Eğimler ve çoklu regresyon

Daha önce, ayrık gruplar için beklenen değerleri modellemek üzere birden fazla kesişim (intercept) kullandın. Şimdi, sürekli yordayıcı değişkenleri eğimlerle modelleyeceksin.

Özel olarak, üç farklı model kurarak matematik test puanı artışlarını modelleyeceksin.

school_3_data verisi senin için yüklendi.

Notlar:

y ~ x, y ~ 1 + x için bir kısayoldur (buradaki 1 + modeldeki kesişimi gösterir), bu yüzden formüllerinde 1 + kısmını yazmayabilirsin.
Çoklu regresyonda formülde + kullanılır (ör. y ~ x_one + x_two).
Cevabının doğru değerlendirilmesi için etkileşim kısayol sözdizimini kullan: y ~ x_one * x_two.

Bu egzersiz

R'da Hiyerarşik ve Karma Etkili Modeller

kursunun bir parçasıdır

Kursu Görüntüle

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Use a linear model to estimate how math kindergarten
# scores predict math gains later
___

Kodu Düzenle ve Çalıştır

Bu egzersiz

R'da Hiyerarşik ve Karma Etkili Modeller

kursunun bir parçasıdır

AvançadoNível de habilidade

4.7+

Kursa Ücretsiz Başlayın

The first chapter provides an example of when to use a mixed-effect and also describes the parts of a regression. The chapter also examines a student test-score dataset with a nested structure to demonstrate mixed-effects.

Exercise 1: Hiyerarşik model nedir?Exercise 2: Hiyerarşik veri kümelerine örnekler Exercise 3: Çok seviyeli öğrenci verileri Exercise 4: Birden çok düzeyi keşfetmek: Sınıflar ve okullar Exercise 5: Bir regresyonun parçaları Exercise 6: Kesimler (Intercepts)Exercise 7: Eğimler ve çoklu regresyon

Geçerli Egzersiz

Exercise 8: Okul verileriyle regresyonlarda rassal etkiler Exercise 9: Rastgele etki kesişimleri Exercise 10: Rastgele-etki eğimleri Exercise 11: Okul modelini kurma Exercise 12: Okul modelini yorumlama

This chapter providers an introduction to linear mixed-effects models. It covers different types of random-effects, describes how to understand the results for linear mixed-effects models, and goes over different methods for statistical inference with mixed-effects models using crime data from Maryland.

Exercise 1: Linear mixed effect model- Birth rates data Exercise 2: Building a lmer model with random effects Exercise 3: Including a fixed effect Exercise 4: Random-effect slopes Exercise 5: Uncorrelated random-effect slope Exercise 6: Fixed- and random-effect predictor Exercise 7: Understanding and reporting the outputs of a lmer Exercise 8: Comparing print and summary output Exercise 9: Extracting coefficients Exercise 10: Displaying the results from a lmer model Exercise 11: Statistical inference with Maryland crime data Exercise 12: Visualizing Maryland crime data Exercise 13: Rescaling slopes Exercise 14: Null hypothesis testing Exercise 15: Controversies around P-values Exercise 16: Model comparison with ANOVA

This chapter extends linear mixed-effects models to include non-normal error terms using generalized linear mixed-effects models. By altering the model to include a non-normal error term, you are able to model more kinds of data with non-linear responses. After reviewing generalized linear models, the chapter examines binomial data and count data in the context of mixed-effects models.

Exercise 1: Crash course on GLMs Exercise 2: Logistic regression Exercise 3: Poisson Regression Exercise 4: Plotting GLMs Exercise 5: Binomial data Exercise 6: Toxicology data Exercise 7: Marketing example Exercise 8: Calculating odds-ratios Exercise 9: Count data Exercise 10: Internet click-throughs Exercise 11: Chlamydia by age-group and county Exercise 12: Displaying chlamydia results

This chapter shows how repeated-measures analysis is a special case of mixed-effect modeling. The chapter begins by reviewing paired t-tests and repeated measures ANOVA. Next, the chapter uses a linear mixed-effect model to examine sleep study data. Lastly, the chapter uses a generalized linear mixed-effect model to examine hate crime data from New York state through time.

Exercise 1: An introduction to repeated measures Exercise 2: Paired t-test Exercise 3: Repeated measures ANOVA Exercise 4: Sleep study Exercise 5: Exploring the data Exercise 6: Building models Exercise 7: Comparing regressions and ANOVAs Exercise 8: Plotting results Exercise 9: Hate in NY state?Exercise 10: Exploring NY hate data Exercise 11: Building the model Exercise 12: Interpreting model results Exercise 13: Displaying the results Exercise 14: Hierarchical models in R review Exercise 15: Conclusion