Random-effects hellingen
In de vorige oefening heb je random-effect-intercepten voor elke staat geschat. Daarmee kon je rekening houden met het feit dat elke staat een eigen intercept heeft. In deze oefening schat je een random-effects helling voor elke staat. Bijvoorbeeld: misschien beïnvloedt de log\(_{10}\)(totale bevolking van elke county), LogTotalPop, het geboortecijfer van een county ÉN verschilt dit effect per staat.
Herinner je uit de video: een random-effect slope kun je per group schatten met de (slope | group)-syntaxis in lmer().
In deze oefening pas je een mixed-effects model zodat je het effect van de gemiddelde leeftijd van de moeder schat, terwijl je rekening houdt met staat en totale bevolking als random-effects.
Hoe vergelijken de resultaten van dit model zich met die van het vorige model dat je hebt gebouwd?
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.
# Include the AverageAgeofMother as fixed-effect and State as a random-effect
model_a <- lmer(BirthRate ~ ___ + (___), county_births_data)
tidy(___)
# Include the AverageAgeofMother as fixed-effect and LogTotalPop and State as random-effects
model_b <- lmer(BirthRate ~ ___ + (___), county_births_data)
tidy(___)