Das Modell aufbauen

Baue im Rahmen des Modellierungsprozesses zunächst eine einfache Poisson-Regression. Ein glm() läuft schneller als glmer() und ist leichter zu debuggen. So kann die Poisson-Regression zum Beispiel erkennen, wenn du Nicht-Ganzzahl-Daten hast. Außerdem gibt sie dir ein Gefühl für das komplexere Modell.

Wenn Probleme auftreten, folge den Anweisungen, um deine Daten zu korrigieren.

Baue und speichere zum Schluss eine Poisson-Regression mit Messwiederholung.

Diese Übung ist Teil des Kurses

<Kurs>Hierarchische und gemischte Effekte-Modelle in R</Kurs>

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Model TotalIncidents predicted by Year and County
# Use a Poisson regression with the hate data.frame 
___

Code bearbeiten und ausführen

Diese Übung ist Teil des Kurses

<Kurs>Hierarchische und gemischte Effekte-Modelle in R</Kurs>

Hohe SchwierigkeitSchwierigkeitsgrad

4.7+

Kurs kostenlos starten

Das erste Kapitel zeigt ein Beispiel dafür, wann man ein gemischtes Modell einsetzt, und erläutert die Bestandteile einer Regression. Außerdem wird ein Datensatz mit Testergebnissen von Schülern mit verschachtelter Struktur untersucht, um gemischte Effekte zu veranschaulichen.

Exercise 1: Was ist ein hierarchisches Modell?Exercise 2: Beispiele für hierarchische Datensätze Exercise 3: Mehrstufige Schülerdaten Exercise 4: Mehrere Ebenen erkunden: Klassen und Schulen Exercise 5: Bestandteile einer Regression Exercise 6: Achsenabschnitte Exercise 7: Steigungen und multiple Regression Exercise 8: Random-Effects in Regressionen mit Schuldaten Exercise 9: Random-Effect-Intercepts Exercise 10: Steigungen mit Zufallseffekten Exercise 11: Das Schulmodell aufbauen Exercise 12: Das Schulmodell interpretieren

Dieses Kapitel führt in lineare gemischte Modelle ein. Es behandelt verschiedene Arten von Zufallseffekten, beschreibt, wie man die Ergebnisse linearer gemischter Modelle interpretiert, und stellt unterschiedliche Methoden zur statistischen Inferenz mit gemischten Modellen anhand von Kriminalitätsdaten aus Maryland vor.

Exercise 1: Lineares gemischtes Effektmodell – Geburtenraten-Daten Exercise 2: Ein lmer-Modell mit Zufallseffekten erstellen Exercise 3: Einen Fixed Effect einbeziehen Exercise 4: Random-Effect-Steigungen Exercise 5: Unkorrelierte Random-Slope Exercise 6: Prädiktor als Fixed- und Random-Effect Exercise 7: Ausgaben eines lmer verstehen und berichten Exercise 8: print- und summary-Ausgabe vergleichen Exercise 9: Koeffizienten extrahieren Exercise 10: Ergebnisse eines lmer-Modells darstellen Exercise 11: Statistische Inferenz mit Kriminalitätsdaten aus Maryland Exercise 12: Maryland-Kriminalitätsdaten visualisieren Exercise 13: Steigungen neu skalieren Exercise 14: Testen der Nullhypothese Exercise 15: Kontroversen rund um P-Werte Exercise 16: Modellvergleich mit ANOVA

Dieses Kapitel erweitert lineare gemischte Modelle um nicht-normalverteilte Fehlert erme mithilfe verallgemeinerter linearer gemischter Modelle. Durch die Anpassung des Modells um einen nicht-normalverteilten Fehlerterm kannst du weitere Datentypen mit nichtlinearen Antworten modellieren. Nach einem Überblick über verallgemeinerte lineare Modelle werden binäre Daten und Zähldaten im Kontext gemischter Modelle betrachtet.

Exercise 1: Crashkurs zu GLMs Exercise 2: Logistische Regression Exercise 3: Poisson-Regression Exercise 4: GLMs visualisieren Exercise 5: Binäre Daten Exercise 6: Toxikologie-Daten Exercise 7: Marketing-Beispiel Exercise 8: Odds Ratios berechnen Exercise 9: Zähldaten Exercise 10: Internet-Klickrate Exercise 11: Chlamydien nach Altersgruppe und County Exercise 12: Chlamydien-Ergebnisse darstellen

Dieses Kapitel zeigt, wie die Analyse von Messwiederholungen ein Sonderfall gemischter Modellierung ist. Es beginnt mit einer Wiederholung von gepaarten t-Tests und Varianzanalysen mit Messwiederholung. Anschließend untersucht ein lineares gemischtes Modell Daten aus einer Schlafstudie. Zum Schluss wird ein verallgemeinertes lineares gemischtes Modell verwendet, um Hasskriminalitätsdaten aus dem Bundesstaat New York im Zeitverlauf zu analysieren.

Exercise 1: Einführung in Messwiederholungen Exercise 2: Gepaarter t-Test Exercise 3: Repeated Measures ANOVA Exercise 4: Schlafstudie Exercise 5: Die Daten erkunden Exercise 6: Modelle erstellen Exercise 7: Regressionen und ANOVAs vergleichen Exercise 8: Ergebnisse visualisieren Exercise 9: Hass im Bundesstaat NY?Exercise 10: NY-Hassdaten erkunden Exercise 11: Das Modell aufbauen

Aktuelle Übung

Exercise 12: Modellergebnisse interpretieren Exercise 13: Ergebnisse darstellen Exercise 14: Hierarchische Modelle in R: Rückblick Exercise 15: Fazit