Odds-ratio’s berekenen
In de vorige oefening zagen we hoe je het effect van een aanbeveling van een vriend op de verkoop kunt vergelijken. Maar regressieresultaten zijn soms lastig uit te leggen en dan zijn odds-ratio’s vaak handiger. We gaan nu, met de outputs uit de vorige oefening, odds-ratio’s berekenen.
Opfrisser over odds-ratio’s:
- Als een odds-ratio 1,0 is, hebben beide gebeurtenissen een gelijke kans om op te treden. Bijvoorbeeld: als de odds-ratio voor een aanbeveling van een vriend 1,0 is, dan heeft die vriend geen invloed op de aankoopbeslissing.
- Als een odds-ratio kleiner is dan 1, dan verkleint een aanbeveling van een vriend de kans op een aankoop. Bijvoorbeeld: een odds-ratio van 0,5 betekent kansen van 1:2, ofwel 1 aankoop op elke 2 keren niet kopen.
- Als een odds-ratio groter is dan 1, dan vergroot een aanbeveling van een vriend de kans op een aankoop. Bijvoorbeeld: een odds-ratio van 3,0 betekent kansen van 3:1, ofwel 3 aankopen op elke 1 keer niet kopen.
Opmerking over cursuscode: Sinds de lancering van deze cursus heeft het broom-pakket de ondersteuning voor lme4::lmer()-modellen laten vallen. Als je dit zelf wilt herhalen, heb je het broom.mixed-pakket nodig, dat op cran staat.
Deze oefening maakt deel uit van de cursus
Hiërarchische en Mixed-Effects-modellen in R
Oefeninstructies
- Bekijk de
summary()vanmodel_out. - Haal de coëfficiënten uit
model_outmetfixef()en zet ze vervolgens om naar een odds-ratio door te exponentiëren. Herhaal dit metconfint()om de betrouwbaarheidsintervallen te krijgen. - Bereken de betrouwbaarheidsintervallen en exponentieer daarna het effect van
friendsop een aankoop mettidy(). Zorg ervoor dat je de parametersconf.intenexponentiateinstelt.
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# 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 = ___)