Naukowcy zajmujący się danymi muszą komunikować swoje wyniki – DataCamp oferuje kursy na ten temat. Dobre wyjaśnienie pracy pomaga odbiorcom zrozumieć otrzymane rezultaty. Kluczowe jest dopasowanie sposobu prezentacji do poziomu wiedzy i oczekiwań odbiorców.

Dla odbiorców bez zaplecza technicznego opisz najważniejsze wnioski płynące z wyników. Możesz na przykład powiedzieć: w powiatach, gdzie matki są starsze, wskaźniki urodzeń są zazwyczaj niższe. Dla odbiorców technicznych uwzględnij szczegóły, takie jak oszacowania współczynników, przedziały ufności i statystyki testowe. Publikacje takie jak The Chicago Guide to Writing about Multivariate Analysis zawierają wskazówki dotyczące opisywania wyników regresji.

W tym ćwiczeniu wyodrębnisz efekty stałe i zwizualizujesz je na wykresie. Oprócz naniesienia współczynników (za pomocą geom_point()) i ich 95-procentowych przedziałów ufności (za pomocą geom_linerange()), dodasz czerwoną linię, która pomoże zlokalizować na wykresie wartość zero (przy użyciu geom_hline()). Jeśli 95-procentowe przedziały ufności nie obejmują zera, oszacowanie danego współczynnika różni się od zera.

coord_flip() jest wymagane, ponieważ ggplot nie obsługuje parametrów xmin ani xmax – tylko ymin i ymax. Z kolei theme_minimal() zmienia motyw z domyślnego na minimalistyczny.

Uwaga techniczna: Wyodrębnianie współczynników regresji z lmer bywa skomplikowane (zob. dyskusja między autorami pakietów lmer i broom).

Wnioskowanie statystyczne na podstawie danych o przestępczości w Maryland

Create Your Free Account