Hiển thị kết quả bệnh chlamydia

Trong bài trước, bạn đã khớp một GLMER cho dữ liệu chlamydia ở Illinois. Ở bài này, chúng ta sẽ điểm qua một số cách hiển thị kết quả. Bạn có thể dùng các cách này để tạo phần tóm tắt mô hình cho khách hàng hoặc tài liệu bạn đang viết mô tả kết quả. Tuy vậy, mình khuyến khích bạn học cách tự thao tác và khám phá đầu ra của mô hình để tự xây dựng phương pháp trình bày kết quả của riêng bạn. Phát triển cách làm độc đáo của riêng mình sẽ giúp bạn nổi bật hơn với vai trò data scientist!

Bạn sẽ làm những việc sau:

Xem xét các ước lượng của mô hình.
Vẽ dữ liệu và khớp một glm cho từng nhóm tuổi. Dù không hoàn toàn giống với đầu ra của glmer(), phép xấp xỉ này giúp trình bày kết quả theo cách trực quan, dễ hiểu.

Bài tập này là một phần của khóa học

Mô hình phân cấp và hiệu ứng hỗn hợp trong R

Xem khóa học

Hướng dẫn bài tập

Trích xuất các ước lượng hiệu ứng cố định từ model_out bằng fixef().
Trích xuất các ước lượng hiệu ứng ngẫu nhiên từ model_out bằng ranef().
Chạy mã để vẽ dữ liệu bằng các phương thức của ggplot2.

Bài tập tương tác thực hành trực tiếp

Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.

# Extract out fixed effects
___
# Extract out random effects 
___

# Run code to see one method for plotting the data
ggplot(data = il_data_2, 
       aes(x = year, y = count, group = county)) +
    geom_line() +
    facet_grid(age ~ . ) +
    stat_smooth(method = "glm",
                method.args = list(family = "poisson"), 
                se = FALSE,
                alpha = 0.5) +
    theme_minimal()

Chỉnh sửa và Chạy Mã

Bài tập này là một phần của khóa học

Mô hình phân cấp và hiệu ứng hỗn hợp trong R

SkillTag.level.advancedSkillTag.label

4.7+

Bắt đầu khóa học miễn phí

Chương đầu đưa ra ví dụ về thời điểm sử dụng mô hình hiệu ứng hỗn hợp và mô tả các thành phần của một hồi quy. Chương cũng xem xét một bộ dữ liệu điểm kiểm tra của học sinh có cấu trúc lồng nhau để minh họa hiệu ứng hỗn hợp.

Exercise 1: Mô hình phân cấp là gì?Exercise 2: Ví dụ về các bộ dữ liệu phân cấp Exercise 3: Dữ liệu học sinh nhiều cấp Exercise 4: Khám phá nhiều cấp độ: Lớp học và trường học Exercise 5: Các thành phần của một mô hình hồi quy Exercise 6: Hệ số chặn (Intercepts)Exercise 7: Hệ số dốc và hồi quy bội Exercise 8: Hiệu ứng ngẫu nhiên trong hồi quy với dữ liệu trường học Exercise 9: Giao điểm (intercept) hiệu ứng ngẫu nhiên Exercise 10: Hệ số dốc hiệu ứng ngẫu nhiên Exercise 11: Xây dựng mô hình cho trường học Exercise 12: Diễn giải mô hình theo trường học

Chương này giới thiệu về các mô hình tuyến tính với hiệu ứng hỗn hợp. Nội dung bao gồm các loại hiệu ứng ngẫu nhiên khác nhau, cách hiểu kết quả của mô hình tuyến tính hiệu ứng hỗn hợp, và các phương pháp suy luận thống kê với mô hình hiệu ứng hỗn hợp sử dụng dữ liệu tội phạm từ Maryland.

Exercise 1: Mô hình hiệu ứng hỗn hợp tuyến tính - Dữ liệu tỷ lệ sinh Exercise 2: Xây dựng mô hình lmer với hiệu ứng ngẫu nhiên Exercise 3: Bao gồm một hiệu ứng cố định Exercise 4: Hệ số dốc hiệu ứng ngẫu nhiên Exercise 5: Hệ số dốc hiệu ứng ngẫu nhiên không tương quan Exercise 6: Biến dự báo hiệu ứng cố định và ngẫu nhiên Exercise 7: Hiểu và trình bày kết quả của một mô hình lmer Exercise 8: So sánh đầu ra của print và summary Exercise 9: Trích xuất hệ số Exercise 10: Hiển thị kết quả từ mô hình lmer Exercise 11: Suy luận thống kê với dữ liệu tội phạm Maryland Exercise 12: Trực quan hóa dữ liệu tội phạm Maryland Exercise 13: Chuẩn hóa hệ số dốc Exercise 14: Kiểm định giả thuyết không Exercise 15: Tranh cãi xoay quanh P-value Exercise 16: So sánh mô hình bằng ANOVA

Chương này mở rộng mô hình tuyến tính hiệu ứng hỗn hợp để bao gồm các sai số không tuân theo phân phối chuẩn bằng mô hình tuyến tính tổng quát với hiệu ứng hỗn hợp. Bằng cách điều chỉnh mô hình để bao gồm thành phần sai số phi chuẩn, bạn có thể mô hình hóa nhiều loại dữ liệu hơn với phản hồi phi tuyến tính. Sau khi điểm lại các mô hình tuyến tính tổng quát, chương xem xét dữ liệu nhị thức và dữ liệu đếm trong bối cảnh mô hình hiệu ứng hỗn hợp.

Exercise 1: Khóa học tốc hành về GLM Exercise 2: Hồi quy logistic Exercise 3: Hồi quy Poisson Exercise 4: Vẽ biểu đồ cho GLM Exercise 5: Dữ liệu nhị thức Exercise 6: Dữ liệu độc chất học Exercise 7: Ví dụ marketing Exercise 8: Tính toán odds-ratio Exercise 9: Dữ liệu đếm Exercise 10: Nhấp qua trên Internet Exercise 11: Bệnh Chlamydia theo nhóm tuổi và hạt (county)Exercise 12: Hiển thị kết quả bệnh chlamydia

Bài tập hiện tại

Chương này cho thấy phân tích đo lặp lại là một trường hợp đặc biệt của mô hình hiệu ứng hỗn hợp. Chương bắt đầu bằng việc ôn tập kiểm định t ghép cặp và ANOVA cho đo lặp lại. Tiếp theo, chương dùng mô hình tuyến tính hiệu ứng hỗn hợp để phân tích dữ liệu nghiên cứu giấc ngủ. Cuối cùng, chương dùng mô hình tuyến tính tổng quát hiệu ứng hỗn hợp để xem xét dữ liệu tội ác thù ghét tại bang New York theo thời gian.

Exercise 1: Giới thiệu về phép đo lặp lại Exercise 2: Kiểm định t có ghép cặp Exercise 3: ANOVA đo lặp lại Exercise 4: Nghiên cứu giấc ngủ Exercise 5: Khám phá dữ liệu Exercise 6: Xây dựng mô hình Exercise 7: So sánh hồi quy và ANOVA Exercise 8: Vẽ biểu đồ kết quả Exercise 9: Thù hận ở bang New York?Exercise 10: Khám phá dữ liệu tội ác thù hằn ở NY Exercise 11: Xây dựng mô hình Exercise 12: Diễn giải kết quả mô hình Exercise 13: Hiển thị kết quả Exercise 14: Ôn tập các mô hình phân cấp trong R Exercise 15: Kết luận