Riscalare le pendenze
L’ultimo grafico mostrava che il cambiamento nel tasso di criminalità variava per contea. Questo ti indica che dovresti includere Year sia come effetto fisso sia come effetto casuale nel tuo modello. Includere Year in questo modo stimerà una pendenza globale su tutte le contee e una pendenza per ciascuna contea. La pendenza dell’effetto fisso stima il cambiamento nei reati gravi in tutte le contee del Maryland. La pendenza dell’effetto casuale modella invece il fatto che le contee possano avere cambiamenti diversi nella criminalità.
Tuttavia, stimare questo modello produce un messaggio di avviso! Per risolverlo, cambia l’origine di Year facendo partire l’asse del tempo da 0 invece che da 2006. Ti forniamo questa nuova variabile, Year2 (ad esempio, 2006 in Year corrisponde a 0 in Year2). A volte, quando stimi una regressione, devi riscalare o centrare l’intercetta per farla partire da 0. Questo migliora la stabilità numerica del modello.
Questo esercizio fa parte del corso
Modelli gerarchici e a effetti misti in R
Istruzioni dell'esercizio
- Crea un
lmer()per predireCrimeconYearsia come pendenza dell’effetto fisso sia dell’effetto casuale eCountycome intercetta dell’effetto casuale. - Crea un secondo
lmer()per predireCrimeconYear2sia come pendenza dell’effetto fisso sia dell’effetto casuale eCountycome intercetta dell’effetto casuale.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# Fit the model with Year as both a fixed and random-effect
lmer(___ ~ Year + (1 + Year | ___) , data = md_crime)
# Fit the model with Year2 rather than Year
lmer(___ ~ Year2 + (1 + Year2 | ___) , data = md_crime)