Pendenze a effetto casuale
Nel precedente esercizio hai stimato gli intercetti a effetto casuale per ciascuno stato. Questo ti ha permesso di considerare che ogni stato avesse il proprio intercetto. In questo esercizio, invece, stimerai una pendenza a effetto casuale per ciascuno stato. Ad esempio, è possibile che il log\(_{10}\)(della popolazione totale di ciascuna contea), LogTotalPop, influenzi il tasso di natalità di una contea E vari per stato.
Ricorda dal video: una slope (pendenza) a effetto casuale può essere stimata per ogni group usando la sintassi (slope | group) con lmer().
In questo esercizio, adatta un modello a effetti misti che stima l’effetto dell’età media della madre tenendo conto dello stato e della popolazione totale come effetti casuali.
Come si confrontano i risultati di questo modello con quelli del modello precedente che hai costruito?
Questo esercizio fa parte del corso
Modelli gerarchici e a effetti misti in R
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# Include the AverageAgeofMother as fixed-effect and State as a random-effect
model_a <- lmer(BirthRate ~ ___ + (___), county_births_data)
tidy(___)
# Include the AverageAgeofMother as fixed-effect and LogTotalPop and State as random-effects
model_b <- lmer(BirthRate ~ ___ + (___), county_births_data)
tidy(___)