nav[aria-label="Primary Navigation"] { padding: 0; & ul { list-style: none; width: 100%; display: flex; flex-direction: row; justify-content: start; align-items: start; gap: 30px; padding: 0; & li { margin: 0; } & ul li { list-style: none; } } }

436714_de-DE

liliconcom

Bitte um Validierung der Verwendung des gemischten Modells

Ich habe Zehntausende von Datenzeilen, wobei jede Zeile ein Objekt und Spalten Prädiktoren sind. Meine interessantesten Kolumnen sind sensorische Messungen auf einer 10-Punkte-Skala. Aus dem Variablenscreening habe ich meine Prädiktoren auf 3 kategoriale Variablen reduziert.Ich bin daran interessiert, herauszufinden, welche Ebenen am einflussreichsten sind (ich habe insgesamt 33 Ebenen) und die Richtung des Einflusses.Ich muss keine numerischen Vorhersageziele erstellen; ein erklärbares qualitatives Modell ist ausreichend.

Ich denke, ein gemischtes Modell würde meinen Zweck erfüllen; die p-Werte der festen Effektparameter-Schätzung würden es mir ermöglichen, die spezifischen Niveaus zu identifizieren, auf die ich mich konzentrieren sollte.Frage: Wäre ihre Schätzung mit festen Parametern eine Möglichkeit, die Wirkung einzustufen, und zeigt das Vorzeichen der Schätzung die Richtung der Wirkung an (dh + bedeutet, dass eine Erhöhung der Stufe die Reaktion erhöht und eine Verringerung der Stufe die Reaktion verringert)?

Ich entschuldige mich, aber ich habe noch nie ein gemischtes Modell verwendet .Vielen Dank im Voraus für jedes Feedback.

Analytik

Betreff: Bitte um Validierung der Verwendung eines gemischten Modells

Ist es möglich, ein Bild der obersten Zeilen Ihrer Datentabelle anzuzeigen? Es würde mir helfen, mir vorzustellen, womit Sie arbeiten.

Warum ein Mixed-Effects-Modell? Welchen Zufallseffekt müssen Sie berücksichtigen?

Ja, Ihre Interpretation der Parameterschätzungen ist richtig. Sie können auch die Effektdetails für jeden signifikanten Begriff überprüfen. Die Details beinhalten die LS-Mittel für jede Ebene. Optional können Sie die LS-Mittelwerte darstellen und Unterschiede zwischen bestimmten Pegeln oder Kombinationen von Pegeln mit Kontrasten testen.

Der Prediction Profiler ist auch ein großartiges Werkzeug, um die Auswirkungen jeder Ebene jedes kategorialen Faktors zu verstehen. Beachten Sie, dass es auf dem Modell basiert. Wenn Sie also signifikante Interaktionen zwischen den Prädiktoren haben, ist dieses interaktive Diagramm noch wertvoller, um die kombinierten Effekte zu verstehen.