Začněte nyníZačněte zdarma

Náhodné efekty sklonu

V předchozím cvičení sis ukázal/a, jak se kódují náhodné efekty interceptu. Teď se podíváme na kódování náhodných efektů sklonu. V syntaxi lme4 používá lmer() zápis (countinuous_predictor | random_effect_group) pro náhodný efekt sklonu. Když lme4 odhaduje náhodný efekt sklonu, odhaduje zároveň i náhodný efekt interceptu. scale() přeškáluje prediktorovou proměnnou mathkind, aby byl model numericky stabilnější. Bez této úpravy lmer() model nedokáže nafitovat.

V předchozím cvičení jsi odhadoval/a náhodný efekt interceptu pro každou třídu a jeden slope pro všechna data. Teď budeš odhadovat náhodný efekt interceptu pro každou třídu a náhodný efekt sklonu pro každou třídu. Stejně jako náhodný efekt interceptu vychází náhodný efekt sklonu ze společného rozdělení všech náhodných efektů sklonu.

Toto cvičení je součástí kurzu

Hierarchické a smíšené modely s náhodnými efekty v R

Zobrazit kurz

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Rescale mathkind to make the model more stable
student_data <-
	student_data %>%
    mutate(mathkind_scaled = scale(mathkind))

# Build lmer models
lmer_intercept <- lmer(___ ~ ___ + (1 | ___),
                       data = ___)
lmer_slope     <- lmer(___ ~ (___ | ___),
                       data = ___)
Upravit a spustit kód