Herschalen van hellingen
In de laatste grafiek zag je dat de verandering in criminaliteitscijfer per county verschilt. Dat laat zien dat je Year zowel als random effect als fixed effect in je model moet opnemen. Door Year op deze manier op te nemen, schat je een globale helling over alle counties én een helling per county. De fixed-effect helling schat de verandering in zware misdrijven over alle counties in Maryland. De random-effect helling modelleert dat counties verschillende veranderingen in criminaliteit hebben.
Maar het fitten van dit model levert een waarschuwing op! Om deze waarschuwing te verhelpen, laat je Year niet bij 2006 beginnen maar bij 0. We geven je deze nieuwe variabele, Year2 (bijv. 2006 in Year is 0 in Year2). Soms moet je bij het fitten van een regressie de intercept schalen of centreren zodat die bij 0 begint. Dit verbetert de numerieke stabiliteit van het model.
Deze oefening maakt deel uit van de cursus
Hiërarchische en Mixed-Effects-modellen in R
Oefeninstructies
- Bouw een
lmer()omCrimete voorspellen metYearals zowel een fixed-effect als random-effect helling enCountyals de random-effect intercept. - Bouw een tweede
lmer()omCrimete voorspellen metYear2als zowel een fixed-effect als random-effect helling enCountyals de random-effect intercept.
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# 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)