Interpretation von geordneten und nicht geordneten Faktoren im Vergleich zu numerischen Prädiktoren in der Modellzusammenfassung
Ich habe ein Modell eingebaut, bei dem:
Y ~ A + A ^ 2 + B + gemischt.Effekt (C)
Y ist stetig A ist stetig B bezieht sich tatsächlich auf einen TAG und sieht derzeit so aus:
Levels: 1 < 2 < 3 < 4 < 5 < 6 < 7 < 8 < 9 < 11 < 12
Ich kann den Datentyp leicht ändern, bin mir aber nicht sicher, ob es sinnvoller ist, B als numerischen Faktor oder als geordneten Faktor zu behandeln. UND wenn ich als numerischer oder geordneter Faktor behandelt werde, weiß ich nicht genau, wie ich die Ausgabe interpretieren soll.
Wenn als geordneter Faktor behandelt, gibt summary (my.model) etwa Folgendes aus:
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
Was sind L, Q und C? Ich muss die Auswirkung jedes weiteren Tages (B) auf die Antwort (Y) kennen. Wie erhalte ich diese Informationen aus der Ausgabe?
Wenn ich B als.numerisch behandle, erhalte ich so etwas als Ausgabe:
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
Um die Auswirkung jedes zusätzlichen Tages (B) auf die Antwort (Y) zu erhalten, soll ich den Koeffizienten von B mit B (der Tageszahl) multiplizieren? Ich weiß nicht, was ich mit dieser Ausgabe machen soll ...