Discussion :

[Chris lebar]

Bonjour,

Je débute sous R et sur les modèles mixtes et j'utilise le package lmer parce qu'il m'est conseillé dans mon champ de recherche.
Je pense avoir bien compris la formulation des modèles (gestion des effets fixes et aléatoires).
Cependant il y a quelques points qui m'échappent dans le compte rendu des résultats.

L'exemple d'une expé basique en traitement orthographique :
On affiche des mots sur écran d'ordinateur et on récolte les temps de réaction des sujets pour les identifier en tant que mots parmi des pseudomots (qui ne sont pas des mots ex : pupol, sgant) à travers 3 conditions d'affichage.
Soit un plan simple à mesures répétées (où on ne s'intéresse qu'aux TR des mots les pseudomots sont des leurres) : 3Sujets*3(Conditions) + les effets aléatoires des sujets et des mots (ou items).

Voici la formule : Temps de réaction ~ Conditions + (Sujets) + (Mots)

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
Linear mixed model fit by REML ['lmerMod']
Formula: TR ~ Condition + (1 | Subject) + (1 | Item)
   Data: data.test
 
REML criterion at convergence: 222.3
 
Scaled residuals: 
     Min       1Q   Median       3Q      Max 
-1.69857 -0.47100 -0.01181  0.53212  2.42102 
 
Random effects:
 Groups     Name        Variance Std.Dev.
 Item       (Intercept)    0.0    0.00   
 ï..Subject (Intercept) 3118.9   55.85   
 Residual                323.3   17.98   
Number of obs: 27, groups:  Item, 9; ï..Subject, 3
 
Fixed effects:
             Estimate Std. Error t value
(Intercept)   568.778     32.796  17.343
ConditionPHO  -42.111      8.476  -4.968
ConditionUNR   88.000      8.476  10.382
 
Correlation of Fixed Effects:
            (Intr) CndPHO
ConditinPHO -0.129       
ConditinUNR -0.129  0.500
convergence code: 0
boundary (singular) fit: see ?isSingular

En réalité j'ai 3 conditions : PHO, CON et UNR qui enregistrent respectivement des moyennes de 526 568 et 656 millisecondes. Elles sont synthétisées dans la section "Fixed effects".

Pourquoi l'une des conditions (la condition CON) est mise en Intercept et pas une autre ?
Comment interpréter la t value de cette condition et celle des deux autres dans ce cas ?

Cela ressemble à une analyse de contraste ou on compare une condition à plusieurs autres.

Je vous remercie d'avance

[faubry]

Pourquoi l'une des conditions (la condition CON) est mise en Intercept et pas une autre ?

Cela n'a rien à voir avec lmer mais avec les contrastes utilisés. On aurait la même chose avec un modèle à effets fixes. Par défaut, R utilise le contraste dit 'traitement' (contr.treatment) pour les facteurs non ordonnés. Ce contraste, qui n'en est pas vraiment un, considère que la ligne de base est le premier niveau identifié du facteur (donc généralement celui dont le nom est le premier dans l'ordre lexicographique). Cette valeur est donc l'intercept et ensuite, les paramètres sont calculés comme étant la différence avec ce premier niveau. On peut modifier ce premier niveau en utilisant la fonction relevel ou utiliser d'autres contrastes grâce à l'argument contrasts des fonctions comme lm, glm, lmer...

En fait, il faut d'abord s’intéresser au fait que le facteur est significatif (voir la fonction anova ou Anova et les différents types de sommes des carrés pour interpréter la significativité) et s'il est significatif, il est alors préférable de faire des tests post-hoc, par exemple en utilisant les fonctions du package emmmeans.

[Chris lebar]

Merci pour votre réponse.

Sur ce jeu de donnée l'ANOVA a été réalisée sur le F1 (Facteur sujet) et sur le F2 (Facteur Item) et les deux modèles se valent.
Comme les hypothèses ont été faites à posteriori j'ai effectivement fait plusieurs tests t post-hoc (correction Bonferroni) et ils sont significatifs entre les 2 conditions d'intérêts dans les F1 et F2.
Selon certaines recommandations le recours aux tests F1xF2 est risqué parce qu'il augmente le risque de commettre une erreur de type 1, c'est pour cela que j'utilise R et lmer désormais pour ces données.

J'ai recherché sur la fonction relevel et le référencement de variables et j'ai trouvé cela :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
datcell$cond <- relevel(datcell$cond, ref = "CON")
> LM1 <- lmer(TR~cond+(1|Subject)+(1|Item), data = datcell)

Cela marche plutôt bien ! Je vous remercie