Rastgele etki kesişimleri
R'deki doğrusal modeller, rastgele olmayan, yani sabit kabul edilen parametreleri tahmin eder ve bunlara sabit etkiler denir. Buna karşılık, rastgele etki parametreleri, verilerin ortak bir hata dağılımını paylaştığını varsayar ve veri azlığı veya aykırı değerler olduğunda farklı tahminler üretebilir. Hem sabit hem de rastgele etkileri içeren modeller karma etki modelleri ya da doğrusal karma etki regresyonu olarak adlandırılır.
lme4 paketi, lm() ile benzer bir formül kullanan lmer() ile karma etki modellerini (hem sabit hem rastgele etkileri olan modelleri) uyarlar. Ancak, rastgele etki kesişimleri özel bir sözdizimi kullanır:
lmer(y ~ x + (1 | random-effect), data = my_data)
lmer() fonksiyonu modelin bir rastgele etki içermesini zorunlu kılar; aksi halde model hata verir. Burada bir lm() ve bir lmer() uyduracak ve ardından verilerin bir alt kümesini kullanarak uyarlanmış modelleri görsel olarak karşılaştıracaksın. Bu kodu biz sağlıyoruz çünkü gelişmiş veri düzenleme gerekiyor; genelde rastgele etkiler doğrudan çizilmez (ggplot2 da karma etki modelleri için güzel çizim seçenekleri sunmaz). Bu grafikte, rastgele etki eğimlerinden gelen kesik çizgilerin sabit etki eğimlerinden gelen düz çizgilerle nasıl karşılaştırıldığına dikkat et.
Not: broom paketi lme4'ü desteklemediği için broom.mixed gereklidir.
Bu egzersiz
R'da Hiyerarşik ve Karma Etkili Modeller
kursunun bir parçasıdırUygulamalı interaktif egzersiz
Bu örnek kodu tamamlayarak bu egzersizi bitirin.
# Build a liner model including class as fixed-effect model
lm_out <- ___
# Build a mixed-effect model including class id as a random-effect
lmer_out <- lmer(___ ~ ___ + (1 | ___), data = ___)
# Extract out the slope estimate for mathkind
tidy(lm_out) %>%
filter(term == "mathkind")
tidy(lmer_out) %>%
filter(term == "mathkind")