Bygg en lmer-modell med slumpmässiga effekter
I videon fick du lära dig om födelsetalsdata på länsnivå. Länder finns inom delstater, och delstaterna bidrar troligen till variabiliteten. Under dessa övningar bygger du en serie modeller med blandade effekter med hjälp av dessa data.
I den här övningen bygger du en hierarkisk modell med ett globalt intercept (fast effekt) och en slumpmässig effekt för delstat. Därefter undersöker du summary() för modellen och plot() för residualerna. Precis som vid andra typer av regressionsanalys kan en granskning av residualerna hjälpa dig att se om något är fel med modellen.
Med lmer() finns det två sätt att göra detta: y ~ 1 + (1 | random_effect) eller genvägen y ~ (1 | random_effect). Använd genvägen i den här övningen så att ditt svar godkänns av DataCamps test.
När du bygger modeller med blandade effekter är det bra att börja med enkla modeller, till exempel modellen med globalt intercept, för att kontrollera om det finns problem med antingen data eller koden. Ett globalt intercept antar att ett enda intercept kan beskriva all variabilitet i data. Ett sätt att förstå ett globalt intercept är att du inte kan modellera data bättre än att enbart modellera medelvärdet utan att inkludera några andra prediktorvariabler.
Den här övningen är en del av kursen
Hierarkiska modeller och modeller med blandade effekter i R
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Build a lmer with State as a random effect
birth_rate_state_model <- lmer(___,
data =___)