Jag är inte helt säker på vad den faktiska modellen "upprepade mått ANOVA" beskriver, men jag tror att en allmän fråga är om jag vill lägga slumpmässiga effekter av något slag i en modell snarare än t.ex. justera bara variansberäkningar för att täcka de inducerade beroendena (som i panelkorrigerade standardfel jämfört med flernivåmodeller debatterar i tidsserier i tvärsnittsanalys). Så jag ska börja med den frågan först och sedan ta itu med din.

Fasta och slumpmässiga effekter

Två kompletterande principer om när man ska använda ett slumpmässigt snarare än fast effekt är följande:

1. Representera en sak (ämne, stimulustyp, etc.) med en slumpmässig effekt när du är intresserad av att använda modellen för att generalisera till andra fall av den saken inte ingår i den aktuella analysen, t.ex. andra ämnen eller andra stimulustyper. Om inte använda en fast effekt.
2. Representera en sak med en slumpmässig effekt när du tror att för alla fall av saken kan andra instanser i datamängden vara informativa om den. Om du inte förväntar dig någon sådan informativitet, använd sedan en fast effekt.

Båda motiverar uttryckligen inkluderande ämnes slumpmässiga effekter: du är vanligtvis intresserad av mänskliga befolkningar i allmänhet och elementen i varje ämnes svarsuppsättning korrelerade, förutsägbara från varandra och därför informativa om varandra. Det är mindre tydligt för saker som stimuli. Om det bara kommer att finnas tre typer av stimuli, så kommer 1. att motivera en fast effekt och 2. kommer att göra beslutet beroende av stimuli.

Dina frågor

En anledning att använda en blandad modell över en upprepad effekt ANOVA är att de förstnämnda är betydligt mer generella, t.ex. de fungerar lika enkelt med balanserade och obalanserade mönster och de utvidgas enkelt till modeller med flera nivåer. I min (visserligen begränsade) läsning om klassisk ANOVA och dess tillägg verkar blandade modeller täcka alla specialfall som ANOVA-tillägg gör. Så jag kan faktiskt inte tänka mig en statistisk anledning att föredra upprepade åtgärder ANOVA. Andra kanske kan hjälpa till här. (En välbekant sociologisk anledning är att ditt fält föredrar att läsa om metoder som sina äldre medlemmar lärde sig på forskarskolan, och en praktisk anledning är att det kan ta lite längre tid att lära sig att använda blandade modeller än en mindre förlängning av ANOVA.)

Anmärkning

En varning för att använda slumpmässiga effekter, mest relevanta för icke -experimentella data, är att för att behålla konsistens att antingen anta att de slumpmässiga effekterna är okorrelerade med modellens fasta effekter, eller lägga till fasta effektmedel som kovariater för den slumpmässiga effekten (diskuteras t.ex. i Bafumi och Gelmans papper).

Om dina deltagare ser exakt samma bilder i varje tillstånd (vilket naturligtvis inte är fallet i ditt ursprungliga exempel eftersom varje kategori antagligen kommer att innehålla olika bilder), berättar en ANOVA på cellen förmodligen exakt vad du vill veta . En anledning att föredra det är att det är något lättare att förstå och kommunicera (inklusive till granskare när du kommer att försöka publicera din studie).

Men i princip ja, om du kör experiment där ett antal människor måste gör något som svar på några få förhållanden (t.ex. bildkategorier) med upprepade försök i varje tillstånd, det är alltid så att du har två variationskällor. Forskare inom vissa områden (t.ex. psykolingvistik) använder rutinmässigt flernivåmodeller (eller några andra äldre alternativ som Clarks F1 / F2-analys) just av den anledningen medan andra områden (t.ex. mycket arbete i vanlig experimentell psykologi) i princip ignorerar frågan (utan annan anledning till att kunna komma undan med det, från vad jag kan säga).

Detta dokument diskuterar också denna fråga:

Raaijmakers, JGW, Schrijnemakers, JMC, & Gremmen, F. (1999). Hur man hanterar "The Language-as-Fixed-Effect Fallacy": Vanliga missuppfattningar och alternativa lösningar. Journal of Memory and Language , 41 (3), 416-426.

Aldrig. En upprepad åtgärd ANOVA är en typ, förmodligen den enklaste, modellen för blandade effekter. Jag rekommenderar att inte ens lära mig upprepade åtgärder förutom att veta hur man passar en som en blandad effekt, utan att lära sig metoder för blandade effekter. Det kräver mer ansträngning eftersom de inte kan förstås som recept men är mycket kraftfullare eftersom de kan utökas till flera slumpmässiga effekter, olika korrelationsstrukturer och hantera saknade data.

Se Gueorguieva, R., & Krystal, JH (2011). Flytta över ANOVA. Arch Gen Psychiatry, 61, 310–317. http://doi.org/10.1001/archpsyc.61.3.310