Herhaling: hiërarchische modellen in R

In deze cursus heb je fixed-effectmodellen (bijv. lm() en glm()) en mixed-effectmodellen (met zowel fixed- als random-effects, zoals lmer() en glmer()) gebruikt en vergeleken. Welke afwegingen heb je tijdens de cursus gezien?

Deze oefening maakt deel uit van de cursus

Hiërarchische en Mixed-Effects-modellen in R

Interactieve oefening met praktijkervaring

Zet theorie om in actie met een van onze interactieve oefeningen

Deze oefening maakt deel uit van de cursus

Hiërarchische en Mixed-Effects-modellen in R

SkillTag.level.advancedSkillTag.label

4.7+

Begin gratis met de cursus

Het eerste hoofdstuk geeft een voorbeeld van wanneer je een mixed effect gebruikt en beschrijft ook de onderdelen van een regressie. Het hoofdstuk bekijkt daarnaast een gegevensset met toetsresultaten van studenten met een geneste structuur om mixed effects te demonstreren.

Exercise 1: Wat is een hiërarchisch model?Exercise 2: Voorbeelden van hiërarchische gegevenssets Exercise 3: Studentgegevens op meerdere niveaus Exercise 4: Meerdere niveaus verkennen: Klassen en scholen Exercise 5: Onderdelen van een regressie Exercise 6: Intercepts Exercise 7: Helling en multiple regression Exercise 8: Random-effects in regressies met schoolgegevens Exercise 9: Intercepts met random effects Exercise 10: Random-effect hellingen Exercise 11: Een schoolmodel bouwen Exercise 12: Het schoolmodel interpreteren

Dit hoofdstuk is een introductie tot lineaire mixed-effects-modellen. Het behandelt verschillende typen random effects, legt uit hoe je de resultaten van lineaire mixed-effects-modellen interpreteert, en bespreekt verschillende methoden voor statistische inferentie met mixed-effects-modellen aan de hand van misdaaddata uit Maryland.

Exercise 1: Lineair mixed-effectsmodel - Geboortecijfers Exercise 2: Een lmer-model bouwen met random effects Exercise 3: Een fixed effect opnemen Exercise 4: Random-effects hellingen Exercise 5: Niet-gecorreleerde random-effect helling Exercise 6: Vaste en willekeurige voorspeller Exercise 7: De resultaten van een lmer begrijpen en rapporteren Exercise 8: print- en summary-uitvoer vergelijken Exercise 9: Coëfficiënten extraheren Exercise 10: De resultaten van een lmer-model weergeven Exercise 11: Statistische inferentie met criminaliteitsgegevens uit Maryland Exercise 12: Maryland-misdaaddata visualiseren Exercise 13: Herschalen van hellingen Exercise 14: Toetsen van nulhypothesen Exercise 15: Discussies rond p-waarden Exercise 16: Modellen vergelijken met ANOVA

Dit hoofdstuk breidt lineaire mixed-effects-modellen uit met niet-normale fouttermen via gegeneraliseerde lineaire mixed-effects-modellen. Door het model aan te passen met een niet-normale foutterm kun je meer soorten data met niet-lineaire responsen modelleren. Na een herhaling van generalized linear models onderzoekt het hoofdstuk binomiale data en teldata in de context van mixed-effects-modellen.

Exercise 1: Snelcursus over GLM's Exercise 2: Logistische regressie Exercise 3: Poisson-regressie Exercise 4: GLM's plotten Exercise 5: Binomiale gegevens Exercise 6: Toxicologiegegevens Exercise 7: Marketingvoorbeeld Exercise 8: Odds-ratio’s berekenen Exercise 9: Tellingen (count data)Exercise 10: Internet doorkliks Exercise 11: Chlamydia per leeftijdsgroep en county Exercise 12: Resultaten voor chlamydia weergeven

Dit hoofdstuk laat zien hoe repeated-measures-analyse een speciaal geval is van mixed-effects-modellering. Het hoofdstuk begint met een herhaling van gepaarde t-toetsen en repeated measures-ANOVA. Daarna gebruikt het een lineair mixed-effects-model om slaapstudie-data te onderzoeken. Tot slot gebruikt het een gegeneraliseerd lineair mixed-effects-model om haatmisdaaddata uit de staat New York in de tijd te bestuderen.

Exercise 1: Een introductie tot herhaalde metingen Exercise 2: Gepaard t‑toets Exercise 3: Repeated measures ANOVA Exercise 4: Slaapstudie Exercise 5: De data verkennen Exercise 6: Modellen bouwen Exercise 7: Regressies en ANOVA's vergelijken Exercise 8: Resultaten plotten Exercise 9: Haat in de staat NY?Exercise 10: NY-hategegevens verkennen Exercise 11: Het model bouwen Exercise 12: Modelresultaten interpreteren Exercise 13: De resultaten weergeven Exercise 14: Herhaling: hiërarchische modellen in R

Huidige oefening

Exercise 15: Conclusie