Prace dyplomowe · Modele mieszane

Jak opisać wyniki modelu mieszanego w pracy (APA) – tabela i gotowe zdania

Model w R już działa, ale nie wiesz, co z wydruku przepisać do pracy, a co pominąć. Na przykładzie eksperymentu z hałasem pokazujemy, jak przełożyć wynik lmer na opis metody, tabelę APA i cztery gotowe zdania: efekty stałe z przedziałami, wariancje efektów losowych, ICC i R² Nakagawy.

Strona główna / Blog / Opis modelu mieszanego
W skrócie: Opis modelu mieszanego ma cztery części: strukturę modelu (efekty stałe, efekty losowe, kodowanie i centrowanie), metodę estymacji i stopni swobody, efekty stałe z 95% CI oraz komponenty wariancji z ICC i R² Nakagawy. Z wydruku lmerTest przepisz b, SE, t, df i p, a z części „Random effects” – wariancje albo SD (zawsze napisz które). W przykładzie efekt hałasu wyniósł b = −3.64 punktu, ICC = .625, R²m = .133, a R²c = .762.

Co jest inne w opisie modelu mieszanego

Opis zwykłej regresji mieści się w jednym akapicie: współczynniki, R² i test całego modelu. Model mieszany (wielopoziomowy) ma dwie części. Efekty stałe odpowiadają na pytania badawcze, a efekty losowe opisują, jak bardzo osoby, klasy czy szkoły różnią się od siebie. Czytelnik musi znać obie części, żeby zrozumieć wynik. Do tego w lmer wartości p nie pojawiają się same, a w wydruku jest kilka liczb, które w pracy zwykle się pomija.

Meteyard i Davies (2020) przejrzeli 400 artykułów z liniowymi modelami mieszanymi i przeprowadzili ankietę wśród 163 badaczy. Najwięcej rozbieżności dotyczyło właśnie raportowania, dlatego autorzy sformułowali zalecenia skupione na opisie modelu. Ten wpis zakłada, że model już masz. Jak go zbudować krok po kroku, pokazuje model wielopoziomowy krok po kroku w R, a kiedy wybrać go zamiast ANOVA – wpis ANOVA z powtarzanymi pomiarami czy model mieszany. Tu zajmujemy się tylko tym, co i jak przepisać do pracy.

Przykład: hałas a wynik testu uwagi

Studentka bada, czy hałas w tle obniża wyniki w teście uwagi. Każda z 64 osób rozwiązała sześć bloków testu: trzy w ciszy i trzy przy nagranym hałasie biurowym, w kolejności naprzemiennej, różnej dla połowy osób. Wynik bloku to liczba poprawnych odpowiedzi (0–60). Przed badaniem każdy wypełnił krótką skalę wrażliwości na hałas (1–5). Z powodu awarii komputera przepadło 9 bloków. Zostało 375 obserwacji: 56 osób ma wszystkie sześć bloków, 7 osób – pięć, a jedna – cztery. Dane są symulowane, można je pobrać w pliku CSV, a wszystkie liczby pochodzą z kodu na końcu wpisu.

Obserwacje tej samej osoby nie są niezależne. Zwykły test t na 375 blokach traktowałby je jak 375 różnych osób – to pseudoreplikacja. Dane są w formacie długim: jeden wiersz to jeden blok. Model końcowy ma postać:

wynik ~ hałas × wrażliwość + (1 + hałas | osoba)

Hałas zakodowano 0 = cisza, 1 = hałas. Wrażliwość wycentrowano względem średniej osób (M = 3.07, SD = 0.80), więc efekt hałasu dotyczy osoby o przeciętnej wrażliwości. Część (1 + hałas | osoba) oznacza, że każda osoba ma własny poziom wyników (losowy wyraz wolny) i własny efekt hałasu (losowe nachylenie). Taką strukturę ustalono przed analizą, bo hałas zmienia się wewnątrz osób. Barr i in. (2013) pokazali, że w testowaniu hipotez model bez losowych nachyleń dla czynnika wewnątrzosobowego gorzej uogólnia wyniki.

Opis metody: co musi się znaleźć

W części „Analiza statystyczna” rozdziału metodologicznego opisz model tak, żeby ktoś inny mógł go odtworzyć:

  • Strukturę danych: liczbę osób i obserwacji, liczbę pomiarów na osobę i braki.
  • Efekty stałe: predyktory, ich kodowanie (0/1, kontrasty) i centrowanie.
  • Efekty losowe: względem czego (osoby, klasy) i które parametry są losowe; skąd wzięła się ta struktura.
  • Estymację: REML dla modelu końcowego, ML przy porównywaniu modeli różniących się efektami stałymi (zob. REML a ML).
  • Testy i przedziały: metodę stopni swobody i sposób liczenia 95% CI.
  • Program: R z wersją i pakiety z wersjami.

Po co df? Pakiet lme4 (Bates i in., 2015) nie podaje wartości p dla efektów stałych. Dodaje je pakiet lmerTest, który liczy stopnie swobody metodą Satterthwaite’a albo Kenwarda–Rogera (Kuznetsova i in., 2017). Luke (2017) w symulacjach pokazał, że traktowanie t jak z i test ilorazu wiarygodności są nieco liberalne w małych próbach, a odsetek błędów I rodzaju najbliższy .05 dają REML z jednym z tych przybliżeń. Przy małej liczbie grup McNeish (2017) zaleca REML z poprawką Kenwarda–Rogera.

Wyniki testu uwagi analizowano liniowym modelem mieszanym (R 4.5.3, pakiety lme4 2.0.1 i lmerTest 3.2.1). Efektami stałymi były warunek (0 = cisza, 1 = hałas), wrażliwość na hałas (wycentrowana względem średniej osób) i ich interakcja. Model zawierał losowy wyraz wolny i losowe nachylenie warunku dla osób; strukturę efektów losowych ustalono przed analizą na podstawie schematu badania. Model szacowano metodą REML, efekty stałe testowano testami t ze stopniami swobody Satterthwaite’a, a 95% przedziały ufności wyznaczono z rozkładu t o tych samych stopniach swobody. Analizą objęto wszystkie dostępne bloki (N = 64 osoby, 375 obserwacji; 9 bloków utraconych z powodu awarii).

Z wydruku do pracy: co przepisać, a co pominąć

Wydruk summary() z lmerTest ma kilka części. Tabela niżej mówi, co z każdej trafia do pracy.

Elementy wydruku summary() modelu lmer i ich miejsce w pracy
Element wydrukuW pracyUwagi
Formula, fit by REML, Satterthwaite's methodOpis metodyOpisz słowami, nie wklejaj formuły R.
REML criterion, Scaled residualsPomińReszty sprawdź na wykresach diagnostycznych.
Random effects: Variance, Std.Dev., CorrTabela, część „Efekty losowe”Napisz, czy podajesz wariancje czy SD.
Number of obs, groupsOpis metody, nota tabeliLiczba obserwacji i osób.
EstimatebW jednostkach zmiennej zależnej.
Std. Error, df, t valueSE, df, tdf dwa miejsca po przecinku, np. t(61.47).
Pr(>|t|)pTrzy miejsca, „< .001” zamiast 7.42e-11.
Gwiazdki istotnościPomińPodawaj dokładne p.

Wydruk nie zawiera przedziałów ufności. Dla efektów stałych policz je z tych samych df co test (kod w przepisie poniżej) albo funkcją confint(), i napisz, którą metodą. Ogólne zasady zapisu liczb opisuje jak opisać wyniki w stylu APA, a czytanie wydruków innych programów – jak czytać wyniki z SPSS.

ICC: ile zmienności to różnice między osobami

Zanim opiszesz predyktory, pokaż, jak silne jest zagnieżdżenie. Służy do tego korelacja wewnątrzklasowa (ICC) z modelu pustego, czyli bez predyktorów. W przykładzie wariancja między osobami wyniosła τ00 = 30.16, a wariancja wewnątrz osób σ² = 18.08, więc ICC = 30.16 / (30.16 + 18.08) = .625. Około 62.5% zmienności wyników w blokach to stałe różnice między osobami. To dużo i uzasadnia model mieszany. Ile wynosi taki wskaźnik dla innych liczebności, możesz sprawdzić w kalkulatorze ICC i efektu schematu.

Uwaga na funkcję icc() z pakietu performance użytą na modelu końcowym. Dla naszego modelu zwraca ICC skorygowane = .725, bo liczy je bez wariancji wyjaśnionej przez efekty stałe i z wariancją losowego nachylenia. To inna wielkość niż ICC z modelu pustego. W opisie struktury danych podaj tę drugą.

W modelu pustym wariancja między osobami wyniosła 30.16, a wariancja wewnątrz osób 18.08 (ICC = .625), co oznacza, że około 62.5% zmienności wyników w blokach testu wynikało ze stałych różnic między osobami.

Efekty stałe: b, przedział i interpretacja

Każdy efekt stały opisz jak w regresji: b, 95% CI, t z df i p. Interpretacja zależy od kodowania. Przy hałasie zakodowanym 0/1 i wycentrowanej wrażliwości:

  • Wyraz wolny (b = 42.52) to przewidywany wynik w ciszy u osoby o przeciętnej wrażliwości.
  • Hałas (b = −3.64, 95% CI [−4.56, −2.71]) to różnica hałas − cisza u osoby o przeciętnej wrażliwości, a nie „średni efekt w całej próbie bez względu na wszystko”.
  • Wrażliwość (b = −0.95, 95% CI [−2.88, 0.97], p = .326) to związek wrażliwości z wynikiem w ciszy.
  • Interakcja (b = −2.16, 95% CI [−3.34, −0.99]): każdy punkt wrażliwości więcej to efekt hałasu silniejszy o 2.16 punktu.

Interakcję zawsze rozpisz na proste efekty. Przy wrażliwości o 1 SD poniżej średniej hałas obniżał wynik o 1.92 punktu, 95% CI [−3.20, −0.63], a o 1 SD powyżej – o 5.36 punktu, 95% CI [−6.65, −4.06]. Jeśli dodajesz test porównujący modele z interakcją i bez niej, licz go na dopasowaniach ML i napisz to: χ²(1) = 12.50, p < .001.

Hałas obniżał wyniki w teście uwagi: u osoby o przeciętnej wrażliwości na hałas wynik bloku był w hałasie niższy o 3.64 punktu niż w ciszy, b = −3.64, 95% CI [−4.56, −2.71], t(61.47) = −7.86, p < .001. Wrażliwość na hałas nie wiązała się istotnie z wynikiem w ciszy, b = −0.95, 95% CI [−2.88, 0.97], t(62.14) = −0.99, p = .326, ale wzmacniała negatywny efekt hałasu, b = −2.16, 95% CI [−3.34, −0.99], t(62.02) = −3.67, p < .001. Przy wrażliwości o 1 SD poniżej średniej hałas obniżał wynik o 1.92 punktu, 95% CI [−3.20, −0.63], a o 1 SD powyżej średniej – o 5.36 punktu, 95% CI [−6.65, −4.06].

Po wklejeniu do pracy dodaj kursywę dla b, t i p.

Efekty losowe: wariancje, SD i co one znaczą

Część „Random effects” wydruku zawiera trzy liczby, które studenci najczęściej pomijają. Wariancja losowego wyrazu wolnego wyniosła 33.00 (SD = 5.74 punktu), wariancja losowego nachylenia hałasu 5.71 (SD = 2.39 punktu), ich korelacja −.39, a wariancja reszt 11.61 (SD = 3.41). Zawsze napisz, czy podajesz wariancje, czy odchylenia standardowe – obie liczby stoją w wydruku obok siebie i łatwo je pomylić.

Odchylenie standardowe nachylenia łatwo przełożyć na treść. Przy rozkładzie normalnym efektów losowych hałas u około 95% osób o przeciętnej wrażliwości mieścił się w przedziale od −8.32 do 1.05 punktu. U części osób hałas niemal nie szkodził, a u innych obniżał wynik o kilka punktów. Rysunek 1 pokazuje tę różnorodność.

Przewidywane wyniki 64 osób w ciszy i hałasie jako szare linie o różnym nachyleniu; efekt hałasu wynosi −1.92 punktu przy niskiej wrażliwości i −5.36 punktu przy wysokiej, SD losowego nachylenia 2.39
Rysunek 1. Szare linie to przewidywania modelu dla każdej osoby (efekty stałe i losowe), kolorowe – efekt hałasu z efektów stałych przy wrażliwości o 1 SD poniżej i powyżej średniej. Rozrzut nachyleń szarych linii to właśnie wariancja losowego nachylenia. Obliczenia: R (dane symulowane).

Do pracy możesz dodać 95% CI dla odchyleń standardowych z profilowej funkcji wiarygodności: dla wyrazu wolnego [4.67, 6.91], dla nachylenia [1.11, 3.37]. Jeśli promotor pyta, czy nachylenie „jest istotne”, podaj test ilorazu wiarygodności dla efektów losowych (ranova()): χ²(2) = 8.98, p = .011. Pamiętaj, że wariancja nie może być ujemna, więc taki test bywa konserwatywny. Nieistotny wynik nie jest powodem, by usunąć nachylenie, które wynika ze schematu badania (Barr i in., 2013). Gdy model z pełną strukturą się nie zbiega, postępuj według wpisu model mieszany się nie zbiega i opisz każdą zmianę w strukturze.

R² Nakagawy: marginalne i warunkowe

Nakagawa i Schielzeth (2013) zaproponowali dla modeli mieszanych dwie miary R². Marginalne R² to część wariancji wyjaśniona przez efekty stałe. Warunkowe R² to część wyjaśniona przez efekty stałe i losowe razem. W R policzysz je funkcją r2_nakagawa() z pakietu performance. W przykładzie R²m = .133, a R²c = .762. Rysunek 2 pokazuje, skąd się biorą: dzieli całkowitą wariancję wyniku na trzy składniki.

Słupki podziału wariancji: w modelu pustym .625 to różnice między osobami (ICC), w modelu końcowym .133 przypada na efekty stałe (R² marginalne), .628 na efekty losowe, a razem .762 (R² warunkowe)
Rysunek 2. Udział składników w wariancji wyniku. ICC to niebieska część słupka modelu pustego, R² marginalne – czerwona część słupka modelu końcowego, R² warunkowe – czerwona i niebieska razem. Obliczenia: R (dane symulowane).

Niskie R²m nie znaczy, że hałas nie ma znaczenia. Wyniki w blokach zależą głównie od tego, kto rozwiązuje test, a efekt hałasu (3.64 punktu) to ponad połowa SD wyników w każdym warunku (6.70 w ciszy i 6.69 w hałasie). Dlatego obok R² zawsze podawaj efekt w jednostkach skali.

Osoby różniły się zarówno ogólnym poziomem wyników (SD losowego wyrazu wolnego = 5.74 punktu, 95% CI [4.67, 6.91]), jak i wrażliwością na hałas (SD losowego nachylenia = 2.39 punktu, 95% CI [1.11, 3.37]); korelacja tych efektów wyniosła −.39, a SD reszt 3.41. Efekty stałe wyjaśniały 13.3% wariancji wyników (marginalne R² = .133), a cały model – 76.2% (warunkowe R² = .762).

Tabela APA dla modelu mieszanego

Jedna tabela z efektami stałymi u góry i efektami losowymi u dołu zwykle wystarczy. Ogólne zasady budowy tabel znajdziesz we wpisie tabele APA w pracy z psychologii i w haśle o tabeli regresji w APA.

Tabela 1

Liniowy model mieszany wyników testu uwagi w ciszy i w hałasie

ParametrbSE95% CItdfp
Efekty stałe
Wyraz wolny42.520.76[41.00, 44.04]55.9862.10< .001
Hałas (0 = cisza, 1 = hałas)−3.640.46[−4.56, −2.71]−7.8661.47< .001
Wrażliwość na hałasa−0.950.96[−2.88, 0.97]−0.9962.14.326
Hałas × wrażliwość−2.160.59[−3.34, −0.99]−3.6762.02< .001
Efekty losoweWariancjaSD
Wyraz wolny (osoby)33.005.74
Nachylenie hałasu (osoby)5.712.39
Korelacja wyrazu wolnego i nachylenia−.39
Reszta11.613.41

Uwaga. N = 64 osoby, 375 obserwacji (4–6 bloków na osobę). Estymacja REML; stopnie swobody i 95% CI efektów stałych z przybliżenia Satterthwaite’a. ICC (model pusty) = .625. R²m = .133, R²c = .762. Dane symulowane.
a Wycentrowana względem średniej osób (M = 3.07).

Nie powtarzaj w tekście wszystkich liczb z tabeli. W wynikach opisz efekty związane z hipotezami, a resztę zostaw w tabeli (American Psychological Association, 2020).

Najczęstsze błędy w opisie modelu mieszanego

  • Brak struktury efektów losowych. Zdanie „zastosowano model mieszany” bez informacji, co jest losowe i względem czego, nie pozwala odtworzyć analizy.
  • Wartości p bez metody. Jeśli p pochodzi z lmerTest, napisz „df Satterthwaite’a”. Jeśli z testu ilorazu wiarygodności, podaj χ² i to, czy modele dopasowano ML.
  • Pomylone wariancje i SD. 5.71 i 2.39 to ten sam parametr. Bez nazwy czytelnik nie wie, który podajesz.
  • ICC z niewłaściwego modelu. ICC z modelu końcowego (.725) to nie to samo co ICC z modelu pustego (.625).
  • Jedno R². Podaj oba współczynniki Nakagawy i napisz, który jest który.
  • Efekt główny przy interakcji czytany jak średni efekt. Przy kodowaniu 0/1 i centrowaniu to efekt dla konkretnej wartości drugiej zmiennej.
  • Gwiazdki i notacja naukowa (7.42e-11, ***) przepisane z wydruku.
  • Brak liczby obserwacji i braków. Model mieszany korzysta ze wszystkich dostępnych pomiarów – napisz, ilu ich było.

Jeśli promotor odsyła rozdział wyników z uwagami, typowe poprawki opisuje wpis poprawki promotora w rozdziale wyników.

Przykład reprodukowalny

Model mieszany w R: kod i wynik

Przepis tworzy dane, zapisuje plik CSV i liczy wszystkie wyniki z tekstu i tabeli. Uruchom go z folderu, w którym ma powstać podfolder z danymi (plik trafia do folderu nadrzędnego, ../). Rysunki powstały w osobnym skrypcie na tych samych danych.

Model pusty, model końcowy, CI, komponenty wariancji, ICC i R²

Dane wejściowe: 64 osoby × 6 bloków (9 bloków usuniętych), dane symulowane, set.seed(3301); pakiety lme4, lmerTest i performance.

Co odczytać: strukturę danych, ICC z modelu pustego, efekty stałe z df Satterthwaite’a i 95% CI, wariancje i SD efektów losowych z CI, R² Nakagawy, test losowego nachylenia, test interakcji (ML) i proste efekty hałasu.

R
# B330 – jak opisać wyniki modelu mieszanego: hałas a wynik testu uwagi (dane symulowane)
# 64 osoby × 6 bloków testu (3 w ciszy, 3 w hałasie); wynik = liczba poprawnych odpowiedzi w bloku (0–60)
suppressPackageStartupMessages({ library(lme4); library(lmerTest); library(performance) })
set.seed(3301)
J <- 64; bloki <- 6
osoby <- data.frame(osoba = factor(1:J), wrazliwosc = round(pmin(5, pmax(1, rnorm(J, 3, 0.8))), 1))
u0 <- rnorm(J, 0, 5); u1 <- rnorm(J, -0.3 * u0 / 5 * 3, 3 * sqrt(1 - 0.3^2))     # SD 5 i 3, korelacja około −.30
dane <- data.frame(osoba = factor(rep(1:J, each = bloki)), blok = rep(1:bloki, J))
dane$halas <- as.integer(ifelse(as.integer(dane$osoba) %% 2 == 0, dane$blok %in% c(2, 4, 6), dane$blok %in% c(1, 3, 5)))
dane$wrazliwosc <- osoby$wrazliwosc[dane$osoba]
dane$wrazliwosc_c <- dane$wrazliwosc - mean(osoby$wrazliwosc)            # centrowanie względem średniej osób
i <- as.integer(dane$osoba)
dane$wynik <- round(42 + u0[i] + (-3.5 + u1[i]) * dane$halas - 0.3 * dane$wrazliwosc_c -
                    1.6 * dane$halas * dane$wrazliwosc_c + rnorm(nrow(dane), 0, 3.5))
dane$wynik <- pmin(60, pmax(0, dane$wynik))
dane <- dane[-sample(nrow(dane), 9), ]                                    # 9 bloków utraconych (awaria)
write.csv(dane, "../model-mieszany-halas-dane.csv", row.names = FALSE, fileEncoding = "UTF-8")

# Struktura danych: liczba osób, obserwacji, bloków na osobę
cat("Osoby:", nlevels(droplevels(dane$osoba)), "| obserwacje:", nrow(dane), "\n")
print(table(table(dane$osoba)))
print(aggregate(wynik ~ halas, dane, function(y) round(c(M = mean(y), SD = sd(y)), 2)))
cat(sprintf("Wrażliwość na hałas (poziom osób): M = %.2f, SD = %.2f\n", mean(osoby$wrazliwosc), sd(osoby$wrazliwosc)))

# Model pusty i ICC
m0 <- lmer(wynik ~ 1 + (1 | osoba), data = dane, REML = TRUE)
print(VarCorr(m0), comp = "Variance")
print(icc(m0))

# Model końcowy: hałas (0 = cisza, 1 = hałas), wrażliwość (centrowana), interakcja,
# losowy wyraz wolny i losowe nachylenie hałasu dla osób; REML, df Satterthwaite'a
m1 <- lmer(wynik ~ halas * wrazliwosc_c + (1 + halas | osoba), data = dane, REML = TRUE)
cat("Ostrzeżenie singular fit:", isSingular(m1), "\n")
print(summary(m1, ddf = "Satterthwaite"), correlation = FALSE)

# 95% CI dla efektów stałych z rozkładu t z df Satterthwaite'a (zgodne z testem t z tabeli)
tab <- coef(summary(m1, ddf = "Satterthwaite"))
ci_t <- cbind(b = tab[, "Estimate"], SE = tab[, "Std. Error"],
              dol = tab[, "Estimate"] - qt(0.975, tab[, "df"]) * tab[, "Std. Error"],
              gor = tab[, "Estimate"] + qt(0.975, tab[, "df"]) * tab[, "Std. Error"],
              t = tab[, "t value"], df = tab[, "df"])
print(data.frame(round(ci_t, 3), p = signif(tab[, "Pr(>|t|)"], 3)))

# 95% CI z profilowej funkcji wiarygodności dla SD efektów losowych i SD reszt
# (profil korelacji efektów losowych jest tu niemonotoniczny – lme4 ostrzega – więc jej CI pomijamy)
ci_sd <- suppressWarnings(suppressMessages(confint(m1, parm = "theta_", method = "profile", signames = FALSE)))
print(round(ci_sd[!grepl("^cor", rownames(ci_sd)), ], 2))

# Komponenty wariancji: wariancje i SD
print(VarCorr(m1), comp = c("Variance", "Std.Dev."))

# Zakres, w którym leży efekt hałasu u około 95% osób (przy średniej wrażliwości): b ± 1.96 × SD nachylenia
sd_nach <- attr(VarCorr(m1)$osoba, "stddev")[["halas"]]
cat(sprintf("Efekt hałasu u ~95%% osób: od %.2f do %.2f\n",
            fixef(m1)[["halas"]] - 1.96 * sd_nach, fixef(m1)[["halas"]] + 1.96 * sd_nach))

# R² Nakagawy i Schielzetha oraz ICC skorygowane z modelu końcowego
print(r2_nakagawa(m1))
print(icc(m1))

# Czy nachylenie hałasu różni się między osobami? LRT dla efektów losowych (REML)
print(ranova(m1))

# Porównanie modeli z interakcją i bez niej – LRT na dopasowaniach ML
m1a <- lmer(wynik ~ halas + wrazliwosc_c + (1 + halas | osoba), data = dane, REML = FALSE)
m1b <- update(m1, REML = FALSE)
print(anova(m1a, m1b))

# Proste nachylenia hałasu dla wrażliwości o 1 SD poniżej i powyżej średniej (CI z przybliżenia normalnego)
s <- sd(osoby$wrazliwosc); b <- fixef(m1); V <- as.matrix(vcov(m1))
for (w in c(-s, s)) {
  k <- c(0, 1, 0, w); est <- sum(k * b); se <- sqrt(drop(t(k) %*% V %*% k))
  cat(sprintf("Wrażliwość %+.2f: efekt hałasu = %.2f, 95%% CI [%.2f, %.2f]\n", w, est, est - 1.96 * se, est + 1.96 * se))
}
Wynik w R
Osoby: 64 | obserwacje: 375 

 4  5  6 
 1  7 56 
  halas wynik.M wynik.SD
1     0   42.48     6.70
2     1   38.91     6.69
Wrażliwość na hałas (poziom osób): M = 3.07, SD = 0.80
 Groups   Name        Variance
 osoba    (Intercept) 30.157  
 Residual             18.075  
# Intraclass Correlation Coefficient

    Adjusted ICC: 0.625
  Unadjusted ICC: 0.625
Ostrzeżenie singular fit: FALSE 
Linear mixed model fit by REML. t-tests use Satterthwaite's method [
lmerModLmerTest]
Formula: wynik ~ halas * wrazliwosc_c + (1 + halas | osoba)
   Data: dane

REML criterion at convergence: 2185.7

Scaled residuals: 
     Min       1Q   Median       3Q      Max 
-2.44622 -0.62751  0.01106  0.62181  2.25918 

Random effects:
 Groups   Name        Variance Std.Dev. Corr  
 osoba    (Intercept) 33.00    5.745          
          halas        5.71    2.390    -0.39 
 Residual             11.61    3.407          
Number of obs: 375, groups:  osoba, 64

Fixed effects:
                   Estimate Std. Error      df t value Pr(>|t|)    
(Intercept)         42.5206     0.7596 62.0999  55.978  < 2e-16 ***
halas               -3.6359     0.4628 61.4748  -7.856 7.42e-11 ***
wrazliwosc_c        -0.9532     0.9625 62.1405  -0.990 0.325853    
halas:wrazliwosc_c  -2.1619     0.5883 62.0156  -3.675 0.000499 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
                        b    SE    dol    gor      t     df        p
(Intercept)        42.521 0.760 41.002 44.039 55.978 62.100 7.36e-55
halas              -3.636 0.463 -4.561 -2.711 -7.856 61.475 7.42e-11
wrazliwosc_c       -0.953 0.963 -2.877  0.971 -0.990 62.140 3.26e-01
halas:wrazliwosc_c -2.162 0.588 -3.338 -0.986 -3.675 62.016 4.99e-04
                     2.5 % 97.5 %
sd_(Intercept)|osoba  4.67   6.91
sd_halas|osoba        1.11   3.37
sigma                 3.13   3.73
 Groups   Name        Variance Std.Dev. Corr   
 osoba    (Intercept) 33.0042  5.7449          
          halas        5.7103  2.3896   -0.386 
 Residual             11.6105  3.4074          
Efekt hałasu u ~95% osób: od -8.32 do 1.05
# R2 for Mixed Models

  Conditional R2: 0.762
     Marginal R2: 0.133
# Intraclass Correlation Coefficient

    Adjusted ICC: 0.725
  Unadjusted ICC: 0.628
ANOVA-like table for random-effects: Single term deletions

Model:
wynik ~ halas * wrazliwosc_c + (1 + halas | osoba)
                             npar  logLik    AIC    LRT Df Pr(>Chisq)  
<none>                          8 -1092.8 2201.7                       
halas in (1 + halas | osoba)    6 -1097.3 2206.7 8.9781  2    0.01123 *
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Data: dane
Models:
m1a: wynik ~ halas + wrazliwosc_c + (1 + halas | osoba)
m1b: wynik ~ halas * wrazliwosc_c + (1 + halas | osoba)
    npar    AIC    BIC  logLik -2*log(L)  Chisq Df Pr(>Chisq)    
m1a    7 2215.9 2243.4 -1100.9    2201.9                         
m1b    8 2205.4 2236.8 -1094.7    2189.4 12.504  1  0.0004062 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Wrażliwość -0.80: efekt hałasu = -1.92, 95% CI [-3.20, -0.63]
Wrażliwość +0.80: efekt hałasu = -5.36, 95% CI [-6.65, -4.06]

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3 z pakietami lme4, lmerTest i performance; rysunki przygotowano w pakietach ggplot2, svglite, insight i magick. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. lme4 (wersja 2.0.1): Bates, D., Mächler, M., Bolker, B., & Walker, S. (2015). Fitting linear mixed-effects models using lme4. Journal of Statistical Software, 67(1), 1–48. https://doi.org/10.18637/jss.v067.i01
  3. lmerTest (wersja 3.2.1): Kuznetsova, A., Brockhoff, P. B., & Christensen, R. H. B. (2017). lmerTest package: Tests in linear mixed effects models. Journal of Statistical Software, 82(13), 1–26. https://doi.org/10.18637/jss.v082.i13
  4. performance (wersja 0.16.0): Lüdecke, D., Ben-Shachar, M. S., Patil, I., Waggoner, P., & Makowski, D. (2021). performance: An R package for assessment, comparison and testing of statistical models. Journal of Open Source Software, 6(60), 3139. https://doi.org/10.21105/joss.03139
  5. insight (wersja 1.4.6): Lüdecke, D., Waggoner, P., & Makowski, D. (2019). insight: A unified interface to access information from model objects in R. Journal of Open Source Software, 4(38), 1412. https://doi.org/10.21105/joss.01412
  6. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  7. svglite (wersja 2.2.2): Wickham, H., Henry, L., Pedersen, T. L., Luciani, T. J., Decorde, M., & Lise, V. (2025). svglite: An ‘SVG’ graphics device [R package]. https://doi.org/10.32614/CRAN.package.svglite
  8. magick (wersja 2.9.1): Ooms, J. (2026). magick: Advanced graphics and image-processing in R [R package]. https://doi.org/10.32614/CRAN.package.magick

Najczęstsze pytania

Co napisać o modelu mieszanym w części „Analiza statystyczna”?

Podaj zmienną zależną, efekty stałe z kodowaniem i centrowaniem, jednostki efektów losowych (np. osoby) i to, które parametry są losowe (wyraz wolny, nachylenie). Dodaj metodę estymacji (REML albo ML), metodę stopni swobody (np. Satterthwaite), sposób liczenia 95% CI oraz program i wersje pakietów. Wzór takiego akapitu jest w sekcji „Opis metody”.

Czy w modelu mieszanym podawać wariancję czy odchylenie standardowe efektu losowego?

Jedno albo drugie, ale z nazwą. Wariancja (np. τ00 = 33.00) przydaje się do liczenia ICC, a odchylenie standardowe (5.74 punktu) jest w jednostkach wyniku i łatwiej je zinterpretować. Wydruk lmer pokazuje obie wartości obok siebie w kolumnach Variance i Std.Dev..

Które ICC podać: z modelu pustego czy z modelu końcowego?

Do opisu struktury danych podaj ICC z modelu pustego (bez predyktorów) – mówi, jaka część wariancji wyniku to stałe różnice między jednostkami. ICC z funkcji icc() dla modelu z predyktorami i losowym nachyleniem to inna wielkość (w przykładzie .725 zamiast .625). Jeśli podajesz obie, nazwij każdą.

Jak zinterpretować R² marginalne i warunkowe w pracy magisterskiej?

Marginalne R² to część wariancji wyjaśniona przez efekty stałe, a warunkowe – przez efekty stałe i losowe razem (Nakagawa i Schielzeth, 2013). Duża różnica między nimi oznacza, że wyniki zależą głównie od stałych różnic między osobami. Niskie R²m nie znaczy, że efekt jest nieważny – podaj też efekt w punktach skali.

Czy w modelu mieszanym trzeba podawać standaryzowane współczynniki beta?

Nie. Standardowo podaje się niestandaryzowane b z SE i 95% CI, bo przy predyktorze 0/1 mają prostą interpretację: różnica w punktach skali. Jeśli promotor prosi o współczynniki standaryzowane, napisz, jak je policzono, bo w modelach wielopoziomowych nie ma jednego oczywistego sposobu standaryzacji.

Powiązane hasła

Przeczytaj też

Masz model mieszany, ale nie wiesz, jak go opisać?

Sprawdzimy specyfikację i wydruk modelu, wyjaśnimy każdą liczbę i pomożemy ułożyć tabelę oraz opis wyników tak, żebyś umiał(a) samodzielnie je obronić.

Oferta dla studentówWyceń analizę

Bibliografia i dalsza literatura naukowa (APA 7)

  1. American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). https://doi.org/10.1037/0000165-000
  2. Barr, D. J., Levy, R., Scheepers, C., & Tily, H. J. (2013). Random effects structure for confirmatory hypothesis testing: Keep it maximal. Journal of Memory and Language, 68(3), 255–278. https://doi.org/10.1016/j.jml.2012.11.001 ● Otwarty dostęp: pełny tekst
  3. Bates, D., Mächler, M., Bolker, B., & Walker, S. (2015). Fitting linear mixed-effects models using lme4. Journal of Statistical Software, 67(1), 1–48. https://doi.org/10.18637/jss.v067.i01 ● Otwarty dostęp
  4. Kuznetsova, A., Brockhoff, P. B., & Christensen, R. H. B. (2017). lmerTest package: Tests in linear mixed effects models. Journal of Statistical Software, 82(13), 1–26. https://doi.org/10.18637/jss.v082.i13 ● Otwarty dostęp
  5. Luke, S. G. (2017). Evaluating significance in linear mixed-effects models in R. Behavior Research Methods, 49(4), 1494–1502. https://doi.org/10.3758/s13428-016-0809-y ● Otwarty dostęp
  6. McNeish, D. (2017). Small sample methods for multilevel modeling: A colloquial elucidation of REML and the Kenward-Roger correction. Multivariate Behavioral Research, 52(5), 661–670. https://doi.org/10.1080/00273171.2017.1344538
  7. Meteyard, L., & Davies, R. A. I. (2020). Best practice guidance for linear mixed-effects models in psychological science. Journal of Memory and Language, 112, Article 104092. https://doi.org/10.1016/j.jml.2020.104092 ● Otwarty dostęp: pełny tekst
  8. Nakagawa, S., & Schielzeth, H. (2013). A general and simple method for obtaining R² from generalized linear mixed-effects models. Methods in Ecology and Evolution, 4(2), 133–142. https://doi.org/10.1111/j.2041-210x.2012.00261.x

Cytowania BibTeX

@book{apa2020publication, author={{American Psychological Association}}, title={{Publication manual of the American Psychological Association}}, year={2020}, edition={7th ed.}, publisher={American Psychological Association}, doi={10.1037/0000165-000}}
@article{barr2013random, author={Barr, Dale J. and Levy, Roger and Scheepers, Christoph and Tily, Harry J.}, title={{Random effects structure for confirmatory hypothesis testing: Keep it maximal}}, journal={Journal of Memory and Language}, year={2013}, volume={68}, number={3}, pages={255--278}, doi={10.1016/j.jml.2012.11.001}}
@article{bates2015fitting, author={Bates, Douglas and Mächler, Martin and Bolker, Ben and Walker, Steve}, title={{Fitting linear mixed-effects models using lme4}}, journal={Journal of Statistical Software}, year={2015}, volume={67}, number={1}, pages={1--48}, doi={10.18637/jss.v067.i01}}
@article{kuznetsova2017lmertest, author={Kuznetsova, Alexandra and Brockhoff, Per B. and Christensen, Rune H. B.}, title={{lmerTest package: Tests in linear mixed effects models}}, journal={Journal of Statistical Software}, year={2017}, volume={82}, number={13}, pages={1--26}, doi={10.18637/jss.v082.i13}}
@article{luke2017evaluating, author={Luke, Steven G.}, title={{Evaluating significance in linear mixed-effects models in R}}, journal={Behavior Research Methods}, year={2017}, volume={49}, number={4}, pages={1494--1502}, doi={10.3758/s13428-016-0809-y}}
@article{mcneish2017small, author={McNeish, Daniel}, title={{Small sample methods for multilevel modeling: A colloquial elucidation of REML and the Kenward-Roger correction}}, journal={Multivariate Behavioral Research}, year={2017}, volume={52}, number={5}, pages={661--670}, doi={10.1080/00273171.2017.1344538}}
@article{meteyard2020best, author={Meteyard, Lotte and Davies, Robert A. I.}, title={{Best practice guidance for linear mixed-effects models in psychological science}}, journal={Journal of Memory and Language}, year={2020}, volume={112}, eid={104092}, doi={10.1016/j.jml.2020.104092}}
@article{nakagawa2013general, author={Nakagawa, Shinichi and Schielzeth, Holger}, title={{A general and simple method for obtaining R² from generalized linear mixed-effects models}}, journal={Methods in Ecology and Evolution}, year={2013}, volume={4}, number={2}, pages={133--142}, doi={10.1111/j.2041-210x.2012.00261.x}}
R