modele mixte - changement de référence

Bonjour
je travaille avec un odele mixte de la forme
Y~cov+consignes+consignes:cov

consignes a 3 modalités : A, B , C

si j'ai bien compris la doc de lme, les effets intercept et pente auraont comme référence la consigne A.
comment faire pour changer la réference ?

merci d'avance

fabien

Salut,

ça n'a rien de spécifique à lme. C'est R dont le contraste de base pour les facteurs est le contr.treatment avec comme modalité témoin la première dans l'ordre alphanumérique. Le meilleur moyen de mon point de vue, notamment pour l'intégrer dans un model est d'utiliser la fonction C() directement dans le script du modèle. Regarde l'aide de cette fonction pour plus de détail

Bonjour

je voudrais savoir si avec R, vous constatez un effet de la référence sur le résultat de sortie d'un modele mixte avec lme
Ca ne devrait pas, non?

soit plus précis. c'est un peu vague "le résultat de sortie"

en fait, je lance la commande

modeleL= lme(aExpliquer~ Vitesse + Consigne+Consigne:Vitesse , table
random = (~ Vitesse + Consigne+Consigne:Vitesse|Sujet))

Consigne a 3 modalités.
j'ai lu que sans changer les contrastes, R prenait la premiere consigne en référence.
je lance et je peux voir directement la valeur de pente de ma consigne reference avec la vitesse.

J'ai relancé en changeant la référence de ma consigne et a chaque fois j'aboutis sur des valeurs différentes du critère de Aikike et de mes pentes

le critere de Aikike devrait etre identique non ?

Pas si sûr si ton plan d'expérience n'est pas équilibré. Dans ce cas l'estimation au maximum de vraisemblance est biaisée et le biais ne peut être ni exprimé, ni corrigé.
Ce problème est résolu en partie par la méthode d'estimation REML mais dans ce cas tu ne peux pas calculer d'AIC. Si tu veux voir apparaitre ta modalité de référence, change les contrastes de ton facteur en passant par contr.sum ou contr.helmert. Pour comprendre comment s'interprètent les sorties, il faut visualiser les contrastes obtenus en faisant contrasts(Consigne).

merci de ta réponse Nik

effectivement j'ai une modalité qui a nettement plus de valeurs.
Pour info, Je ne suis pas un spécialiste des statistiques. j'ai lu la doc de nlme et il faut dire que j'ai du mal avec la partie contrasts.
Si j'utilise contr.sum : il va me prendre en référence la moyenne de mes modalité, c'est ca ?
par contre, je bloque sur le contr.helmert ?

sinon, si je veux tester un contraste entre 2 parametres d'un modele du genre
modeleL= lme(aExpliquer~ Vitesse + Consigne+Consigne:Vitesse
. c'est bien cette commande que je dois utiliser n'est ce pas :
anova(modele,L=c("Consigne"=1,"Consigne:Vitesse"=-1 ))
je reste dispo

Si j'utilise contr.sum : il va me prendre en référence la moyenne de mes modalité, c'est ca ?
par contre, je bloque sur le contr.helmert ?

J'avoue que je n'utilise ces contrastes que rarement donc je ne m'en souviens pas...à chaque fois je regarde sur le net . Tu peux aussi définir tes propres contrastes.
Pour ça :

Code:

anova(modele,L=c("Consigne"=1,"Consigne:Vitesse"=-1 ))

Je n'utilise généralement pas l'argument L de lme. J'utilise souvent la fonction C() dans le modèle car elle permet d'écrire explicitement certains contrastes ou alors je définis ma matrice de contrastes à part en créant un une copie du facteur que je modifie avec la matrice de contraste.
C'est pas que j'ai pas confiance dans l'argument L mais plutôt que je ne suis pas absolument certains de ce qu'il permet.

Nik

PS : tu peux regarder ça :http://stats.stackexchange.com/questions/15526/how-to-perform-a-4-by-4-mixed-anova-with-between-and-within-subjects-contrasts

merci pour es renseignements.
je reviens sur l'influence de ma reference sur les sorties de mon modele mixte avec REML, j'ai des résultats aussi differents fonction de ma reference ( cela reste logique cliniquement).
Il semblerait que cela provienne de l'ajout d'effet aleatoire sur les interactions. Sans . cela fonctionne, je retrouve les memes valeurs .
est ce qu'il y a une solution

c'est probable mais c'est difficile à évaluer comme ça avec un plan non-équilibré. Une interaction en terme aléatoire peut vite être assez complexe à estimer donc c'est à éviter si les données ne sont pas faites pour ça.