Random-Effect-Steigungen
In der vorherigen Übung hast du Random-Effect-Intercepts für jeden Bundesstaat geschätzt. So konntest du berücksichtigen, dass jeder Staat seinen eigenen Achsenabschnitt hat. In dieser Übung schätzt du für jeden Staat eine Random-Effect-Steigung. Zum Beispiel könnte die log\(_{10}\)(Gesamtbevölkerung jedes Countys), LogTotalPop, die Geburtenrate eines Countys beeinflussen und zugleich zwischen den Staaten variieren.
Erinnere dich aus dem Video: Eine Random-Effect-Steigung kann für jede Gruppe mit der Syntax (slope | group) in lmer() geschätzt werden.
In dieser Übung passt du ein Mixed-Effects-Modell an, das den Effekt des durchschnittlichen Alters der Mutter schätzt und dabei Staat und Gesamtbevölkerung als Random-Effects berücksichtigt.
Wie unterscheiden sich die Ausgaben dieses Modells im Vergleich zum vorherigen Modell?
Diese Übung ist Teil des Kurses
Hierarchische und gemischte Effekte-Modelle in R
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Include the AverageAgeofMother as fixed-effect and State as a random-effect
model_a <- lmer(BirthRate ~ ___ + (___), county_births_data)
tidy(___)
# Include the AverageAgeofMother as fixed-effect and LogTotalPop and State as random-effects
model_b <- lmer(BirthRate ~ ___ + (___), county_births_data)
tidy(___)