Visualizar los datos de delincuencia de Maryland

Antes de ajustar un modelo, representar los datos puede ayudarte a ver si destacan tendencias o puntos, si hay valores atípicos, o si existen otros aspectos que convenga tener en cuenta más adelante. Con ggplot2, puedes trazar líneas por condado y examinar cómo cambian los delitos a lo largo del tiempo. En este ejercicio, examina los datos de delincuencia de Maryland (md_crime). Incluyen el Year, el recuento de delitos violentos Crime en el condado y el nombre del County.

Para explorar estos datos, primero representa los puntos para cada condado a lo largo del tiempo. Esto te permite ver cómo cambia cada condado con el tiempo. En lugar de usar un estético como color, aquí se usa group porque hay demasiados condados para distinguir los colores con facilidad. Después de trazar los datos sin procesar, añade líneas de tendencia para cada condado.

Tanto los puntos conectados (geom_line) como las líneas de tendencia (geom_smooth) ofrecen información sobre qué tipos de efectos aleatorios podrían ser necesarios. Si todos los puntos parecen tener rangos y medias similares, puede que un intercepto de efecto aleatorio no sea importante. Del mismo modo, si las tendencias parecen consistentes entre condados (es decir, si las líneas de tendencia son similares o paralelas entre grupos), puede que no se necesite una pendiente de efecto aleatorio.

Este ejercicio forma parte del curso

Modelos jerárquicos y de efectos mixtos en R

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Plot the change in crime through time by County
plot1 <- 
	ggplot(data = md_crime, 
           aes(x = ___, y = ___, group = ___)) +
    geom_line() + 
    theme_minimal() +
    ylab("Major crimes reported per county")
print(plot1)

# Add the trend line for each county
plot1 + ___

Editar y ejecutar código

Este ejercicio forma parte del curso

Modelos jerárquicos y de efectos mixtos en R

AvanzadoNivel de habilidad

4.7+

Comienza el curso gratis

El primer capítulo ofrece un ejemplo de cuándo usar un modelo de efectos mixtos y también describe las partes de una regresión. Además, examina un conjunto de datos de calificaciones de estudiantes con una estructura anidada para demostrar los efectos mixtos.

Exercise 1: ¿Qué es un modelo jerárquico?Exercise 2: Ejemplos de conjuntos de datos jerárquicos Exercise 3: Datos de estudiantes multinivel Exercise 4: Explorando múltiples niveles: aulas y colegios Exercise 5: Partes de una regresión Exercise 6: Interceptos Exercise 7: Pendientes y regresión múltiple Exercise 8: Efectos aleatorios en regresiones con datos escolares Exercise 9: Interceptos de efecto aleatorio Exercise 10: Pendientes de efectos aleatorios Exercise 11: Construir el modelo escolar Exercise 12: Interpretar el modelo de escuelas

Este capítulo ofrece una introducción a los modelos lineales de efectos mixtos. Cubre distintos tipos de efectos aleatorios, describe cómo interpretar los resultados de estos modelos y repasa diferentes métodos de inferencia estadística con modelos de efectos mixtos usando datos de criminalidad de Maryland.

Exercise 1: Modelo lineal de efectos mixtos: datos de tasas de natalidad Exercise 2: Construir un modelo lmer con efectos aleatorios Exercise 3: Incluir un efecto fijo Exercise 4: Pendientes de efectos aleatorios Exercise 5: Pendiente de efecto aleatorio no correlacionada Exercise 6: Predictor con efectos fijos y aleatorios Exercise 7: Comprender e informar los resultados de un lmer Exercise 8: Comparar la salida de print y summary Exercise 9: Extraer coeficientes Exercise 10: Mostrar los resultados de un modelo lmer Exercise 11: Inferencia estadística con datos de criminalidad de Maryland Exercise 12: Visualizar los datos de delincuencia de Maryland

Ejercicio actual

Exercise 13: Reescalar pendientes Exercise 14: Pruebas de hipótesis nula Exercise 15: Controversias sobre los valores P Exercise 16: Comparación de modelos con ANOVA

Este capítulo amplía los modelos lineales de efectos mixtos para incluir términos de error no normales mediante modelos lineales generalizados de efectos mixtos. Al modificar el modelo para incluir un término de error no normal, podrás modelar más tipos de datos con respuestas no lineales. Tras repasar los modelos lineales generalizados, el capítulo examina datos binomiales y datos de conteo en el contexto de modelos de efectos mixtos.

Exercise 1: Curso rápido sobre GLMs Exercise 2: Regresión logística Exercise 3: Regresión de Poisson Exercise 4: Representar GLMs Exercise 5: Datos binomiales Exercise 6: Datos de toxicología Exercise 7: Ejemplo de marketing Exercise 8: Cálculo de odds-ratios Exercise 9: Datos de conteo Exercise 10: Clics en Internet Exercise 11: Clamidia por grupo de edad y condado Exercise 12: Mostrando los resultados de clamidia

Este capítulo muestra cómo el análisis de medidas repetidas es un caso especial del modelado de efectos mixtos. El capítulo comienza revisando las pruebas t pareadas y el ANOVA de medidas repetidas. Después, utiliza un modelo lineal de efectos mixtos para analizar datos de un estudio del sueño. Por último, emplea un modelo lineal generalizado de efectos mixtos para estudiar la evolución de los delitos de odio en el estado de Nueva York a lo largo del tiempo.

Exercise 1: Introducción a las medidas repetidas Exercise 2: t-test pareado Exercise 3: ANOVA de medidas repetidas Exercise 4: Estudio del sueño Exercise 5: Explorando los datos Exercise 6: Creación de modelos Exercise 7: Comparar regresiones y ANOVAs Exercise 8: Representar resultados Exercise 9: ¿Odio en el estado de NY?Exercise 10: Explorando los datos de delitos de odio en NY Exercise 11: Creación del modelo Exercise 12: Interpretar los resultados del modelo Exercise 13: Mostrar los resultados Exercise 14: Repaso de modelos jerárquicos en R Exercise 15: Conclusión