Modellen vergelijken met ANOVA
Modellen vergelijken kan lastig zijn. Er bestaan veel methoden, maar die vallen buiten de scope van deze cursus, zoals modelselectie (bijv. AIC).
Analysis of Variance (ANOVA) is een basisoptie om lmer-modellen te vergelijken.
Met ANOVA test je of het ene model meer variabiliteit verklaart dan het andere model.
ANOVA doet dit door te kijken naar de hoeveelheid variabiliteit die door de modellen wordt verklaard.
Je kunt bijvoorbeeld testen of Year Crime in Maryland voorspelt.
Bouw daarvoor een nulmodel met alleen County als random effect en een jaarmodel dat Year bevat.
Vervolgens kun je de twee modellen vergelijken met de functie anova().
Als Year een significant deel van de variabiliteit verklaart, is de p-waarde kleiner dan je vooraf ingestelde drempel (meestal 0,05).
Deze oefening maakt deel uit van de cursus
Hiërarchische en Mixed-Effects-modellen in R
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# Build the Null model with only County as a random-effect
null_model <- lmer(Crime ~ (1 | ___) , data = md_crime)
# Build the Year2 model with Year2 as a fixed and random slope and County as the random-effect
year_model <- lmer(Crime ~ ___ + (1 + ___ | ___) , data = md_crime)
# Compare null_model and year_model using an anova
anova(___, ___)