Rastgele-etki eğimleri
Önceki egzersizde, rastgele-etki sabit terimlerini (intercept) nasıl kodlayacağını gördün. Şimdi rastgele-etki eğimlerini nasıl kodlayacağını göreceksin. lme4 sözdiziminde, lmer() rastgele-etki eğimi için (countinuous_predictor | random_effect_group) şeklini kullanır. lme4 bir rastgele-etki eğimini tahmin ettiğinde, aynı zamanda bir rastgele-etki sabit terimini de tahmin eder.
scale(), modeli sayısal olarak daha kararlı hale getirmek için mathkind yordayıcı değişkenini yeniden ölçeklendirdi. Bu değişiklik olmadan, lmer() modeli oturtamaz.
Önceki egzersizde, her sınıf için bir rastgele-etki sabit terimi ve tüm veriler için tek bir slope tahmin etmiştin. Burada, her sınıf için bir rastgele-etki sabit terimi ve her sınıf için bir rastgele-etki eğimi tahmin edeceksin. Rastgele-etki sabit teriminde olduğu gibi, rastgele-etki eğimi de tüm rastgele-etki eğimlerinin paylaştığı bir dağılımdan gelir.
Bu egzersiz, kursun bir parçasıdır
R'da Hiyerarşik ve Karma Etkili Modeller
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# Rescale mathkind to make the model more stable
student_data <-
student_data %>%
mutate(mathkind_scaled = scale(mathkind))
# Build lmer models
lmer_intercept <- lmer(___ ~ ___ + (1 | ___),
data = ___)
lmer_slope <- lmer(___ ~ (___ | ___),
data = ___)