CommencerCommencer gratuitement

Pentes à effet aléatoire

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

Dans l’exercice précédent, vous avez estimé un intercept à effet aléatoire pour chaque classe et une seule slope pour toutes les données. Ici, vous allez estimer un intercept à effet aléatoire pour chaque classe et une pente à effet aléatoire pour chaque classe. Comme un intercept à effet aléatoire, une pente à effet aléatoire provient d’une distribution commune à toutes les pentes à effet aléatoire.

Cet exercice fait partie du cours

Modèles hiérarchiques et à effets mixtes en R

Afficher le cours

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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