Modele de metafore

Les deuxième et troisième coefficients correspondent aux variables factices hebdomadaires et hebdomadaires ($b _1 =-. $2893 et $b _2 =-. $4422, respectivement). Ces coefficients évaluent la quantité supérieure/inférieure de l`effet moyen pour ces deux niveaux du facteur semaines, par rapport au niveau de référence (c.-à-d., aucun). Par conséquent, ces coefficients indiquent directement le contraste entre l`aucun et les deux autres niveaux. Les deux coefficients sont significativement différents de zéro ($p =. $334 et $p =. $25, respectivement), de sorte que l`effet moyen est significativement différent (et en fait plus bas) lorsque les enseignants ont eu une certaine ou une grande quantité de contact avec les étudiants avant l`espérance l`induction (au lieu d`aucun contact). Notez que le facteur SOA a seulement deux niveaux, donc il n`y a qu`une seule variable factice nécessaire pour représenter ce facteur dans le modèle.

Ainsi, le test de ce facteur (comme vous l`avez fait) équivaut à tester juste qu`une variable factice. Par conséquent, la valeur de p pour FACTOR (SOA2) 2 (p = 0,0057) est identique à la valeur de p pour: nous n`avons pas encore testé s`il y a une différence entre les niveaux certains et élevés de ce facteur. On pourrait changer le niveau de référence du facteur semaines et remonter le modèle pour obtenir ce test. Alternativement, et plus élégamment, nous pouvons juste tester la différence entre ces deux coefficients directement. Nous pouvons le faire avec: donc, nous n`avons en fait pas assez de preuves pour conclure qu`il y a une différence significative entre ces deux niveaux ($p = $1323). La fonction glht () du paquet multcomp permet également de réaliser de tels tests et facilite effectivement la conduite de toutes les comparaisons par paires entre les niveaux de facteurs (avec ou sans valeurs de p ajustées en raison de plusieurs tests). Pour tester les trois combinaisons linéaires les unes contre les autres, nous utiliseraient: sur la base de ce test Chi-carré de type Wald, nous ne trouvons aucune preuve significative qu`une interaction est réellement présente ($Q _M = 0,86, DF = 2, p =. $65). Notez comment les lignes sont parallèles les unes aux autres, comme prévu dans ce modèle. En outre, le facteur de testeur semble avoir seulement une influence mineure sur l`effet par rapport au facteur de semaines. Enfin, alors que nous avons traité des semaines comme un facteur, la diminution de l`effet moyen estimé apparaît à peu près linéaire que nous passons de l`aucun à la certains et les niveaux élevés.

Par conséquent, on pourrait également envisager de s`adapter à un modèle où cette variable est traitée comme une covariance quantitative. Un exemple le long de ces lignes peut être trouvé dans la discussion sur la façon de tester les facteurs et les combinaisons linéaires de paramètres dans les modèles de méta-régression à effets mixtes. À des fins d`illustration, nous catégorisons la variable de semaines (c.-à-d. le nombre de semaines de contact avant l`induction de l`espérance) en trois niveaux (0 semaines = “none”, 1-9 semaines = “Some”, et 10 + semaines = “élevé”): ainsi, toutes les combinaisons de niveaux de facteurs sont présentes dans ce jeu de données… Nouvel utilisateur de StackExchange et R ici. Mes questions concernent principalement l`interprétation, et mon jeu de données est assez grand, donc je n`ai pas inclus mon dataframe. J`ai deux requêtes (en gras). Les résultats de la LRT ($ chi ^ 2 = 0,67, DF = 2, p =.

$71) conduisent à la même conclusion. Comme auparavant, aucun ajustement aux valeurs de p n`a été utilisé pour ces tests, mais cela serait probablement souhaitable lors de la conduite de tant de tests. Pour les méta-analyses multiniveaux, multivariées et réseau, le package fournit également la fonction rma.mv (), qui permet des erreurs d`échantillonnage corrélées et/ou des effets réels. Bien sûr, on peut également utiliser la fonction rma.mv () pour s`adapter aux mêmes modèles que la fonction RMA. Uni (), puisque ces modèles ne sont vraiment que des cas particuliers des modèles plus généraux manipulés par la fonction rma.mv (). Ceci est illustré ci-dessous. Pour les modèles à effets aléatoires et si addcred = TRUE, une ligne pointillée indique les limites (approximatives) de l`intervalle de crédibilité/crédible ou de prédiction (l`intervalle indique où le niveau% des effets réels devraient tomber) (Riley et coll., 2011).