1. Apprendre
    2. /
  2. Cours
    3. /
  3. Modèles hiérarchiques et à effets mixtes en R
Connected

Exercice

Recaler les pentes

Le dernier graphique a montré que l'évolution du taux de criminalité variait selon le comté. Cela vous indique que vous devriez inclure Year à la fois comme effet fixe et comme effet aléatoire dans votre modèle. Inclure Year de cette façon permet d'estimer une pente globale pour l'ensemble des comtés ainsi qu'une pente propre à chaque comté. La pente de l'effet fixe estime le changement des crimes majeurs pour l'ensemble des comtés du Maryland. La pente de l'effet aléatoire modélise le fait que les comtés ont des changements différents en matière de criminalité.

Cependant, l'ajustement de ce modèle produit un message d'avertissement ! Pour y remédier, faites commencer Year non pas à 2006, mais à 0. Nous vous fournissons cette nouvelle variable, Year2 (par exemple, 2006 dans Year correspond à 0 dans Year2). Parfois, lors de l'ajustement d'une régression, vous devez mettre à l'échelle ou centrer l'ordonnée à l'origine pour qu'elle commence à 0. Cela améliore la stabilité numérique du modèle.

Instructions

100 XP
  • Créez un lmer() pour prédire Crime avec Year à la fois comme pente d'effet fixe et pente d'effet aléatoire, et County comme intercept d'effet aléatoire.
  • Créez un deuxième lmer() pour prédire Crime avec Year2 à la fois comme pente d'effet fixe et pente d'effet aléatoire, et County comme intercept d'effet aléatoire.