如何在线性（混合）模型中利用先验对比：一份教程
统计方法学
2019-07-19 v4
摘要
记忆、语言及其他领域研究中的析因实验常使用方差分析(ANOVA)进行分析。然而，对于分子自由度大于一的效果，例如水平数多于两级的实验因子，ANOVA omnibus F检验无法告知主效应或交互作用的来源。由于研究者通常对哪些条件均值彼此不同有具体假设，特定条件或条件组合之间的先验对比（即在样本均值已知前计划的比较）是在统计模型中表示此类假设的正确方式。许多研究者指出，对比应“被检验以取代而非补充普通的‘omnibus’ F检验”(Hays, 1973, p. 601)。在本教程中，我们解释不同种类对比（即处理、求和、重复、多项式、自定义、嵌套、交互对比）背后的数学，讨论其性质，并演示它们如何在R统计计算系统(R Core Team, 2018)中应用。在此背景下，我们解释计算那些检验未被默认对比集覆盖的假设所需对比系数的广义逆。对对比编码的详细理解对于线性模型（含线性混合模型）中成功且正确的设定至关重要。先验定义的对比比标准omnibus F检验产生远更有用的实验假设验证性检验。可复现代码见 https://osf.io/7ukf6/。
引用
@article{arxiv.1807.10451,
title = {How to capitalize on a priori contrasts in linear (mixed) models: A tutorial},
author = {Daniel J. Schad and Shravan Vasishth and Sven Hohenstein and Reinhold Kliegl},
journal= {arXiv preprint arXiv:1807.10451},
year = {2019}
}
备注
120 pages, 6 figures in main text, 1 figure in appendix