Inclinações de efeitos aleatórios
No exercício anterior, você viu como codificar interceptos de efeitos aleatórios. Agora, você vai ver como codificar inclinações de efeitos aleatórios. Na sintaxe do lme4, lmer() usa (countinuous_predictor | random_effect_group) para uma inclinação de efeito aleatório. Quando o lme4 estima uma inclinação de efeito aleatório, ele também estima um intercepto de efeito aleatório.
scale() reescalou a variável preditora mathkind para tornar o modelo mais estável numericamente. Sem essa mudança, o lmer() não consegue ajustar o modelo.
No exercício anterior, você estimou um intercepto de efeito aleatório para cada sala de aula e uma slope única para todos os dados. Aqui, você vai estimar um intercepto de efeito aleatório para cada turma e uma inclinação de efeito aleatório para cada sala de aula. Assim como o intercepto de efeito aleatório, a inclinação de efeito aleatório vem de uma distribuição compartilhada de todas as inclinações de efeitos aleatórios.
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.
# Rescale mathkind to make the model more stable
student_data <-
student_data %>%
mutate(mathkind_scaled = scale(mathkind))
# Build lmer models
lmer_intercept <- lmer(___ ~ ___ + (1 | ___),
data = ___)
lmer_slope <- lmer(___ ~ (___ | ___),
data = ___)