Calcolare gli odds-ratio

Nell'esercizio precedente, abbiamo visto come confrontare gli effetti del consiglio di un amico sulle vendite. Tuttavia, i risultati di una regressione possono essere difficili da descrivere e a volte gli odds-ratio sono più semplici da usare. Utilizzando gli output dell'esercizio precedente, andremo a calcolare gli odds-ratio.

Ripasso sugli odds-ratio:

Se un odds-ratio è 1.0, allora entrambi gli eventi hanno la stessa probabilità di verificarsi. Per esempio, se l'odds-ratio per il consiglio di un amico fosse 1.0, allora un amico non avrebbe alcuna influenza sulla decisione di acquisto.
Se un odds-ratio è minore di 1, allora il consiglio di un amico riduce la probabilità che avvenga un acquisto. Per esempio, un odds-ratio di 0,5 significherebbe che il consiglio di un amico ha odds di 1:2, ovvero 1 acquisto ogni 2 rinunce.
Se un odds-ratio è maggiore di 1, allora il consiglio di un amico aumenta la probabilità che avvenga un acquisto. Per esempio, un odds-ratio di 3.0 significherebbe che il consiglio di un amico ha odds di 3:1, ovvero 3 acquisti ogni 1 rinuncia.

Nota sul codice del corso: Dal lancio di questo corso, il pacchetto broom ha rimosso il supporto per i modelli lme4::lmer(). Se provi a ripetere l'analisi in autonomia, ti servirà il pacchetto broom.mixed, disponibile su cran.

Questo esercizio fa parte del corso

Modelli gerarchici e a effetti misti in R

Visualizza il corso

Istruzioni dell'esercizio

Guarda il summary() di model_out.
Estrai i coefficienti da model_out con fixef() e poi convertili in un odds-ratio applicando l'esponenziale. Ripeti con confint() per ottenere gli intervalli di confidenza.
Calcola gli intervalli di confidenza ed esponenzia l'effetto di friends su un acquisto usando tidy(). Assicurati di impostare i parametri conf.int ed exponentiate.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# Run the code to see how to calculate odds ratios
summary( ___) 
exp(___(model_out))
exp(___(model_out))

# Create the tidied output
tidy(model_out, conf.int = ___, exponentiate = ___)

Modifica ed esegui il codice

Questo esercizio fa parte del corso

Modelli gerarchici e a effetti misti in R

AvançadoNível de habilidade

4.7+

Inizia il corso gratis

The first chapter provides an example of when to use a mixed-effect and also describes the parts of a regression. The chapter also examines a student test-score dataset with a nested structure to demonstrate mixed-effects.

Exercise 1: What is a hierarchical model?Exercise 2: Examples of hierarchical datasets Exercise 3: Multi-level student data Exercise 4: Exploring multiple-levels: Classrooms and schools Exercise 5: Parts of a regression Exercise 6: Intercepts Exercise 7: Slopes and multiple regression Exercise 8: Random-effects in regressions with school data Exercise 9: Random-effect intercepts Exercise 10: Random-effect slopes Exercise 11: Building the school model Exercise 12: Interpreting the school model

This chapter providers an introduction to linear mixed-effects models. It covers different types of random-effects, describes how to understand the results for linear mixed-effects models, and goes over different methods for statistical inference with mixed-effects models using crime data from Maryland.

Exercise 1: Linear mixed effect model- Birth rates data Exercise 2: Building a lmer model with random effects Exercise 3: Including a fixed effect Exercise 4: Random-effect slopes Exercise 5: Uncorrelated random-effect slope Exercise 6: Fixed- and random-effect predictor Exercise 7: Understanding and reporting the outputs of a lmer Exercise 8: Comparing print and summary output Exercise 9: Extracting coefficients Exercise 10: Displaying the results from a lmer model Exercise 11: Statistical inference with Maryland crime data Exercise 12: Visualizing Maryland crime data Exercise 13: Rescaling slopes Exercise 14: Null hypothesis testing Exercise 15: Controversies around P-values Exercise 16: Model comparison with ANOVA

This chapter extends linear mixed-effects models to include non-normal error terms using generalized linear mixed-effects models. By altering the model to include a non-normal error term, you are able to model more kinds of data with non-linear responses. After reviewing generalized linear models, the chapter examines binomial data and count data in the context of mixed-effects models.

Exercise 1: Corso intensivo sui GLM Exercise 2: Regressione logistica Exercise 3: Regressione di Poisson Exercise 4: Rappresentare graficamente i GLM Exercise 5: Dati binomiali Exercise 6: Dati di tossicologia Exercise 7: Esempio di marketing Exercise 8: Calcolare gli odds-ratio

Esercizio in corso

Exercise 9: Dati di conteggio Exercise 10: Click-through su Internet Exercise 11: Clamidia per fascia d’età e contea Exercise 12: Visualizzare i risultati sulla clamidia

This chapter shows how repeated-measures analysis is a special case of mixed-effect modeling. The chapter begins by reviewing paired t-tests and repeated measures ANOVA. Next, the chapter uses a linear mixed-effect model to examine sleep study data. Lastly, the chapter uses a generalized linear mixed-effect model to examine hate crime data from New York state through time.

Exercise 1: An introduction to repeated measures Exercise 2: Paired t-test Exercise 3: Repeated measures ANOVA Exercise 4: Sleep study Exercise 5: Exploring the data Exercise 6: Building models Exercise 7: Comparing regressions and ANOVAs Exercise 8: Plotting results Exercise 9: Hate in NY state?Exercise 10: Exploring NY hate data Exercise 11: Building the model Exercise 12: Interpreting model results Exercise 13: Displaying the results Exercise 14: Hierarchical models in R review Exercise 15: Conclusion