不慣れで懐疑的な人のための線形混合効果モデルを報告する方法は？
私はこの問題に数回遭遇しました。レビューアはLMMの使用の正当化、LMMの代わりに、またはLMMに加えて従来のテスト、および通常の線形モデルで報告するものと同様のパラメーター推定の完全な表を要求します。 。 現在、私の特定の問題は、「さまざまなモデルの主要なパラメーター推定値を含むテーブル」を要求するレビュー担当者です。私は彼らが線形モデル（t検定とp値を含む）について報告する従来のテーブルのようなものを望んでいると思いますが、この場合、分析にはネストされたモデル比較が含まれ、それぞれに含まれる各パラメーターのt検定はありませんモデルではなく、モデル比較のための単一のテストです。だから私は何をすべきかわかりません-私はレビュー担当者を満足させたいのですが、結果の評価にほとんど役立たない情報の巨大な表を必ずしも含めたいとは思いません。現在、私は単純にベータ、SE、カイ二乗、p値を報告しています。また、各モデルにどの変数が含まれていたかを明確にします。続行する方法について何か提案はありますか？ これが私が応答することを提案しているものです： 私たちは、レビュアーが、パラメーター推定値とそれに付随する統計、および特定のモデルに含まれる各変数のp値を使用して、従来の重回帰分析で報告される内容に似たものを求めていると考えています。ただし、線形混合モデル分析では、1つの追加パラメーターを使用して縮小モデルと完全モデルを比較するネストされたモデルを使用するため、テストされるパラメーターは、完全モデル（CITATION）に追加されたパラメーターのみであるため、テーブルを含めると解釈がサポートされませんより伝統的な分析と同じように結果を分析します。したがって、各分析について、推奨されるように、結果セクションの本文に、主要な統計とともに、各モデル比較でテストされたパラメーターのベータを報告します（CITATIONS）。 また、私の特定のケースでLMMを使用することの正当化を求められたとき、これは私が対応することを提案しているものです。 線形混合モデルを使用したのは、この分析により、モデル内の試行タイプ（切り替えと切り替えなしの試行）による変動性を説明できると同時に、試行が被験者内にネストされているという事実と、同じ人物からの複数の応答を説明できるためです。他の人からの応答よりも似ています。試行タイプと被験者レベルの反応時間の変動の両方を考慮に入れると、モデルのエラーが減少し、タスクパフォーマンスの影響を検出する能力が向上すると予想されました。 これを改善する方法について何か提案があれば、私はそれを感謝します。繰り返しますが、このオーディエンスは統計的に洗練されていないため、テーブルや補足データを追加しても、混乱や懐疑論が増える可能性があります。 また、LMMを使用する動機は、私が論文で見たものとは異なることに注意してください（たとえば、複数の変量効果を同時にモデル化する-私の場合、変量効果は1つだけです-参加者であり、試行タイプは固定効果です）。いくつかの一般的な論文を引用することがその助けになるかどうかはわかりません。LMMを使用する正当な理由が適切ではないため、このデータを分析する他の方法を見落とした可能性があります。