Skalowanie nachyleń
Ostatni wykres pokazał, że zmiany współczynnika przestępczości różnią się w zależności od hrabstwa. Oznacza to, że zmienna Year powinna znaleźć się w modelu zarówno jako efekt losowy, jak i stały. Takie podejście pozwala oszacować globalne nachylenie dla wszystkich hrabstw, a jednocześnie osobne nachylenie dla każdego z nich. Nachylenie dla efektu stałego opisuje zmianę liczby poważnych przestępstw we wszystkich hrabstwach stanu Maryland. Nachylenie dla efektu losowego uwzględnia fakt, że dynamika zmian może być inna w każdym hrabstwie.
Jednak dopasowanie tego modelu generuje komunikat ostrzegawczy! Aby go wyeliminować, zmień punkt startowy zmiennej Year z 2006 na 0. Przygotowaliśmy dla ciebie nową zmienną Year2 (np. wartość 2006 ze zmiennej Year odpowiada wartości 0 w Year2). Czasami podczas dopasowywania regresji trzeba przeskalować lub wycentrować punkt przecięcia, tak aby zaczynał się od 0. Poprawia to stabilność numeryczną modelu.
To ćwiczenie jest częścią kursu
Hierarchiczne i mieszane modele efektów w R
Instrukcje do ćwiczenia
- Zbuduj model
lmer()przewidującyCrimeze zmiennąYearjako efektem stałym i losowym nachyleniem orazCountyjako losowym wyrazem wolnym. - Zbuduj drugi model
lmer()przewidującyCrimeze zmiennąYear2jako efektem stałym i losowym nachyleniem orazCountyjako losowym wyrazem wolnym.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Fit the model with Year as both a fixed and random-effect
lmer(___ ~ Year + (1 + Year | ___) , data = md_crime)
# Fit the model with Year2 rather than Year
lmer(___ ~ Year2 + (1 + Year2 | ___) , data = md_crime)