Огромная разница в выходе R lmer между версиями R 2.15.2 и 3.0.1
После установки R версии 3.0.1 на моем компьютере с Windows 7 для использования пакета nlme я обнаружил огромную разницу в моделях, установленных lme() функция в пакете lme4, Обратите внимание, что эти результаты также отличаются тем, что R 2.15.2 использует lme4 1.0-4, а R 3.0.1 использует lme4 1.1-6 (оба установлены с использованием install.packages("lme4")).
Ряд значений различается на порядок (критерий REML, случайные эффекты и, что наиболее заметно, значение ANOVA p).
Я предполагаю, что это (серьезная) ошибка, но сначала я хотел бы узнать у сообщества. Кроме того, не стесняйтесь перенести этот вопрос в CrossValidated, если это будет более уместным.
Выход из простого дизайна ниже.
Используя R 2.15.2
version$major
## [1] "2"
version$minor
## [1] "15.2"
library(lme4)
## Warning: package 'lme4' was built under R version 2.15.3
## Loading required package: lattice
## Warning: package 'lattice' was built under R version 2.15.3
## Loading required package: Matrix
## Warning: package 'Matrix' was built under R version 2.15.3
sessionInfo()$otherPkgs$lme4$Version
## [1] "1.0-4"
data = read.csv("correct_data.csv")
null_model = lmer(dv ~ (1 | subject) + (1 | target), data = data)
alt_model = lmer(dv ~ condition + (1 | subject) + (1 | target), data = data)
summary(alt_model)
## Linear mixed model fit by REML ['lmerMod']
## Formula: dv ~ condition + (1 | subject) + (1 | target)
## Data: data
##
## REML criterion at convergence: 486.9
##
## Random effects:
## Groups Name Variance Std.Dev.
## subject (Intercept) 0.00299 0.0547
## target (Intercept) 0.00217 0.0465
## Residual 0.17733 0.4211
## Number of obs: 423, groups: subject, 38; target, 7
##
## Fixed effects:
## Estimate Std. Error t value
## (Intercept) 0.1185 0.0336 3.52
## condition 0.0983 0.0414 2.37
##
## Correlation of Fixed Effects:
## (Intr)
## condition -0.532
anova(null_model, alt_model)
## Data: data
## Models:
## null_model: dv ~ (1 | subject) + (1 | target)
## alt_model: dv ~ condition + (1 | subject) + (1 | target)
## Df AIC BIC logLik deviance Chisq Chi Df Pr(>Chisq)
## null_model 4 491 507 -241 483
## alt_model 5 487 507 -238 477 5.55 1 0.018 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Использование R 3.0.1
version$major
## [1] "3"
version$minor
## [1] "1.0"
library(lme4)
## Loading required package: Matrix
## Loading required package: Rcpp
sessionInfo()$otherPkgs$lme4$Version
## [1] "1.1-6"
data = read.csv("correct_data.csv")
null_model = lmer(dv ~ (1 | subject) + (1 | target), data = data)
alt_model = lmer(dv ~ condition + (1 | subject) + (1 | target), data = data)
summary(alt_model)
## Linear mixed model fit by REML ['lmerMod']
## Formula: dv ~ condition + (1 | subject) + (1 | target)
## Data: data
##
## REML criterion at convergence: 5242
##
## Scaled residuals:
## Min 1Q Median 3Q Max
## -1.9112 -0.8148 0.0376 0.8111 1.9040
##
## Random effects:
## Groups Name Variance Std.Dev.
## subject (Intercept) 760 27.6
## target (Intercept) 122 11.0
## Residual 13911 117.9
## Number of obs: 423, groups: subject, 38; target, 7
##
## Fixed effects:
## Estimate Std. Error t value
## (Intercept) 204.3 9.8 20.86
## condition 17.8 11.6 1.53
##
## Correlation of Fixed Effects:
## (Intr)
## condition -0.509
anova(null_model, alt_model)
## refitting model(s) with ML (instead of REML)
## Data: data
## Models:
## null_model: dv ~ (1 | subject) + (1 | target)
## alt_model: dv ~ condition + (1 | subject) + (1 | target)
## Df AIC BIC logLik deviance Chisq Chi Df Pr(>Chisq)
## null_model 4 5265 5281 -2629 5257
## alt_model 5 5265 5285 -2627 5255 2.33 1 0.13