如何在 R 中使用 BRMS 对贝叶斯序数回归进行假设检验

Question

我试图弄清楚我是否正确地表达了这个模型，以及我是否正确地测试了我的假设。

我进行了一项研究，让人们将刺激分为两个维度。然后我向他们展示了这些刺激的一些例子，要求他们在 1 到 7 的李克特量表上评价每种刺激的典型程度。我让每个参与者对 36 种刺激进行评分。每个刺激都有一个相关维度和一个附带维度。每个维度都设置为 extreme 值、marginal 值或 modal 值。 （每个维度都是双峰的，在类别边界处有一个波谷。这些标签实际上只是从 1 到 100 的连续维度的分类，尽管双峰分布是对称的，并且研​​究问题涉及模式而不是任何特定值。极值是尾部，边际值是最接近波谷的双峰的尾部，众数是众数。在训练阶段，维度是不相关的。）

我开始意识到累积有序逻辑回归可能是分析这些数据的最佳方法。使用 R 中的 brms 包，我使用虚拟编码为相关和附带的特征值指定了我的模型，并将这两种模式的参考类别设置为模式。 （我尝试了一个具有交互的模型，其中系统虚拟代码根据我的分类参数认为合适，交互似乎并不重要。）

rating_dummy1 <- brm(rating ~ labRel_Marginal + labRel_Extreme + labInc_Marginal + labInc_Extreme + (labRel_Marginal + labRel_Extreme + labInc_Marginal + labInc_Extreme | uniqueid), data = testing.rfc, family = cumulative)

注意：一旦这些因素的参考类别重新调整为 mode，我 99% 确定这与 rating_fit1.1 <- brm(rating ~ label_relevant + label_incidental + (label_relevant + label_incidental | uniqueid), data = testing.rfc, family = cumulative) 相同。

我的主要研究问题是：

1. 人们对具有相关模态值的刺激的评价是否高于其他刺激？
2. 人们对具有偶然模态值的刺激的评价是否高于其他刺激？

我的主要问题：这个模型规范是否有意义，我如何测试这些研究问题？

我试图通过询问“带有其他标签的刺激与模态标签有什么不同来测试它们？

(hypothesis(rating_dummy1, c("labRel_Marginal = 0",
                         "labRel_Extreme = 0",
                         "labInc_Marginal = 0",
                         "labInc_Extreme = 0"), alpha = .05, class = "b"))

我可以在这里提出更细微的表述吗？我对假设的解释和表述有点挣扎。

Answer 1

我建议你问关于 brms-users (https://groups.google.com/forum/#!forum/brms-users) 的问题。