r的lmm模型如何不将期待产出的水平设置为基准变量？

Question

我用r做lmm模型，对1个具有3个水平的固定因子的原始数据进行了宽转长的操作。但是我的结果默认将其中一个水平的固定因子作为分类变量处理了，该怎么办？

data2 <- speed%>%pivot_longer(4:6,names_to='strategy', values_to='Speed')%>% filter(Speed>0)
dummies <- model.matrix(~ as.numeric(data2$strategy == "Conventionally.indirect.strategy.speech.rate") - 1, data = data2)
dummies <- model.matrix(~ as.numeric(data2$strategy == "Direct.strategy.speech.rate") - 1, data = data2)
dummies <- model.matrix(~ as.numeric(data2$strategy == "Non.Conventionally.indirect.strategy.speech.rate") - 1, data = data2)
data3 <- cbind(data2, dummies)
model <- lmer(Speed ~ strategy + 
                Chinese.proficiency.levels + 
                strategy:Chinese.proficiency.levels + 
                (1 | Speakers), data = data3)

在代码中，我尝试设置虚拟变量，好像没啥用，最后还是产出了2个水平。所以……求解答。

Answer 1

在你的代码中，产生了多个dummies变量，但是这些变量并没有在后续的模型拟合中使用。因此，无论你生成了多少个虚拟变量，最终的模型仍然会将固定因子的一个水平作为分类变量处理。
要将固定因子的所有水平都作为分类变量处理，你可以使用factor()函数将其转换为因子变量。下面是修改后的代码示例：

data2 <- speed %>%
  pivot_longer(4:6, names_to = 'strategy', values_to = 'Speed') %>%
  filter(Speed > 0)

data2$strategy <- factor(data2$strategy)  # 将strategy列转换为因子变量

model <- lmer(Speed ~ strategy + 
                Chinese.proficiency.levels + 
                strategy:Chinese.proficiency.levels + 
                (1 | Speakers), data = data2)

通过将data2$strategy列转换为因子变量，lmer()函数将会将所有水平都作为独立的分类变量处理。

请注意，转换为因子变量后，模型结果的解释可能会有所改变。因此，在使用转换后的数据进行后续分析之前，建议仔细考虑转换的影响