나는 명령을 사용하여 R에 glmmLasso를 사용하여 혼합 모델을 피팅하고 사용하는 매개 변수를 포함 :얻기 P-값이 glmmLasso
glmmLasso(fix = Activity ~ Novelty + Valence + ROI + Novelty:Valence +
Novelty:ROI + Valence:ROI + Novelty:Valence:ROI, rnd = list(Subject = ~1),
data = KNov, lambda = 195, switch.NR = F, final.re = TRUE)
당신에게 데이터의 감각을 제공하기를, head(KNov)
의 출력은 다음과 같습니다
Subject Activity ROI Novelty Valence Side STAIt
1 202 -0.4312944 H N E L -0.2993321
2 202 -0.6742497 H N N L -0.2993321
3 202 -1.0914216 H R E L -0.2993321
4 202 -0.6296091 H R N L -0.2993321
5 202 -0.6023507 H N E R -0.2993321
6 202 -1.1554196 H N N R -0.2993321
이
활동은 뇌 활동의 척도이다 (I는 범주 형 변수로 주제 읽기를 가지고 KNov$Subject <- factor(KNov$Subject)
을 사용), 참신하고 발랑 categ 있습니다 반응 및 ROI를 이끌어 내기 위해 사용 된 자극 유형을 코딩하는 구술 적 변수는이 활동을 샘플링 한 뇌의 세 영역을 코딩하는 범주 형 변수입니다. 제목은 데이터를 샘플링 한 개인의 ID 번호입니다 (n = 94).
glmmLasso의 출력은 :
Fixed Effects:
Coefficients:
Estimate StdErr z.value p.value
(Intercept) 0.232193 0.066398 3.4970 0.0004705 ***
NoveltyR -0.190878 0.042333 -4.5089 6.516e-06 ***
ValenceN -0.164214 NA NA NA
ROIB 0.000000 NA NA NA
ROIH 0.000000 NA NA NA
NoveltyR:ValenceN 0.064523 0.077290 0.8348 0.4038189
NoveltyR:ROIB 0.000000 NA NA NA
NoveltyR:ROIH 0.000000 NA NA NA
ValenceN:ROIB -0.424670 0.069561 -6.1050 1.028e-09 ***
ValenceN:ROIH 0.000000 NA NA NA
NoveltyR:ValenceN:ROIB 0.000000 NA NA NA
NoveltyR:ValenceN:ROIH 0.000000 NA NA NA
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Random Effects:
StdDev:
Subject
Subject 0.6069078
I 원자가의 효과에 대한 p- 값을 얻고 자하는 것이다. 나의 첫 번째 생각은 중요한 ValenceR : ROIB 상호 작용의 일부이기 때문에 원자가에 대한 p- 값이 포함되지 않았기 때문에 포함되지 않았다. 그러나 NoveltyR : ValenceN은 중요하지 않지만 그것에 대해 p- 값이 주어집니다. 이 분석이 종이에 사용되기 때문에 비록 중요하지 않더라도 원자가에 대한 p- 값을 원하고, p> 0.05보다는 실제 p- 값을보고하는 것을 선호합니다.
변수에 myLasso를 저장합니다. 'mySummary <- summary (myLasso)'를 시도하십시오. 그럼'str (mySummary)'. 아마 당신은 mySummary에서 결과를 가져올 수있을 것입니다. – lmo
@Imo 요약에 NA로 나타나는 매개 변수도 str (mysummary, vec.len = 50) 출력에 NA로 표시됩니다. – xralphyx
데이터 집합에 가능한 모든 조합이 없을 수 있습니다. 예를 들어 데이터에는 Valence = N 및 ROI = H 인 경우가 없을 수 있습니다. – Dave2e