Een lmer-model bouwen met random effects

In de video heb je geleerd over de geboortecijfers op countyniveau. Counties liggen binnen staten, en mogelijk dragen staten bij aan de variabiliteit. In deze oefeningen bouw je een reeks mixed-effects-modellen met deze data.

In deze oefening bouw je een hiërarchisch model met een globale intercept (fixed effect) en een random effect voor State. Daarna bekijk je de summary() van het model en de plot() van de residuen. Net als bij andere regressieanalyses kan het bekijken van residuen helpen om te zien of er iets mis is met het model.

Met lmer() zijn er twee manieren om dit te doen: y ~ 1 + (1 | random_effect) of de verkorte notatie y ~ (1 | random_effect). Gebruik in deze oefening de verkorte notatie zodat je antwoord door de DataCamp-test komt.

Bij het bouwen van mixed-effects-modellen helpt het om te beginnen met eenvoudige modellen, zoals het globale-interceptmodel, om te checken of er problemen zijn met de data of code. Een globale intercept gaat ervan uit dat één intercept alle variabiliteit in de data kan beschrijven. Je kunt een globale intercept zien als: je kunt de data niet beter modelleren dan alleen het gemiddelde modelleren, zonder andere voorspellende variabelen op te nemen.