Steigungen mit Zufallseffekten
In der vorherigen Übung hast du gesehen, wie man Zufallseffekte für Achsenabschnitte codiert. Jetzt siehst du, wie man Zufallseffekte für Steigungen codiert. Mit der lme4-Syntax verwendet lmer() (countinuous_predictor | random_effect_group) für eine Steigung mit Zufallseffekt. Wenn lme4 eine Zufallseffekt-Steigung schätzt, schätzt es auch einen Zufallseffekt-Achsenabschnitt.
scale() skaliert die Prädiktorvariable mathkind neu, um das Modell numerisch stabiler zu machen. Ohne diese Anpassung kann lmer() das Modell nicht anpassen.
In der vorherigen Übung hast du für jede Klasse einen Zufallseffekt-Achsenabschnitt und eine einzige slope für alle Daten geschätzt. Hier schätzt du für jede Klasse einen Zufallseffekt-Achsenabschnitt und zusätzlich eine Zufallseffekt-Steigung für jede Klasse. Wie der Zufallseffekt-Achsenabschnitt stammt auch die Zufallseffekt-Steigung aus einer gemeinsamen Verteilung aller Zufallseffekt-Steigungen.
Diese Übung ist Teil des Kurses
Hierarchische und gemischte Effekte-Modelle in R
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# 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 = ___)