Pendenze a effetti casuali
Nel precedente esercizio hai visto come impostare gli intercetti a effetti casuali. Ora vedrai come impostare le pendenze a effetti casuali. Con la sintassi di lme4, lmer() usa (countinuous_predictor | random_effect_group) per una pendenza a effetti casuali. Quando lme4 stima una pendenza a effetti casuali, stima anche un intercetto a effetti casuali.
scale() ha riscalato la variabile predittore mathkind per rendere il modello più stabile numericamente. Senza questa modifica, lmer() non riesce ad adattare il modello.
Nel precedente esercizio hai stimato un intercetto a effetti casuali per ogni classe e un unico slope per tutti i dati. Qui, stimerai un intercetto a effetti casuali per ogni classe e una pendenza a effetti casuali per ogni classe. Come per l’intercetto a effetti casuali, anche la pendenza a effetti casuali proviene da una distribuzione condivisa di tutte le pendenze a effetti casuali.
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.
# 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 = ___)