CommencezCommencez gratuitement

Pentes à effets aléatoires

Dans l'exercice précédent, vous avez vu comment coder des intercepts à effets aléatoires. Vous allez maintenant voir comment coder des pentes à effets aléatoires. Avec la syntaxe de lme4, lmer() utilise (countinuous_predictor | random_effect_group) pour une pente à effets aléatoires. Quand lme4 estime une pente à effets aléatoires, il estime aussi un intercept à effets aléatoires. scale() a remis à l'échelle la variable prédictive mathkind pour rendre le modèle plus stable numériquement. Sans ce changement, lmer() ne peut pas ajuster le modèle.

Dans l'exercice précédent, vous avez estimé un intercept à effets aléatoires pour chaque salle de classe et une seule slope pour toutes les données. Ici, vous estimerez un intercept à effets aléatoires pour chaque classe et une pente à effets aléatoires pour chaque salle de classe. Comme un intercept à effets aléatoires, une pente à effets aléatoires provient d'une distribution partagée de toutes les pentes à effets aléatoires.

Cette activité fait partie du cours

Modèles hiérarchiques et à effets mixtes en R

Voir le cours

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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 = ___)
Modifier et exécuter le code