Reescalarea pantelor

Ultimul grafic a arătat că modificările ratei criminalității variază în funcție de județ. Aceasta îți indică faptul că ar trebui să incluzi Year atât ca efect aleatoriu, cât și ca efect fix în model. Includerea lui Year în acest fel va estima o pantă globală pentru toate județele, precum și câte o pantă specifică fiecărui județ. Panta efectului fix estimează schimbarea numărului de infracțiuni grave la nivelul tuturor județelor din Maryland. Panta efectului aleatoriu modelează faptul că fiecare județ are o evoluție diferită a criminalității.

Însă, ajustarea acestui model generează un mesaj de avertizare! Pentru a-l remedia, schimbă Year astfel încât să înceapă de la 0 în loc de 2006. Îți punem la dispoziție această nouă variabilă, Year2 (de exemplu, 2006 din Year corespunde valorii 0 din Year2). Uneori, la ajustarea unui model de regresie, trebuie să scalezi sau să centrezi interceptul astfel încât să pornească de la 0. Aceasta îmbunătățește stabilitatea numerică a modelului.

Acest exercițiu face parte din cursul

Modele ierarhice și cu efecte mixte în R

Instrucțiuni pentru exercițiu

Construiește un lmer() pentru a prezice Crime cu Year atât ca pantă cu efect fix, cât și ca pantă cu efect aleatoriu, și County ca interceptul efectului aleatoriu.
Construiește un al doilea lmer() pentru a prezice Crime cu Year2 atât ca pantă cu efect fix, cât și ca pantă cu efect aleatoriu, și County ca interceptul efectului aleatoriu.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# 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)

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 Exercise 13: Reescalarea pantelor

Exercițiul curent

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