Dati di conteggio

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Questo esercizio fa parte del corso

Modelli gerarchici e a effetti misti in R

AvançadoNível de habilidade

4.7+

181 reviews

Inizia il corso gratuitamente

Il primo capitolo fornisce un esempio di quando usare un effetto misto e descrive anche le parti di una regressione. Esamina inoltre un insieme di dati sui punteggi dei test degli studenti con una struttura annidata per mostrare gli effetti misti.

Exercise 1: Che cos'è un modello gerarchico?Exercise 2: Esempi di insiemi di dati gerarchici Exercise 3: Dati degli studenti multilivello Exercise 4: Esplorare più livelli: classi e scuole Exercise 5: Le parti di una regressione Exercise 6: Intercette Exercise 7: Pendenze e regressione multipla Exercise 8: Effetti casuali nelle regressioni con dati scolastici Exercise 9: Intercette a effetto casuale Exercise 10: Pendenze a effetti casuali Exercise 11: Costruire il modello per la scuola Exercise 12: Interpretare il modello per le scuole

Questo capitolo offre un'introduzione ai modelli lineari a effetti misti. Copre diversi tipi di effetti casuali, descrive come interpretare i risultati dei modelli lineari a effetti misti e passa in rassegna diversi metodi di inferenza statistica con modelli a effetti misti utilizzando dati sulla criminalità del Maryland.

Exercise 1: Modello lineare a effetti misti - Dati sui tassi di natalità Exercise 2: Costruire un modello lmer con effetti casuali Exercise 3: Includere un effetto fisso Exercise 4: Pendenze a effetto casuale Exercise 5: Pendenza a effetti casuali non correlati Exercise 6: Predittore a effetto fisso e casuale Exercise 7: Capire e riportare i risultati di un lmer Exercise 8: Confrontare gli output di print e summary Exercise 9: Estrazione dei coefficienti Exercise 10: Visualizzare i risultati di un modello lmer Exercise 11: Inferenza statistica con i dati sui crimini del Maryland Exercise 12: Visualizzare i dati sui crimini del Maryland Exercise 13: Riscalare le pendenze Exercise 14: Test dell'ipotesi nulla Exercise 15: Controversie sui p-value Exercise 16: Confronto tra modelli con ANOVA

Questo capitolo estende i modelli lineari a effetti misti includendo termini di errore non normali tramite modelli lineari generalizzati a effetti misti. Modificando il modello per includere un termine di errore non normale, puoi modellare più tipi di dati con risposte non lineari. Dopo un ripasso dei modelli lineari generalizzati, il capitolo esamina dati binomiali e dati di conteggio nel contesto dei modelli a effetti misti.

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 Exercise 9: Dati di conteggio

Esercizio attuale

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

Questo capitolo mostra come l'analisi per misure ripetute sia un caso speciale di modellazione a effetti misti. Il capitolo inizia ripassando i t-test appaiati e l'ANOVA per misure ripetute. Poi utilizza un modello lineare a effetti misti per analizzare dati di uno studio sul sonno. Infine, usa un modello lineare generalizzato a effetti misti per esaminare nel tempo i dati sui crimini d'odio dello stato di New York.

Exercise 1: Introduzione alle misure ripetute Exercise 2: t-test appaiato Exercise 3: ANOVA per misure ripetute Exercise 4: Studio sul sonno Exercise 5: Esplorare i dati Exercise 6: Costruire i modelli Exercise 7: Confrontare regressioni e ANOVA Exercise 8: Rappresentare i risultati Exercise 9: Odio nello stato di NY?Exercise 10: Esplorare i dati sui crimini d’odio a NY Exercise 11: Costruire il modello Exercise 12: Interpretare i risultati del modello Exercise 13: Visualizzare i risultati Exercise 14: Ripasso dei modelli gerarchici in R Exercise 15: Conclusione