NY nefret verisini keşfetme

New York Eyaleti, her ilçe için insanlar aleyhine işlenen nefret suçlarının sayısını raporlar. Bu vaka çalışmasında, nefret suçlarının sayısının zaman içinde değişip değişmediğini inceleyeceksin. Bu egzersizlerin iki amacı var. İlk olarak, R'de yinelenen ölçümler için genelleştirilmiş karma etkili regresyonların (glmer()) nasıl kullanılacağını gösterir. İkinci olarak, istatistiksel çıkarım için karma etkili modellerin kullanımına bir örnek daha sunar.

New York ilçelerinin farklı nüfus büyüklükleri göz önüne alındığında, baştan (a priori) rassal etki kesişimlerine ihtiyaç duyduğunu makul şekilde varsayabilirsin. Peki rassal etki eğimleri gerekli mi? Eğilimler ilçeye göre değişiyor mu görmek için veriyi görselleştir. Ayrıca, veriyi çizmek olup biteni görmene yardımcı olacaktır.

Bu egzersiz

R'da Hiyerarşik ve Karma Etkili Modeller

kursunun bir parçasıdır

Kursu Görüntüle

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Plot the TotalIncidents of hate crimes in NY by Year, grouped by County
ggplot(data = ___, aes(x = ___, y = ___, group = ___)) +
    ___

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: What is a hierarchical model?Exercise 2: Examples of hierarchical datasets Exercise 3: Multi-level student data Exercise 4: Exploring multiple-levels: Classrooms and schools Exercise 5: Parts of a regression Exercise 6: Intercepts Exercise 7: Slopes and multiple regression Exercise 8: Random-effects in regressions with school data Exercise 9: Random-effect intercepts Exercise 10: Random-effect slopes Exercise 11: Building the school model Exercise 12: Interpreting the school model

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: Tekrarlı ölçümlere giriş Exercise 2: Eşleştirilmiş t-testi Exercise 3: Tekrarlı ölçümler ANOVA Exercise 4: Uyku çalışması Exercise 5: Veriyi keşfetme Exercise 6: Model kurma Exercise 7: Regresyonlar ve ANOVA'ları karşılaştırma Exercise 8: Sonuçları görselleştirme Exercise 9: NY eyaletinde nefret mi?Exercise 10: NY nefret verisini keşfetme

Geçerli Egzersiz

Exercise 11: Modeli oluşturma Exercise 12: Model sonuçlarını yorumlama Exercise 13: Sonuçları görüntüleme Exercise 14: R'de hiyerarşik modellere genel bakış Exercise 15: Sonuç