Reescalonando inclinações

O último gráfico mostrou que as mudanças na taxa de crimes variaram por condado. Isso indica que você deve incluir Year como efeito fixo e aleatório no seu modelo. Incluir Year dessa forma vai estimar uma inclinação global em todos os condados e também uma inclinação para cada condado. A inclinação do efeito fixo estima a mudança nos crimes graves em todos os condados de Maryland. A inclinação do efeito aleatório modela que os condados têm mudanças diferentes no crime.

Mas ajustar esse modelo gera uma mensagem de aviso! Para lidar com esse aviso, altere Year de iniciar em 2006 para iniciar em 0. Fornecemos esta nova variável, Year2 (por exemplo, 2006 em Year é 0 em Year2). Às vezes, ao ajustar regressões, você precisa escalonar ou centralizar o intercepto para começar em 0. Isso melhora a estabilidade numérica do modelo.

Este exercício faz parte do curso

Modelos Hierárquicos e de Efeitos Mistos em R

Instruções do exercício

Construa um lmer() para prever Crime com Year como inclinação de efeito fixo e aleatório e County como intercepto de efeito aleatório.
Construa um segundo lmer() para prever Crime com Year2 como inclinação de efeito fixo e aleatório e County como intercepto de efeito aleatório.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# 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)

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 Exercise 13: Reescalonando inclinações

Exercício atual

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