Opakování hierarchických modelů v R

Během tohoto kurzu jsi používal/a a porovnával/a modely s pevnými efekty (např. lm() a glm()) a smíšené modely (tedy modely s pevnými i náhodnými efekty, jako lmer() a glmer()). Jaké kompromisy jsi v průběhu kurzu pozoroval/a?

Toto cvičení je součástí kurzu

Hierarchické a smíšené modely s náhodnými efekty v R

Interaktivní praktické cvičení

Proměňte teorii v praxi s jedním z našich interaktivních cvičení

Začít cvičení

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 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

Aktuální cvičení

Exercise 15: Závěr