如何对三水平变量进行对比编码？（混合模型场景）

我最近发现**对比编码（contrast-coding）**在混合模型（mixed models）里比虚拟编码（dummy-coding）更高效。下面是我用的简化逻辑，方便说明问题：

指定对比编码 #

> contrasts(TASK1_Reaction_Times$TYPE_OF_LEARNING) <- c(-0.5, 0.5)
> contrasts(TASK1_Reaction_Times$MOMENT_OF_TEST) <- c(-0.5, 0.5)

变量围绕0中心化后的结果 #

> contrasts(TASK1_Reaction_Times$TYPE_OF_LEARNING)
                   [,1]
ORTHOGRAPHIC_LEARNING -0.5
PHONOLOGICAL_LEARNING  0.5

> contrasts(TASK1_Reaction_Times$MOMENT_OF_TEST)
              [,1]
IMMEDIATELY    -0.5
AFTER_ONE_WEEK  0.5

构建混合模型 #

> TASK1 <- lmer(RT ~ TYPE_OF_LEARNING * MOMENT_OF_TEST
  + (1 + MOMENT_OF_TEST) + (1 + TYPE_OF_LEARNING), 
   data = TASK1_Reaction_Times)

模型汇总输出 #

> summary(TASK1)

(...)

Fixed effects:
                         Estimate Std. Error         df     t value      Pr(>|t|)    
(Intercept)                  1000         25         50          40    0.0005 ***
TYPE_OF_LEARNING1             100         25        100          10    0.0005 ***
MOMENT_OF_TEST1              -100         25         50         -10    0.0005 ***
(values are grossly simplified)

我对结果的理解：正字法学习的被试反应时比语音法学习的快约100ms；测试一周后的反应时比即时测试平均慢100ms。

我的问题 #

当变量有三个水平时（比如三种学习类型、三个测试时间点），该怎么操作？

• 还能沿用这个方法吗？
• 该怎么给这类变量做对比编码？比如用-0.5,0,0.5这种方式？

解答 #

完全可以沿用对比编码的思路，针对三水平变量，核心是设置正交对比编码，既保证每个对比项独立解释变异，适配混合模型需求，又能让结果解读更直观。

三水平变量的对比编码方法 #

假设你的变量是LEARNING_TYPE，三个水平为A、B、C，常见的两种正交设置方式如下：

1. Helmert均值对比

这种对比将每个水平与之前所有水平的均值做比较，R内置函数可直接生成：

# 设置Helmert对比并缩放，保证权重围绕0中心化
contrasts(your_data$LEARNING_TYPE) <- contr.helmert(3) / 2

生成的编码矩阵为：

[,1] [,2]
A -0.5 -0.5
B  0.5 -0.5
C   0   1.0

• 第一列：对比B与A的均值差异
• 第二列：对比C与A+B的均值差异

2. 自定义正交对比

如果需要指定特定的两两对比（比如A vs C，以及B vs 均值(A,C)），可以手动构建满足正交性的矩阵：

# 自定义对比：第一列对比A和C，第二列对比B与A/C的均值
contrasts(your_data$LEARNING_TYPE) <- matrix(
  c(-0.5, 0, 0.5, -0.25, 0.5, -0.25), 
  nrow = 3
)

这个矩阵满足两个核心要求：

• 正交性：任意两列的点积为0，避免效应解释互相干扰
• 权重和为0：保证变量围绕0中心化，此时截距代表所有水平的总均值

关键注意事项 #

• 对比矩阵必须满足正交性，这是混合模型中对比编码高效性的核心，能提升模型收敛性，同时让每个固定效应的解释更独立。
• 每列权重和必须为0，确保截距项的解读是所有水平的总均值，而非某一个参照组的均值。
• 模型构建和结果解读逻辑和两水平时完全一致，每个对比项的系数直接对应分组间的差异大小。

内容的提问来源于stack exchange，提问作者asderad