Liebe Community,
Ich habe eine Frage bezüglich der Interpretation von Haupt- und Interaktionseffekten des für Reaktionszeiten geeigneten Mischmodells. Ich muss verschlüsselte Variablen maskieren.
Ich analysiere die Lesezeiten von Sätzen. Die erste Variable repräsentiert die Wertigkeit des ersten Teils des Satzes (positiv oder negativ), während die andere Variable bis auf den zweiten Teil des Satzes gleich codiert ist. So habe ich vier Satztypen. nn, pn, np, pp. Ich möchte testen, ob kongruente Sätze (nn, pp) schneller verarbeitet werden als inkongruente Sätze (np, pn). Dieser Effekt sollte auch für Vergleiche wie diese von Bedeutung sein: nn
Meine erste Frage ist also eine eher allgemeine Frage. Kann ich mit meiner Kodierung die Haupt- und Interaktionseffekte sinnvoll interpretieren? Wie würde ich die Ergebnisse der Tests der fixen Effekte in Bezug auf die Ausgabe von jmp interpretieren? (Es tut mir leid für diese grundlegende Frage, ich habe wirklich schon viel darüber nachgedacht, fühle mich aber irgendwie sehr unsicher über die Interpretation im Moment.)
Würde es auch ausreichen, die paarweisen Vergleiche zu interpretieren? Wäre es möglich, einen paarweisen Vergleich von zwei gegen zwei durchzuführen? Also so: nn = pp
Ich wäre wirklich sehr dankbar für jeden Hinweis.
Julia, einige wichtige Details scheinen zu fehlen oder ich verstehe dein Experiment nicht. Hatten Sie gerade 4 Sätze (nn, np, pn, pp) und jede Person hat für jedes eine Lesezeit? (ein randomisiertes Blockexperiment)
War jede Messung eine eindeutige Person und ein eindeutiger Satz?
Gab es mehr als 4 Sätze, bei denen der Satz Auswirkungen haben könnte (z. 24 Sätze, 6 von jedem Typ, bei denen einer der 6 nn Sätze eine wesentlich längere Lesezeit hatte als die anderen 5 nn Sätze).
Bevor Sie Vergleichstests betrachten, sollten Sie immer die Gültigkeit der Annahmen und Datenfehler überprüfen. Schauen Sie sich das Variabilitätsdiagramm der Lesezeit für Y und Frage, Typ (nn, np, pn, pp) an. Wenn jede Person mehr als einen Satz liest, sollte die Person / das Subjekt auch eine Gruppierungsspalte sein.
Beigefügt ist ein simulierter Datensatz, in dem 30 Probanden jeweils 4 Sätze lesen (Reihenfolge wurde randomisiert). Der simulierte Effekt war kongruente Sätze (20,2) und inkongruente Sätze (26,3). Es werden Skripte für beispielsweise Grafiken und Analysen angezeigt. Dies passt möglicherweise nicht zu Ihrem Experiment oder Ihrer Kodierung, kann aber einige Ideen geben.
Beachten Sie, dass dies so simuliert wurde, dass nur die Interaktion von Bedeutung ist. Mit einfachen Faktoren wie diesen ist es manchmal einfacher, Ergebnisse mit einem Faktor (Typ) mit den Pegeln nn, np, pn, pp darzustellen. Wenn der globale Test von Bedeutung ist (Kontrolle für Fehler vom Typ 1), verwenden Sie einen Mehrfachvergleichstest.
