0

我正在写我的硕士论文，但我被数据的复杂性所困扰。因此，我想绘制我的数据以查看其中的内容。

我的数据框如下所示：我有 333 个感知器 (PID)，每个感知器对 60 个目标照片 (TID) 进行评分，结果为 19980 行。每个感知者 (PID) 对每个目标的照片评价他们的可爱程度 (Rating) 并提供多个关于他们自己的自我报告 (SDO_mean、KSA_mean、threshold_overall)。这些照片来自照片类型 A (Dwithin = 0) 或类型 B (Dwithin = 1)，这是我的主体内因素，因为每个感知者都看到了所有照片。此外，感知者被分配到两个主体间条件 (Dbetween) 之一：B 型 (Dwithin = 1) 的所有照片 (TID) 都被标记为具有移民背景的人 (Dbetween = 0) 或难民 (Dbetween = 1) ）。这导致嵌套设计，其中评级嵌套在 PID 和 TID 中。我的数据如下所示：

TID PID Dwithin Dbetween Rating SDO_mean KSA_mean threats_overall
1   1       0        0      5      3.1      2.3             2.2
2   1       1        0      2      3.1      2.3             2.2
3   1       0        0      5      3.1      2.3             2.2
4   1       1        0      1      3.1      2.3             2.2
5   1       0        0      3      3.1      2.3             2.2
6   1       1        0      3      3.1      2.3             2.2

现在我想主要通过分类变量 Dwithin 和 Dbetween 来预测讨人喜欢的评级。由于 Dbetween 只能解释为 Dwithin*Dbetween 的交互作用（因为标签仅适用于 Dwitihn=1 目标），因此公式为：

model1 <- lmer(Rating~1+Dwithin+Dbetween+Dwithin*Dbetween+(1+Dwithin|PID)+(1|TID),data=df)

现在我想绘制用于回归的数据。一个选项可以是为每个 Dwithin / Dbetween 条件分别绘制评级。或者按照模型 1 公式绘制回归。但由于这些是分类预测变量，我没有设法以正确的方式绘制数据。我调查了lattice()但无法将其应用于我的数据。有没有人可以帮我绘制它？提前非常感谢！

@SASpencer：我想到了这样的例子。但我的 y 尺度不是连续的……它只有 1-5 的整数。Dwithin 和 Dbetween 的组合也可能很有趣（就像在你的情节中一样）

这是一个可重现的示例：

mysamp <- function(n, m, s, lwr, upr, nnorm) {
  set.seed(1)
  samp <- rnorm(nnorm, m, s)
  samp <- samp[samp >= lwr & samp <= upr]
  if (length(samp) >= n) {
    return(sample(samp, n))
  }  
} 

options(digits=2)
TID <- rep(1:60, times=333)
PID <- rep(1:333,each=60)
Dwithin <- rep(rep(0:1, times=19980/2))
Dbetween <- rep(rep(0:1, each=60),times=333)[1:19980]
Rating <-  floor(runif(19980, min=1, max=6))
SDO_mean <- rep(mysamp(n=333, m=4, s=2.5, lwr=1, upr=5, nnorm=1000000), each=60)
KSA_mean <- rep(mysamp(n=333, m=2, s=0.8, lwr=1, upr=5, nnorm=1000000), each=60)
threats_overall <- rep(mysamp(n=333, m=3, s=1.5, lwr=1, upr=5, nnorm=1000), each=60)

df <- data.frame(TID,PID,Dwithin,Dbetween, Rating, SDO_mean, KSA_mean, threats_overall)
4

0 回答 0