で、各線は個別の色でラベル付けされています。ggplot2を使用してこれを行うにはどうすればよいですか？ たとえば、次のようになります（もちろん、線の種類が異なるのではなく、色付きの線が異なります）。

11 r  regression  ggplot2  interaction 

2本の線が（多かれ少なかれ）平行であるかどうかを理解する方法はありますか？線形回帰から生成された2本の線があり、それらが平行かどうかを知りたいのですが。つまり、この2つの線の傾きの違いを知りたいのです。 これを計算するR関数はありますか？ 編集： ...そして線形回帰直線の傾き（度単位）をどのように取得できますか？

11 r  regression  interaction  linear-model 

特定のリスクと結果の関連のペアに対して、効果（測定）修飾子と交絡因子の両方として機能する変数を持つことは可能ですか？ 私はまだ区別が少しわかりません。私は違いを理解するのを助けるためにグラフィカルな表記法を見てきましたが、表記法の違いは当惑しています。両者のグラフィック/視覚的な説明と、それらが重複する可能性がある場合は、役立つでしょう。

10 interaction  causality  confounding 

私は3因子反復測定ANOVAを実行しました。どのような事後分析が有効ですか？ これは完全にバランスの取れた設計（2x2x2）であり、因子の1つに被験者内の反復測定があります。Rで反復測定ANOVAへの多変量アプローチを知っていますが、私の最初の本能は、ANOVAの単純なaov（）スタイルを続行することです。 aov.repeated <- aov(DV ~ IV1 * IV2 * Time + Error(Subject/Time), data=data) DV =応答変数 IV1 =独立変数1（2レベル、AまたはB） IV2 =独立変数2（2レベル、はいまたはいいえ） IV3 =時間（2レベル、前または後） 被験者=被験者ID（合計40被験者、IV1の各レベルに対して20：nA = 20、nB = 20） summary(aov.repeated) Error: Subject Df Sum Sq Mean Sq F value Pr(>F) IV1 1 5969 5968.5 4.1302 0.049553 * IV2 1 3445 3445.3 2.3842 …

10 r  anova  repeated-measures  interaction  post-hoc 

堆積物の微生物活動に対する乾燥の影響を評価するために、データセットを作成しています。目的は、乾燥の影響が堆積物の種類や堆積物内の深さによって異なるかどうかを判断することです。 実験計画は次のとおりです。 最初の要素の堆積物は、3種類の堆積物（コード化されたSed1、Sed2、Sed3）に対応します。堆積物の種類ごとに、3つのサイト（Sed1の3サイト、Sed2の3サイト、Sed3の3サイト）でサンプリングが行われました。 サイトはコード化されています：Site1、Site2、...、Site9。 次の要素は水文学です。各サイト内で、サンプリングはドライプロットとウェットプロット（コードされたドライ/ウェット）で実行されます。 上記の各プロット内で、サンプリングは2つの深度（D1、D2）で3 回実行されます。 合計n = 108サンプル= 3堆積物* 3サイト* 2水文学* 2深度* 3反復があります。 私lme()はR の関数（nlmeパッケージ）を次のように使用します。 Sediment <- as.factor(rep(c("Sed1","Sed2","Sed3"),each=36)) Site <- as.factor(rep(c("Site1","Site2","Site3","Site4","Site5", "Site6","Site7","Site8","Site9"),each=12)) Hydrology <- as.factor(rep(rep(c("Dry","Wet"),each=6),9)) Depth <- as.factor(rep(rep(c("D1","D2"),each=3),18)) Variable <- rnorm(108) mydata <- data.frame(Sediment,Site,Hydrology,Depth,Variable) mod1 <- lme(Variable ~ Sediment*Hydrology*Depth, data=mydata, random=~1|Site/Hydrology/Depth) anova(mod1) 事後比較を実行して、用語が重要かどうかをテストします。 簡単な主な効果（たとえば、堆積物）のためにそれを行うことができます。 summary(glht(mod1,linfct=mcp(Sediment="Tukey"))) ただし、このglht()関数は交互作用項では機能しません。 私は次のことが2ウェイanovaで機能することを発見しました： mod1 …

10 mixed-model  interaction  post-hoc  lme4-nlme 

以下のために、私は、線形回帰モデルに興味を持っていたとYi=β0+β1x1+β2x2+β3x1x2Yi=β0+β1x1+β2x2+β3x1x2Y_i = \beta_0 + \beta_1x_1 + \beta_2x_2 + \beta_3x_1x_2、私は2つの共変量間の相互作用が効果を持っているかどうかを確認したいと思いますので、 Yに 教授の講義ノート（私は連絡をとっていません）には、次のように記載されています。即ち、Yi=β0+β1x1+β2x2+β3x1x2+β4x21+β5x22Yi=β0+β1x1+β2x2+β3x1x2+β4x12+β5x22Y_i = \beta_0 + \beta_1x_1 + \beta_2x_2 + \beta_3x_1x_2 +\beta_4x_1^2 + \beta_5x_2^2、回帰に含まれるべきです。 相互作用のみに関心があるのに、なぜ2次用語を含める必要があるのですか？

10 regression  multiple-regression  interaction  linear-model 

私がこの質問を明確に回答できるように表現したことを心から望んでいます。もしそうでなければ、私に知らせて、もう一度やり直します！また、これらの分析にはRを使用することにも注意してください。 私がplant performance (Ys)課した4つの治療法の影響を受けたと思われるいくつかの測定値flower thinning (X1), fertilization (X2), leaf clipping (X3)がありbiased flower thinning (X4)ます- 、および。考えられるすべてのYについて、Nは少なくとも242なので、サンプルサイズが大きくなりました。すべてのプロットは間引きを行ったか、行わなかったかのいずれかですが、各プロットは他の3つの処理のうちの1つ（および1つのみ）も処理しました（または処理しませんでした-コントロールプロットもありました）。このデザインのアイデアは、他の3つの処理が、間引きの効果を「マスキング」または「強化」できるかどうかをテストすることでした。したがって、設計上、後者の3つの処理（X2〜X4）は交差しなかったため、互いに相互作用することはできませんでしたが、それぞれ花の間引きと相互作用することができます。 私の明確な仮説は、1）花が薄くなることは重要であり、2）X1*X2, X1*X3, and X1*X4,花が薄くなることと他の3つの処理の間の相互作用項も重要であることです。つまり、花の間引きは重要なはずですが、それが重要である方法は、他の3つの処理が何をしたかによって大幅に変更されるべきです。 このすべての情報を混合モデルに含めたいのですが。 Y ~ X0 + X1 + X2 + X3 + X4 + X1*X2 + X1*X3 + X1*X4 + (Up to three random effects) しかし、ハングアップが1つあります。私は、Yの間引きの効果が非線形であることを信じる十分な理由があります。それらはおそらく2次式ですが、場合によっては3次式であることもあります。これは、間引きのパフォーマンスへの影響が、間引きのレベルが高いほど速く増加する可能性が高いためです。X1の2次および3次の項を追加することにより、上記の方程式を介してこの非線形関係をモデル化しようとすると、相互作用項をモデル化する方法がわかりません-X1の可能なすべての組み合わせ（X1）^ 2、（X1）^ 3 * X2、X3、X4？私が持っているデータポイントの数があったとしても、それは推定しようとする多くのパラメーターのようであり、得られる結果を解釈する方法がわかりません。とはいえ、これが状況をモデル化するための無作法な方法であると考える生物学的な理由はありません。 したがって、私はこの問題に対処する方法について3つの考えがあります。 たとえばY …

10 hypothesis-testing  mixed-model  interaction  nonlinear  regression-strategies 

これは私が何度か遭遇した例にすぎないため、サンプルデータはありません。Rで線形回帰モデルを実行する： a.lm = lm(Y ~ x1 + x2) x1は連続変数です。x2カテゴリ型で、「低」、「中」、「高」の3つの値があります。ただし、Rによって与えられる出力は次のようになります。 summary(a.lm) Estimate Std. Error t value Pr(>|t|) (Intercept) 0.521 0.20 1.446 0.19 x1 -0.61 0.11 1.451 0.17 x2Low -0.78 0.22 -2.34 0.005 x2Medium -0.56 0.45 -2.34 0.005 私は、Rがそのような要因（要因x2であること）に何らかのダミーコーディングを導入していることを理解しています。私はただ疑問に思っていx2ます。「高」の値をどのように解釈しますか？たとえば、ここで示した例の「High」x2は応答変数にどのような影響を与えますか？ これの例を他の場所（例：ここ）で見ましたが、理解できる説明は見つかりませんでした。

10 r  regression  categorical-data  regression-coefficients  categorical-encoding  machine-learning  random-forest  anova  spss  r  self-study  bootstrap  monte-carlo  r  multiple-regression  partitioning  neural-networks  normalization  machine-learning  svm  kernel-trick  self-study  survival  cox-model  repeated-measures  survey  likert  correlation  variance  sampling  meta-analysis  anova  independence  sample  assumptions  bayesian  covariance  r  regression  time-series  mathematical-statistics  graphical-model  machine-learning  linear-model  kernel-trick  linear-algebra  self-study  moments  function  correlation  spss  probability  confidence-interval  sampling  mean  population  r  generalized-linear-model  prediction  offset  data-visualization  clustering  sas  cart  binning  sas  logistic  causality  regression  self-study  standard-error  r  distributions  r  regression  time-series  multiple-regression  python  chi-squared  independence  sample  clustering  data-mining  rapidminer  probability  stochastic-processes  clustering  binary-data  dimensionality-reduction  svd  correspondence-analysis  data-visualization  excel  c#  hypothesis-testing  econometrics  survey  rating  composite  regression  least-squares  mcmc  markov-process  kullback-leibler  convergence  predictive-models  r  regression  anova  confidence-interval  survival  cox-model  hazard  normal-distribution  autoregressive  mixed-model  r  mixed-model  sas  hypothesis-testing  mediation  interaction 

Rで因子がどのように機能するかを理解しようとしています。Rのサンプルデータを使用して回帰を実行するとします。 > data(CO2) > colnames(CO2) [1] "Plant" "Type" "Treatment" "conc" "uptake" > levels(CO2$Type) [1] "Quebec" "Mississippi" > levels(CO2$Treatment) [1] "nonchilled" "chilled" > lm(uptake ~ Type + Treatment, data = CO2) Call: lm(formula = uptake ~ Type + Treatment, data = CO2) Coefficients: (Intercept) TypeMississippi Treatmentchilled 36.97 -12.66 -6.86 私はそれを理解しTypeMississippi、Treatmentchilledブール値として扱われます。各行の最初の取り込みは36.97で12.66あり6.86、それがミシシッピ型であるかどうか、および冷却されているかどうかを差し引きます。私はこのようなものを理解するのに苦労しています： > …

10 r  regression  interaction 

のは、私は、フォームの持つ線形回帰実行しているとしましょう。y=β0+β1A+β2B+β3AB+ϵy=β0+β1A+β2B+β3AB+ϵy = \beta_0 + \beta_1A+\beta_2B+\beta_3AB +\epsilon 場合正である、これは正の相関を意味するものではないA及びBを？（逆に、負の相関β 3は負であります？）β3β3\beta_3AAABBBβ3β3\beta_3

9 regression  interaction 

2つの独立変数間に交互作用がある場合、交互作用プロットの解釈に問題があります。 次のグラフはこのサイトからのものです。 ここで、とは独立変数で、は従属変数です。B D VAAABBBDVDVDV 質問：相互作用と主な効果はありますが、主な効果はありませんBAAABBB Bが場合、の値が高いほどの値が高くなることがます。それ以外の場合、はの値に関係なく一定です。したがって、相互作用があるととの主効果（より高いので、高いへリード保持、時定数を）。D V B 1 D V A A B A A D V B B 1AAADVDVDVB1B1B_1DVDVDVAAAAAABBBAAAAAADVDVDVBBBB1B1B_1 また、レベルが異なると、レベルも異なり、一定に保つことがわかります。したがって、Bの主な効果があります。しかし、明らかにそうではありません。つまり、これは私が相互作用プロットを誤って解釈していることを意味するはずです。何が悪いのですか？D V ABBBDVDVDVAAA また、プロット6-8を誤って解釈しています。私がそれらを解釈するために使用したロジックは上記で使用したものと同じなので、上記で作成しているエラーがわかっていれば、残りを正しく解釈できるはずです。それ以外の場合は、この質問を更新します。

9 data-visualization  interaction  interpretation 

同じグラフに、連続予測子とカテゴリカルモデレーター間の相互作用をプロットしたいと思います。両方がカテゴリカル（因子相互作用）である場合の方法は知っていますが、一方が連続的​​でもう一方がカテゴリカルである場合の方法はわかりません。

9 data-visualization  categorical-data  interaction  continuous-data 

私は階層回帰分析を実行していますが、少し疑問があります： 中心に置かれた変数を使用して交互作用項を計算しますか？ 従属変数を除いて、データセットにあるすべての連続変数を中央に配置する必要がありますか？ いくつかの変数をログに記録する必要がある場合（それらのsdは平均よりもはるかに高いため）、次に、記録されたばかりの変数または最初の変数を中央に配置しますか？ 例：変数 "ターンオーバー" --->ログされたターンオーバー（sdが平均と比較して高すぎるため）---> Centered_Turnover？ または、直接ターンオーバー-> Centered_Turnoverになります（そして、これを使用します） ありがとう!!

9 interaction  multicollinearity  centering 

連続変数とカテゴリー変数間の相互作用の係数の解釈について質問があります。これが私のモデルです： model_glm3=glm(cog~lg_hag+race+pdg+sex+as.factor(educa)+(lg_hag:as.factor(educa)), data=base_708) Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 21.4836 2.0698 10.380 < 2e-16 *** lg_hag 8.5691 3.7688 2.274 0.02334 * raceblack -8.4715 1.7482 -4.846 1.61e-06 *** racemexican -3.0483 1.7073 -1.785 0.07469 . racemulti/other -4.6002 2.3098 -1.992 0.04687 * pdg 2.8038 0.4268 6.570 1.10e-10 *** sexfemale 4.5691 1.1203 …

9 categorical-data  generalized-linear-model  interaction  interpretation