线性混合模型三向交互显著后的事后检验方法与代码咨询

核心目标是拆解Grammaticality * Finiteness * Proficiency的三向交互，明确熟练度如何调节语法性与限定性对反应时的联合影响，以下是具体分析路径和代码：

1. 简单效应拆解 #

三向交互显著意味着不同熟练度水平下，语法性与限定性的交互模式存在差异，可通过两种方式拆分分析：

• 按熟练度分组拟合子模型
  将熟练度按分位数划分为低/中/高三组，分别拟合只包含语法性×限定性交互的混合模型，对比各组内的交互效应差异：

  library(dplyr)
  library(lme4)
  
  # 给熟练度划分三组
  nonnative <- nonnative %>%
    mutate(Prof_group = cut(Proficiency, breaks = 3, labels = c("Low", "Mid", "High")))
  
  # 分组拟合模型并提取结果
  group_models <- nonnative %>%
    group_by(Prof_group) %>%
    do(model = lmer(RT ~ Grammaticality * Finiteness + (Grammaticality|subject) + (Grammaticality|item), data = .))
  
  lapply(group_models$model, summary)
  

• 基于全模型的简单效应检验
  用emmeans包在全模型基础上，直接检验熟练度关键取值（均值、均值±1标准差）下的语法性×限定性交互：

  library(emmeans)
  
  # 定义熟练度的关键参考值
  prof_ref <- with(nonnative, c(mean(Proficiency)-sd(Proficiency), mean(Proficiency), mean(Proficiency)+sd(Proficiency)))
  
  # 检验不同熟练度下的语法性×限定性交互
  emm_obj <- emmeans(fitnonnative7, ~ Grammaticality * Finiteness | Proficiency, at = list(Proficiency = prof_ref))
  pairs(emm_obj, simple = "each")
  

2. 可视化交互趋势 #

用图形直观展示三向交互的变化模式，结合emmeans提取的预测值绘制连续趋势图：

library(ggplot2)

# 生成全熟练度范围的预测数据
pred_df <- emmeans(fitnonnative7, ~ Grammaticality * Finiteness | Proficiency,
                   at = list(Proficiency = seq(min(nonnative$Proficiency), max(nonnative$Proficiency), length.out = 100))) %>%
  as.data.frame()

# 绘制交互趋势图
ggplot(pred_df, aes(x = Proficiency, y = emmean, color = Grammaticality, linetype = Finiteness)) +
  geom_line(linewidth = 1) +
  geom_ribbon(aes(ymin = lower.CL, ymax = upper.CL, fill = Grammaticality), alpha = 0.2, color = NA) +
  labs(x = "熟练度得分", y = "预测反应时", color = "语法性", linetype = "限定性") +
  theme_minimal()

通过该图可清晰观察：随着熟练度提升，语法性与限定性对反应时的联合影响如何变化。

3. 斜率差异分析 #

针对连续变量熟练度，可分析不同语法性×限定性组合下，反应时随熟练度变化的斜率差异：

# 提取各组合下熟练度的趋势斜率
prof_trends <- emtrends(fitnonnative7, ~ Grammaticality * Finiteness, var = "Proficiency")

# 对比不同组合间的斜率差异
pairs(prof_trends)

该分析可直接回答：比如“符合语法+限定”条件下熟练度提升对反应时的降低幅度，是否与“不符合语法+非限定”条件下存在显著差异。

4. 模型稳健性验证（可选） #

由于其余主效应及二向交互均不显著，可尝试简化模型（仅保留三向交互和随机效应），验证三向交互的稳定性：

fit_simple <- lmer(data = nonnative,
                   formula = RT ~ Grammaticality:Finiteness:Proficiency + (Grammaticality|subject) + (Grammaticality|item))
summary(fit_simple)

若简化后三向交互仍显著，说明结果更稳健。

内容的提问来源于stack exchange，提问作者Yang Cao