Repetition: hierarkiska modeller i R

Under kursens gång har du använt och jämfört modeller med enbart fixa effekter (t.ex. lm() och glm()) och blandade modeller (med både fixa och slumpmässiga effekter, t.ex. lmer() och glmer()). Vilka avvägningar har du lagt märke till under kursen?

Den här övningen är en del av kursen

Hierarkiska modeller och modeller med blandade effekter i R

Interaktiv övning med praktiskt arbete

Gör teori till handling med en av våra interaktiva övningar

Starta övningen

Den här övningen är en del av kursen

Hierarkiska modeller och modeller med blandade effekter i R

SkillTag.level.advancedSkillTag.label

4.7+

Starta kursen gratis

Det första kapitlet ger ett exempel på när man bör använda en modell med blandade effekter och beskriver också de olika delarna i en regression. Kapitlet undersöker dessutom ett dataset med testresultat för elever som har en nästlad struktur, för att illustrera blandade effekter.

Exercise 1: Vad är en hierarkisk modell?Exercise 2: Exempel på hierarkiska datamängder Exercise 3: Flernivådata för elever Exercise 4: Utforska flera nivåer: Klassrum och skolor Exercise 5: Delar av en regression Exercise 6: Intercept Exercise 7: Lutningar och multipel regression Exercise 8: Slumpmässiga effekter i regressioner med skoldata Exercise 9: Slumpmässiga intercept Exercise 10: Slumpmässiga lutningseffekter Exercise 11: Bygg skolmodellen Exercise 12: Tolka skolmodellen

Det här kapitlet introducerar linjära modeller med blandade effekter. Det behandlar olika typer av slumpmässiga effekter, förklarar hur man tolkar resultaten från linjära modeller med blandade effekter och går igenom olika metoder för statistisk inferens med blandade effekter – med brottsdata från Maryland som exempel.

Exercise 1: Linjär mixed-effects-modell – födelsetalsdata Exercise 2: Bygg en lmer-modell med slumpmässiga effekter Exercise 3: Inkludera en fast effekt Exercise 4: Slumpmässiga lutningseffekter Exercise 5: Okorrelerad slumpmässig effekt för lutning Exercise 6: Prediktor som fast och slumpmässig effekt Exercise 7: Förstå och rapportera resultaten från en lmer Exercise 8: Jämföra utdata från print och summary Exercise 9: Extrahera koefficienter Exercise 10: Visa resultat från en lmer-modell Exercise 11: Statistisk inferens med brottsdata från Maryland Exercise 12: Visualisera brottsdata från Maryland Exercise 13: Omskalning av lutningar Exercise 14: Nollhypotestestning Exercise 15: Kontroverser kring p-värden Exercise 16: Modeljämförelse med ANOVA

Det här kapitlet utvidgar linjära modeller med blandade effekter till att även inkludera icke-normala feltermer, med hjälp av generaliserade linjära modeller med blandade effekter. Genom att anpassa modellen med en icke-normal felterm kan du modellera fler typer av data med icke-linjära utfall. Efter en genomgång av generaliserade linjära modeller undersöker kapitlet binomialdata och räknedata i samband med modeller med blandade effekter.

Exercise 1: Snabbkurs i GLM:er Exercise 2: Logistisk regression Exercise 3: Poissonregression Exercise 4: Plotta GLM:er Exercise 5: Binomialdata Exercise 6: Toxikologidata Exercise 7: Marknadsföringsexempel Exercise 8: Beräkna oddskvoten Exercise 9: Räknedata Exercise 10: Klick på internet Exercise 11: Klamydia per åldersgrupp och county Exercise 12: Visa resultat för klamydia

Det här kapitlet visar hur analys av upprepade mätningar är ett specialfall av modellering med blandade effekter. Kapitlet börjar med en genomgång av parade t-test och upprepad-mätningar-ANOVA. Därefter används en linjär modell med blandade effekter för att analysera data från en sömnsstudie. Avslutningsvis används en generaliserad linjär modell med blandade effekter för att undersöka data om hatbrott i delstaten New York över tid.

Exercise 1: Introduktion till upprepade mätningar Exercise 2: Parat t-test Exercise 3: Upprepad mätning ANOVA Exercise 4: Sömnstudien Exercise 5: Utforska data Exercise 6: Bygga modeller Exercise 7: Jämföra regressioner och ANOVA Exercise 8: Visualisera resultaten Exercise 9: Hat i New York?Exercise 10: Utforska hatbrottsdata från NY Exercise 11: Bygg modellen Exercise 12: Tolka modellresultat Exercise 13: Visa resultaten Exercise 14: Repetition: hierarkiska modeller i R

Aktuell övning

Exercise 15: Slutsats