Chlamydia selon le groupe d'âge et le comté

Le nombre d'infections change au fil du temps et varie selon les groupes d'âge. Parmi les raisons possibles : des facteurs culturels, sociaux et liés aux politiques publiques. Dans les petites populations, le nombre d'infections comprend souvent des zéros et peut ne pas suivre une loi normale. Pour ce type de données, utilisez un modèle de Poisson.

Dans cet exercice, vous allez examiner comment les infections à la chlamydia varient dans de petits comtés de l'Illinois. Vous vous demanderez :

Le nombre de cas déclarés diffère-t-il entre les personnes de 15 à 19 ans et celles de 20 à 24 ans ?
Le nombre de cas déclarés change-t-il au fil du temps pour ces deux groupes d'âge ?

Ces données proviennent de l'État de l'Illinois, qui publie des sommaires d'infections comme la chlamydia par groupes d'âge et par comté. Commencez par ajuster un glmer de Poisson aux données. Ensuite, examinez les résultats. Dans l'exercice suivant, vous tracerez les données.

Avertissement : si vous faites une erreur de frappe dans la formule, R pourrait planter. C'est un écueil courant avec lmer() et glmer().

Cette activité fait partie du cours

Modèles hiérarchiques et à effets mixtes en R

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Load lmerTest
library(lmerTest)

# Age goes before year
model_out <- ___
summary(___)

Modifier et exécuter le code

Cette activité fait partie du cours

Modèles hiérarchiques et à effets mixtes en R

SkillTag.level.advancedSkillTag.label

4.7+

Commencer le cours gratuitement

Le premier chapitre propose un exemple de situation où utiliser un modèle à effets mixtes et décrit aussi les composantes d'une régression. Le chapitre examine également un jeu de données de résultats d'examen d'élèves avec une structure imbriquée pour illustrer les effets mixtes.

Exercise 1: Qu'est-ce qu'un modèle hiérarchique ?Exercise 2: Exemples d'ensembles de données hiérarchiques Exercise 3: Données d'élèves à plusieurs niveaux Exercise 4: Explorer plusieurs niveaux : classes et écoles Exercise 5: Les composantes d'une régression Exercise 6: Ordonnées à l'origine Exercise 7: Pentes et régression multiple Exercise 8: Effets aléatoires dans des régressions avec des données scolaires Exercise 9: Ordonnées à l'origine à effet aléatoire Exercise 10: Pentes à effets aléatoires Exercise 11: Construire le modèle pour l'école Exercise 12: Interpréter le modèle scolaire

Ce chapitre présente une introduction aux modèles linéaires à effets mixtes. Il couvre différents types d'effets aléatoires, explique comment interpréter les résultats de modèles linéaires à effets mixtes et passe en revue différentes méthodes d'inférence statistique avec des modèles à effets mixtes en utilisant des données criminelles du Maryland.

Exercise 1: Modèle linéaire à effets mixtes – Données sur les taux de natalité Exercise 2: Créer un modèle lmer avec effets aléatoires Exercise 3: Inclure un effet fixe Exercise 4: Pentes à effets aléatoires Exercise 5: Pente d'effet aléatoire non corrélée Exercise 6: Prédicteur à effets fixes et aléatoires Exercise 7: Comprendre et présenter les résultats d'un lmer Exercise 8: Comparer les sorties de print et de summary Exercise 9: Extraire des coefficients Exercise 10: Afficher les résultats d'un modèle lmer Exercise 11: Inférence statistique avec les données de criminalité du Maryland Exercise 12: Visualiser les données sur la criminalité au Maryland Exercise 13: Recaler les pentes Exercise 14: Test de l'hypothèse nulle Exercise 15: Controverses autour des valeurs p Exercise 16: Comparaison de modèles avec l'ANOVA

Ce chapitre étend les modèles linéaires à effets mixtes pour inclure des termes d'erreur non normaux grâce aux modèles linéaires généralisés à effets mixtes. En modifiant le modèle pour y inclure un terme d'erreur non normal, vous pouvez modéliser davantage de types de données avec des réponses non linéaires. Après une révision des modèles linéaires généralisés, le chapitre examine des données binomiales et des données de dénombrement dans le contexte des modèles à effets mixtes.

Exercise 1: Cours éclair sur les GLM Exercise 2: Régression logistique Exercise 3: Régression de Poisson Exercise 4: Tracer des GLM Exercise 5: Données binomiales Exercise 6: Données de toxicologie Exercise 7: Exemple de marketing Exercise 8: Calcul des rapports de cotes Exercise 9: Données de comptage Exercise 10: Taux de clics sur Internet Exercise 11: Chlamydia selon le groupe d'âge et le comté

Exercice en cours

Exercise 12: Affichage des résultats sur la chlamydia

Ce chapitre montre en quoi l'analyse de mesures répétées est un cas particulier de la modélisation à effets mixtes. Le chapitre commence par revoir les tests t appariés et l'ANOVA pour mesures répétées. Ensuite, il utilise un modèle linéaire à effets mixtes pour examiner des données d'une étude sur le sommeil. Enfin, il applique un modèle linéaire généralisé à effets mixtes pour analyser l'évolution dans le temps des crimes haineux dans l'État de New York.

Exercise 1: Introduction aux mesures répétées Exercise 2: Test t apparié Exercise 3: ANOVA à mesures répétées Exercise 4: Étude sur le sommeil Exercise 5: Explorer les données Exercise 6: Création de modèles Exercise 7: Comparer les régressions et les ANOVA Exercise 8: Tracer les résultats Exercise 9: La haine dans l'État de NY ?Exercise 10: Explorer les données sur les crimes haineux à NY Exercise 11: Créer le modèle Exercise 12: Interpréter les résultats du modèle Exercise 13: Afficher les résultats Exercise 14: Récapitulatif des modèles hiérarchiques dans R Exercise 15: Conclusion