Интерпретация упорядоченных и неупорядоченных факторов в сравнении с числовыми предикторами в сводке модели
Я установил модель, где:
Y ~ A + A ^ 2 + B + mixed.effect (C)
Y является непрерывным, A является непрерывным, B фактически относится к ДНЮ и в настоящее время выглядит так:
Levels: 1 < 2 < 3 < 4 < 5 < 6 < 7 < 8 < 9 < 11 < 12
Я легко могу изменить тип данных, но я не уверен, что более уместно рассматривать B как числовой, как фактор или как упорядоченный фактор. И когда рассматривается как числовой или упорядоченный фактор, я не совсем уверен, как интерпретировать вывод.
Если рассматривать (как упорядоченный фактор), резюме (my.model) выдает что-то вроде этого:
Linear mixed model fit by REML ['lmerMod']
Formula: Y ~ A + I(A^2) + B + (1 | mixed.effect.C)
Fixed effects:
Estimate Std. Error t value
(Intercept) 19.04821 0.40926 46.54
A -151.01643 7.19035 -21.00
I(A^2) 457.19856 31.77830 14.39
B.L -3.00811 0.29688 -10.13
B.Q -0.12105 0.24561 -0.49
B.C 0.35457 0.24650 1.44
B^4 0.09743 0.24111 0.40
B^5 -0.08119 0.22810 -0.36
B^6 0.19640 0.22377 0.88
B^7 0.02043 0.21016 0.10
B^8 -0.48931 0.20232 -2.42
B^9 -0.43027 0.17798 -2.42
B^10 -0.13234 0.15379 -0.86
Что такое L, Q и C? Мне нужно знать влияние каждого дополнительного дня (B) на ответ (Y). Как я могу получить эту информацию из вывода?
Когда я рассматриваю B как .numeric, я получаю что-то вроде этого в качестве вывода:
Fixed effects:
Estimate Std. Error t value
(Intercept) 20.79679 0.39906 52.11
A -152.29941 7.17939 -21.21
I(A^2) 461.89157 31.79899 14.53
B -0.27321 0.02391 -11.42
Чтобы получить влияние каждого дополнительного дня (B) на ответ (Y), я должен умножить коэффициент B на B (номер дня)? Не уверен, что делать с этим выводом ...