Interceptos de efeito aleatório
Modelos lineares em R estimam parâmetros considerados fixos ou não aleatórios, chamados de efeitos fixos. Em contraste, parâmetros de efeito aleatório assumem que os dados compartilham uma distribuição comum de erro e podem produzir estimativas diferentes quando há poucas observações ou outliers. Modelos com efeitos fixos e aleatórios são modelos de efeitos mistos ou regressão linear de efeitos mistos.
O pacote lme4 ajusta modelos de efeitos mistos (modelos com efeitos fixos e aleatórios) com lmer(), que usa uma fórmula parecida com lm(). Porém, interceptos de efeito aleatório usam uma sintaxe especial:
lmer(y ~ x + (1 | random-effect), data = my_data)
A função lmer() exige que o modelo inclua um efeito aleatório; caso contrário, o modelo gera um erro. Aqui, você vai ajustar um lm() e um lmer() e, em seguida, comparar graficamente os modelos ajustados usando um subconjunto dos dados. Fornecemos este código por causa da transformação de dados avançada necessária, já que efeitos aleatórios geralmente não são plotados (o ggplot2 também não traz opções de gráfico adequadas para modelos de efeitos mistos). Neste gráfico, repare como as linhas tracejadas dos declives de efeito aleatório se comparam às linhas sólidas dos declives de efeito fixo.
Observação: broom.mixed é necessário porque o pacote broom não é compatível com lme4.
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.
# Build a liner model including class as fixed-effect model
lm_out <- ___
# Build a mixed-effect model including class id as a random-effect
lmer_out <- lmer(___ ~ ___ + (1 | ___), data = ___)
# Extract out the slope estimate for mathkind
tidy(lm_out) %>%
filter(term == "mathkind")
tidy(lmer_out) %>%
filter(term == "mathkind")