Efectos principales y efectos de interacción: ¿dirección?

Question

Sólo una pregunta rápida sobre los efectos principales y los efectos de interacción:

Por ejemplo, en un modelo LME como

lme_model <- lmer(outcome ~ Group*Time + var1 + (1|Sub), data=datatable

En el análisis habría efectos principales de grupo , tiempo (y var1 ), ¿correcto? Grupo x Tiempo (o Grupo:Tiempo ) se llamaría entonces efecto de interacción, si no me equivoco. Alguien me dijo que los efectos principales no tienen dirección . ¿Es correcto? Estoy bastante seguro de que estoy recibiendo la dirección que se muestra en la salida de summary(lme_model) . El efecto de interacción también tiene un efecto de dirección, ¿no?

Tal vez la otra persona utilizó anova(lme_model) para llegar a esa opinión, que en lugar de summary(lme_model) no produce estimaciones y una dirección para los efectos principales y de interacción?

Edición: con dirección Me refería a positivo o negativo, por ejemplo. existe un efecto de interacción grupoXtiempo negativo

Answer 1

Supongo que con "dirección" te refieres a "signo" (positivo o negativo). Entonces sí, todos los coeficientes -los efectos principales y la interacción- tienen signo.

El signo del efecto principal de una variable que interactúa con otras variables puede no ser especialmente fácil de interpretar por sí solo. Lo mismo ocurre con la interacción.

Digamos que el modelo es $\operatorname{E}\{Y\} = \beta_0 + \beta_1x_1 + \beta_2x_2 + \beta_3x_1x_2$ . En $x_2$ cambia en una unidad, $\operatorname{E}\{Y\}$ cambios por $\beta_2 + \beta_3x_1$ . El cambio esperado en la respuesta depende de los coeficientes $\beta_2$ y $\beta_3$ (y sus signos), así como en el valor (fijo) de $x_1$ .

Existe una forma más sencilla de visualizar y comprender los efectos de un predictor que funciona igual de bien en modelos con y sin interacciones: los gráficos de efectos parciales.

A continuación se explica cómo crear un gráfico de efectos parciales en R utilizando la función ggeffects paquete.

library("ggeffects")

set.seed(1234)

n <- 100

# Generate data with an interaction between x1 (categorical) and x2 (continuous)
data <-
  data.frame(
    x1 = sample(c("A", "B"), n, replace = TRUE),
    x2 = rnorm(n)
  )
data$y <- ifelse(data$x1 == "A", 1 + data$x2, 2 - data$x2 / 3) + rnorm(n)

# Fit the model
model <- lm(y ~ x1 * x2, data = data)

# Make a partial effect plot for the continuous variable, x2,
# at each level of the categorical variable, x1
plot(
  ggpredict(model, terms = c("x2", "x1"))
)
#> Loading required namespace: ggplot2

Creado el 2022-08-20 con reprex v2.0.2