Random-effect hellingen
In de vorige oefening zag je hoe je random-effect intercepts codeert. Nu zie je hoe je random-effect hellingen codeert. Met lme4-syntaxis gebruikt lmer() (countinuous_predictor | random_effect_group) voor een random-effect helling. Wanneer lme4 een random-effect helling schat, schat het ook een random-effect intercept.
scale() heeft de predictorvariabele mathkind herschaald om het model numeriek stabieler te maken. Zonder deze aanpassing kan lmer() het model niet passen.
In de vorige oefening schatte je een random-effect intercept voor elk klaslokaal en één slope voor alle data. Hier schat je een random-effect intercept voor elke klas en een random-effect helling voor elk klaslokaal. Net als een random-effect intercept komt een random-effect helling uit een gedeelde verdeling van alle random-effect hellingen.
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.
# Rescale mathkind to make the model more stable
student_data <-
student_data %>%
mutate(mathkind_scaled = scale(mathkind))
# Build lmer models
lmer_intercept <- lmer(___ ~ ___ + (1 | ___),
data = ___)
lmer_slope <- lmer(___ ~ (___ | ___),
data = ___)