Vizualizarea datelor despre criminalitate din Maryland

Înainte de a ajusta un model, reprezentarea grafică a datelor poate fi utilă pentru a vedea dacă există tendințe sau puncte de date ieșite în evidență, valori aberante sau alte caracteristici care merită atenție ulterioară. Folosind ggplot2, poți trasa linii pentru fiecare județ și examina cum evoluează criminalitatea în timp. Pentru acest exercițiu, analizează datele despre criminalitate din Maryland (md_crime). Acestea includ Year (anul), un număr de Crime-uri violente din județ și numele County-ului.

Pentru a explora aceste date, trasează mai întâi punctele de date pentru fiecare județ în timp. Astfel poți vedea cum evoluează fiecare județ. În loc de un atribut estetic precum color, se folosește group, deoarece există prea multe județe pentru a le distinge ușor prin culori. După ce ai reprezentat datele brute, adaugă linii de tendință pentru fiecare județ.

Atât punctele conectate (geom_line), cât și liniile de tendință (geom_smooth) oferă indicii despre ce tipuri de efecte aleatoare sunt necesare, dacă există. Dacă toate punctele par să aibă intervale și medii similare, un interceptul ca efect aleator s-ar putea să nu fie important. De asemenea, dacă tendințele par consistente între județe (adică liniile de tendință arată similar sau paralel între grupuri), o pantă ca efect aleator s-ar putea să nu fie necesară.

Acest exercițiu face parte din cursul

Modele ierarhice și cu efecte mixte în R

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# 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 + ___

Editează și rulează codul

Acest exercițiu face parte din cursul

Modele ierarhice și cu efecte mixte în R

SkillTag.level.advancedSkillTag.label

4.7+

Începe cursul gratuit

Primul capitol oferă un exemplu de situație în care se utilizează un model cu efecte mixte și descrie componentele unei regresii. De asemenea, examinează un set de date cu scoruri ale elevilor, care are o structură ierarhică, pentru a ilustra efectele mixte.

Exercise 1: Ce este un model ierarhic?Exercise 2: Exemple de seturi de date ierarhice Exercise 3: Date despre elevi la mai multe niveluri Exercise 4: Explorarea nivelurilor multiple: clase și școli Exercise 5: Componentele unei regresii Exercise 6: Intercepte Exercise 7: Pante și regresie multiplă Exercise 8: Efecte aleatoare în regresii cu date școlare Exercise 9: Intercepte cu efecte aleatoare Exercise 10: Pante cu efect aleatoriu Exercise 11: Construirea modelului școlar Exercise 12: Interpretarea modelului școlar

Acest capitol oferă o introducere în modelele liniare cu efecte mixte. Acoperă diferite tipuri de efecte aleatoare, explică cum se interpretează rezultatele modelelor liniare cu efecte mixte și prezintă diverse metode de inferență statistică, folosind date privind criminalitatea din Maryland.

Exercise 1: Model liniar cu efecte mixte – Date privind ratele de natalitate Exercise 2: Construirea unui model lmer cu efecte aleatoare Exercise 3: Includerea unui efect fix Exercise 4: Pante cu efecte aleatorii Exercise 5: Pantă cu efect aleatoriu necorelat Exercise 6: Predictor cu efect fix și efect aleatoriu Exercise 7: Înțelegerea și raportarea rezultatelor unui lmer Exercise 8: Compararea rezultatelor print și summary Exercise 9: Extragerea coeficienților Exercise 10: Afișarea rezultatelor unui model lmer Exercise 11: Inferență statistică cu datele despre criminalitate din Maryland Exercise 12: Vizualizarea datelor despre criminalitate din Maryland

Exercițiul curent

Exercise 13: Reescalarea pantelor Exercise 14: Testarea ipotezei nule Exercise 15: Controverse în jurul valorilor P Exercise 16: Compararea modelelor cu ANOVA

Acest capitol extinde modelele liniare cu efecte mixte pentru a include termeni de eroare non-normali, prin intermediul modelelor liniare generalizate cu efecte mixte. Modificând modelul pentru a include un termen de eroare non-normal, poți modela mai multe tipuri de date cu răspunsuri neliniare. După o trecere în revistă a modelelor liniare generalizate, capitolul examinează datele binomiale și datele de tip numărătoare în contextul modelelor cu efecte mixte.

Exercise 1: Introducere rapidă în GLM-uri Exercise 2: Regresie logistică Exercise 3: Regresia Poisson Exercise 4: Reprezentarea grafică a GLM-urilor Exercise 5: Date binomiale Exercise 6: Date de toxicologie Exercise 7: Exemplu de marketing Exercise 8: Calcularea rapoartelor de cote Exercise 9: Date de tip numărătoare Exercise 10: Click-uri pe internet Exercise 11: Chlamydia pe grupe de vârstă și județ Exercise 12: Afișarea rezultatelor pentru chlamydia

Acest capitol arată cum analiza măsurătorilor repetate reprezintă un caz special al modelării cu efecte mixte. Capitolul începe cu o trecere în revistă a testelor t pereche și a ANOVA pentru măsurători repetate. Urmează utilizarea unui model liniar cu efecte mixte pentru a analiza date dintr-un studiu despre somn. În final, capitolul folosește un model liniar generalizat cu efecte mixte pentru a examina date privind crimele motivate de ură din statul New York, de-a lungul timpului.

Exercise 1: Introducere în măsurători repetate Exercise 2: Testul t pereche Exercise 3: ANOVA pentru măsuri repetate Exercise 4: Studiul somnului Exercise 5: Explorarea datelor Exercise 6: Construirea modelelor Exercise 7: Compararea regresiilor și a ANOVA Exercise 8: Vizualizarea rezultatelor Exercise 9: Ură în statul New York?Exercise 10: Explorarea datelor despre infracțiuni motivate de ură din NY Exercise 11: Construirea modelului Exercise 12: Interpretarea rezultatelor modelului Exercise 13: Afișarea rezultatelor Exercise 14: Recapitulare: modele ierarhice în R Exercise 15: Concluzie