我已经搜索了类似的问题，如果缺少相关的问题，请简短地道歉。
我正在研究在各种情况下，每个主题访问馈线30次的馈线（因变量）所花费的时间。
受试者被暴露于一种类型的饲养器，该饲养器将具有以下两种不同的组合：被香味/不被香味，具有视觉图案/空白，以及以两种空间布置之一呈现这些视觉或香味图案。
到目前为止，我的模型是：
mod<-lmer(timeonfeeder ~ scent_yes_no + visual_yes_no +
pattern_one_or_two + (1|subject), data=data)
如何将访问次数合并到模型中，以查看这些因素是否会随着时间的流逝而影响在馈线上花费的时间？
您有多种选择（对于CrossValidated，此问题可能会稍好一些）。
如@Dominix所建议的，您可以允许馈线的时间随时间线性增加或减少。允许此更改随鸟类而变化可能是有道理的：
timeonfeeder ~ time + ... + (time|subject)
您可以考虑随时间变化的任意模式（即不仅是线性的）：
timeonfeeder ~ factor(time) + ... + (1|subject)
在您的情况下，这可能没有意义，因为您需要进行大量观察，因此需要很多参数（如果每个人有3个时间点，则更明智）
您可以通过加性模型允许更复杂的随时间变化的模式，即使用三次样条对随时间的变化建模。例如：
library(mgcv)
gamm(timeonfeeder ~ s(time) + ... , random = ~1|subject
（1）假设各个对象的时间模式相同；（2）因为gamm()使用lme而不是lmer在后台，您必须将随机效果指定为单独的参数。（您也可以使用内部使用的gamm4包装lmer。）
您可能需要考虑时间自相关。例如，
lme(timeonfeeder ~ time + ... ,
random = ~ time|subject,
correlation = corAR1(form= ~time|subject) , ...)
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
我来说两句