Visualizando os dados de crimes de Maryland

Antes de ajustar um modelo, fazer gráficos dos dados pode ajudar a ver se existem tendências ou pontos que chamam atenção, se há outliers ou se outros aspectos dos dados precisam ser considerados depois. Usando ggplot2, você pode traçar linhas por condado e examinar como os crimes mudam ao longo do tempo. Neste exercício, analise os dados de crimes de Maryland (md_crime). Eles incluem o Year, a contagem de crimes violentos (Crime) no condado e o nome do County.

Para explorar esses dados, primeiro faça o gráfico dos pontos para cada condado ao longo do tempo. Isso permite ver como cada condado muda com o tempo. Em vez de usar um recurso estético como color, aqui usamos group porque há muitos condados para distinguir facilmente pelas cores. Depois de plotar os dados brutos, adicione linhas de tendência para cada condado.

Tanto os pontos conectados (geom_line) quanto as linhas de tendência (geom_smooth) ajudam a entender se, e quais, tipos de efeitos aleatórios podem ser necessários. Se todos os pontos parecerem ter faixas e médias semelhantes, um intercepto de efeito aleatório pode não ser importante. Da mesma forma, se as tendências forem consistentes entre os condados (isto é, se as linhas de tendência parecerem semelhantes ou paralelas entre os grupos), uma inclinação de efeito aleatório pode não ser necessária.

Este exercício faz parte do curso

Modelos Hierárquicos e de Efeitos Mistos em R

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Plot the change in crime through time by County
plot1 <- 
	ggplot(data = md_crime, 
           aes(x = ___, y = ___, group = ___)) +
    geom_line() + 
    theme_minimal() +
    ylab("Major crimes reported per county")
print(plot1)

# Add the trend line for each county
plot1 + ___

Editar e executar o código

Este exercício faz parte do curso

Modelos Hierárquicos e de Efeitos Mistos em R

AvançadoNível de habilidade

4.7+

Iniciar curso de graça

O primeiro capítulo traz um exemplo de quando usar um modelo de efeitos mistos e também descreve as partes de uma regressão. O capítulo examina ainda um conjunto de dados de notas de alunos com estrutura aninhada para demonstrar efeitos mistos.

Exercise 1: O que é um modelo hierárquico?Exercise 2: Exemplos de conjuntos de dados hierárquicos Exercise 3: Dados de alunos em múltiplos níveis Exercise 4: Explorando múltiplos níveis: salas de aula e escolas Exercise 5: Partes de uma regressão Exercise 6: Interceptos Exercise 7: Inclinações e regressão múltipla Exercise 8: Efeitos aleatórios em regressões com dados escolares Exercise 9: Interceptos de efeito aleatório Exercise 10: Inclinações de efeitos aleatórios Exercise 11: Construindo o modelo da escola Exercise 12: Interpretando o modelo da escola

Este capítulo apresenta uma introdução aos modelos lineares de efeitos mistos. Ele cobre diferentes tipos de efeitos aleatórios, descreve como entender os resultados desses modelos e revisa diferentes métodos de inferência estatística com modelos de efeitos mistos usando dados de criminalidade de Maryland.

Exercise 1: Modelo linear de efeitos mistos – dados de taxas de natalidade Exercise 2: Construindo um modelo lmer com efeitos aleatórios Exercise 3: Incluindo um efeito fixo Exercise 4: Inclinações de efeito aleatório Exercise 5: Inclinação de efeito aleatório não correlacionada Exercise 6: Preditor de efeito fixo e aleatório Exercise 7: Entendendo e relatando as saídas de um lmer Exercise 8: Comparando as saídas de print e summary Exercise 9: Extraindo coeficientes Exercise 10: Exibindo os resultados de um modelo lmer Exercise 11: Inferência estatística com dados de crime de Maryland Exercise 12: Visualizando os dados de crimes de Maryland

Exercício atual

Exercise 13: Reescalonando inclinações Exercise 14: Teste de hipótese nula Exercise 15: Controvérsias sobre valores de P Exercise 16: Comparação de modelos com ANOVA

Este capítulo estende os modelos lineares de efeitos mistos para incluir termos de erro não normais usando modelos lineares generalizados de efeitos mistos. Ao ajustar o modelo para incluir um termo de erro não normal, você consegue modelar mais tipos de dados com respostas não lineares. Após revisar os modelos lineares generalizados, o capítulo examina dados binomiais e dados de contagem no contexto de modelos de efeitos mistos.

Exercise 1: Intensivão de GLMs Exercise 2: Regressão logística Exercise 3: Regressão de Poisson Exercise 4: Plotando GLMs Exercise 5: Dados binomiais Exercise 6: Dados de toxicologia Exercise 7: Exemplo de marketing Exercise 8: Calculando odds-ratios Exercise 9: Dados de contagem Exercise 10: Cliques na internet Exercise 11: Clamídia por faixa etária e condado Exercise 12: Exibindo os resultados de clamídia

Este capítulo mostra como a análise de medidas repetidas é um caso especial de modelagem de efeitos mistos. O capítulo começa revisando testes t pareados e ANOVA para medidas repetidas. Em seguida, usa um modelo linear de efeitos mistos para analisar dados de um estudo do sono. Por fim, utiliza um modelo linear generalizado de efeitos mistos para examinar dados de crimes de ódio no estado de Nova York ao longo do tempo.

Exercise 1: Uma introdução a medidas repetidas Exercise 2: Teste t pareado Exercise 3: ANOVA de medidas repetidas Exercise 4: Estudo do sono Exercise 5: Explorando os dados Exercise 6: Construindo modelos Exercise 7: Comparando regressões e ANOVAs Exercise 8: Plotando os resultados Exercise 9: Ódio no estado de NY?Exercise 10: Explorando os dados de crimes de ódio em NY Exercise 11: Construindo o modelo Exercise 12: Interpretando os resultados do modelo Exercise 13: Exibindo os resultados Exercise 14: Revisão de modelos hierárquicos em R Exercise 15: Conclusão