Jak číst a interpretovat výstupy modelu lmer

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Toto cvičení je součástí kurzu

Hierarchické a smíšené modely s náhodnými efekty v R

SkillTag.level.advancedSkillTag.label

4.7+

Začněte kurz zdarma

První kapitola ukazuje, kdy se smíšený model hodí, a popisuje jednotlivé části regrese. Zároveň prozkoumáme dataset výsledků studentských testů s vnořenou strukturou, na němž si smíšené efekty názorně ukážeme.

Exercise 1: Co je hierarchický model?Exercise 2: Příklady hierarchických datasetů Exercise 3: Víceúrovňová data o studentech Exercise 4: Zkoumání více úrovní: třídy a školy Exercise 5: Části regrese Exercise 6: Intercepty Exercise 7: Sklony a mnohonásobná regrese Exercise 8: Náhodné efekty v regresích na školních datech Exercise 9: Náhodné intercepy Exercise 10: Náhodné efekty sklonu Exercise 11: Sestavení školního modelu Exercise 12: Interpretace školního modelu

Tato kapitola slouží jako úvod do lineárních smíšených modelů. Probírá různé typy náhodných efektů, vysvětluje, jak interpretovat výstupy lineárních smíšených modelů, a ukazuje různé metody statistické inference – vše na datech o kriminalitě z Marylandu.

Exercise 1: Lineární smíšený model s náhodnými efekty – data o porodnosti Exercise 2: Sestavení modelu lmer s náhodnými efekty Exercise 3: Přidání fixního efektu Exercise 4: Náhodné efekty sklonů Exercise 5: Nekorelovaný slope náhodného efektu Exercise 6: Prediktor jako fixní i náhodný efekt Exercise 7: Jak číst a interpretovat výstupy modelu lmer

Aktuální cvičení

Exercise 8: Porovnání výstupů print a summary Exercise 9: Extrakce koeficientů Exercise 10: Zobrazení výsledků modelu lmer Exercise 11: Statistická inference s daty o kriminalitě v Marylandu Exercise 12: Vizualizace dat o kriminalitě v Marylandu Exercise 13: Změna měřítka sklonů Exercise 14: Testování nulové hypotézy Exercise 15: Kontroverze kolem P-hodnot Exercise 16: Porovnání modelů pomocí ANOVA

Tato kapitola rozšiřuje lineární smíšené modely o nenormální chybové členy pomocí zobecněných lineárních smíšených modelů. Díky zahrnutí nenormálního chybového členu dokážeš modelovat rozmanitější typy dat s nelineárními odezvami. Po stručném opakování zobecněných lineárních modelů se zaměříme na binomická data a četnostní data v kontextu smíšených modelů.

Exercise 1: Rychlokurz GLM Exercise 2: Logistická regrese Exercise 3: Poissonova regrese Exercise 4: Vizualizace GLM Exercise 5: Binomiální data Exercise 6: Data z toxikologie Exercise 7: Marketingový příklad Exercise 8: Výpočet poměrů šancí Exercise 9: Početní data Exercise 10: Proklikávání na internetu Exercise 11: Chlamydie podle věkových skupin a krajů Exercise 12: Zobrazení výsledků pro chlamydie

Tato kapitola ukazuje, že analýza opakovaných měření je speciálním případem smíšeného modelování. Začneme opakováním párového t-testu a ANOVA pro opakovaná měření. Poté použijeme lineární smíšený model k analýze dat ze studie spánku. Na závěr aplikujeme zobecněný lineární smíšený model na data o trestných činech z nenávisti ve státě New York v průběhu času.

Exercise 1: Úvod do opakovaných měření Exercise 2: Párový t-test Exercise 3: ANOVA pro opakovaná měření Exercise 4: Studie spánku Exercise 5: Prozkoumání dat Exercise 6: Tvorba modelů Exercise 7: Porovnání regresí a ANOVAs Exercise 8: Vizualizace výsledků Exercise 9: Nenávist ve státě New York?Exercise 10: Průzkum dat o nenávistných trestných činech v NY Exercise 11: Sestavení modelu Exercise 12: Interpretace výsledků modelu Exercise 13: Zobrazení výsledků Exercise 14: Opakování hierarchických modelů v R Exercise 15: Závěr