Chère communauté,
J'ai une question concernant l'interprétation d'un effet principal et des effets d'interaction du modèle mixte adapté aux temps de réaction. Je dois facturer des variables codées.
J'analyse les temps de lecture des phrases. La première variable représente la valence de la première partie de la phrase (positive ou négative), tandis que l’autre est codée de la même façon mais pour la deuxième partie de la phrase. Comme ça, j'ai quatre types de phrases. nn, pn, np, pp. Je veux tester si les phrases congruentes (nn, pp) sont traitées plus rapidement que les phrases incongrues (np, pn). Cet effet devrait également être significatif pour les comparaisons comme celle-ci: nn
Donc, ma première question est plutôt générale. Puis-je interpréter les effets principaux et les effets d'interaction de manière codée, avec ma programmation actuelle? En ce qui concerne la sortie de jmp, comment pourrais-je interpréter les résultats des tests des effets fixes? (Je suis désolé pour cette question fondamentale, j'y ai déjà beaucoup réfléchi, mais je ne me sens pas très sûr de l'interprétation pour le moment.)
Aussi, serait-il suffisant d'interpréter les comparaisons par paires? Serait-il possible de faire une comparaison par paire de deux à deux? Donc, comme ceci: nn = pp
Je serais vraiment très reconnaissant pour tout indice.
Julia, certains détails importants semblent manquer ou je ne comprends pas votre expérience. Aviez-vous seulement 4 phrases (nn, np, pn, pp) et chaque personne a un temps de lecture pour chacune? (une expérience de bloc aléatoire)
Chaque mesure représente-t-elle une personne et une phrase uniques?
Y avait-il plus de 4 phrases, phrase où la phrase pourrait avoir un effet (ex. 24 phrases, 6 de chaque type, où l’une des 6 nn phrases avait un temps de lecture beaucoup plus long que les 5 nn phrases).
Avant d'examiner des tests comparatifs, vous devez toujours vérifier la validité des hypothèses et des erreurs de données. Examinez le graphique de variabilité du temps de lecture pour Y et la question, le type (nn, np, pn, pp). Si chaque personne lit plus d'une phrase, la personne / le sujet doit également être une colonne de regroupement.
Ci-joint, un jeu de données simulé dans lequel 30 sujets lisent chacun 4 phrases (l’ordre a été randomisé). L'effet simulé était les phrases congruentes (20,2) et incongrues (26,3). Des scripts pour des exemples de graphiques et d’analyses sont affichés. Cela pourrait ne pas correspondre à votre expérience ni à la programmation, mais pourrait vous donner quelques idées.
Notez que ceci a été simulé afin que seule l'interaction soit significative. Avec des facteurs simples tels que ceux-ci, il est parfois plus facile de présenter les résultats en utilisant un facteur (Type) avec les niveaux, nn, np, pn, pp. Lorsque le test global est significatif (en contrôlant les erreurs de type 1), utilisez un test de comparaison multiple.
