Omskalning av lutningar
Det sista diagrammet visade att förändringarna i brottsfrekvens varierade mellan länen. Det innebär att du bör inkludera Year som både en slumpmässig effekt och en fast effekt i din modell. Genom att inkludera Year på detta sätt skattas både en global lutning för alla län och en separat lutning för varje enskilt län. Den fasta effektens lutning skattar förändringen i allvarliga brott över alla Marylands län. Den slumpmässiga effektens lutning modellerar att olika län har olika förändringstakt.
Dock genererar den här modellen ett varningsmeddelande! För att åtgärda det ändrar du Year så att den börjar vid 0 i stället för 2006. Vi tillhandahåller den nya variabeln Year2 (t.ex. motsvarar 2006 i Year värdet 0 i Year2). Ibland behöver du skala om eller centrera intercept-värdet till 0 när du anpassar en regression. Det förbättrar modellens numeriska stabilitet.
Den här övningen är en del av kursen
Hierarkiska modeller och modeller med blandade effekter i R
Övningsinstruktioner
- Bygg en
lmer()för att predikteraCrimemedYearsom både fast effekt och slumpmässig lutning ochCountysom slumpmässig intercept. - Bygg en andra
lmer()för att predikteraCrimemedYear2som både fast effekt och slumpmässig lutning ochCountysom slumpmässig intercept.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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)