1. Učit se
    2. /
  2. Kurzy
    3. /
  3. Hierarchické a smíšené modely s náhodnými efekty v R
Connected

Cvičení

Náhodné intercepy

Lineární modely v R odhadují parametry, které jsou považovány za fixní (pevné, nerandomizované) – říkáme jim fixed-effects (pevné efekty). Naproti tomu parametry random-effects (náhodných efektů) předpokládají, že data sdílejí společné rozdělení chyb, a mohou produkovat různé odhady při malém množství dat nebo v přítomnosti odlehlých hodnot. Modely s oběma typy efektů – pevnými i náhodnými – nazýváme mixed-effect modely nebo lineární smíšená regrese.

Balíček lme4 umožňuje fitovat smíšené modely (s pevnými i náhodnými efekty) pomocí funkce lmer(), která používá vzorec podobný lm(). Náhodné intercepy ale vyžadují speciální syntaxi: 

lmer(y ~ x + (1 | random-effect), data = my_data)

Funkce lmer() vyžaduje, aby model obsahoval náhodný efekt – jinak vrátí chybu. V tomto cvičení nafituješ lm() i lmer() a graficky porovnáš oba modely na podmnožině dat. Kód pro vizualizaci je již připravený, protože zpracování dat je v tomto případě pokročilejší – náhodné efekty se totiž běžně nevykreslují (ani ggplot2 nenabízí pohodlné možnosti pro smíšené modely). V grafu si všimni, jak se přerušované čáry ze sklonů náhodných efektů liší od plných čar pevných efektů.

Poznámka: Balíček broom.mixed je nezbytný, protože standardní broom nepodporuje lme4.

Pokyny 1/3

undefined XP
    1
    2
    3
  • Sestav lineární model, kde je mathgain predikováno pomocí classid + mathkind na datech student_data. Výsledek ulož jako lm_out.
  • Sestav lineární smíšený model, kde je mathgain predikováno pomocí mathkind jako pevného efektu a classid jako náhodného efektu na datech student_data.
  • Spusť připravený kód pro extrakci detailů koeficientu mathkind.