재미있는 수학

Menu

Modele glmer

(pour plus de détails sur les formules et les paramétrisations); GLM pour les modèles linéaires généralisés (sans effets aléatoires). pour les modèles non linéaires à effets mixtes. Mais, que faire si nous voulons explorer l`effet des différents indicateurs de niveau étudiant car ils varient d`une classe à l`autre. Au lieu d`adapter des modèles uniques par l`école (ou l`école/classe), nous pouvons ajuster un modèle de pente variable. Ici, nous modifions notre terme d`effet aléatoire pour inclure des variables avant les termes de regroupement: (1 + Open | School/Class) indique à R d`adapter une pente variable et un modèle d`interception variable pour les écoles et les classes imbriquées dans les écoles, et pour permettre à la pente de la variable ouverte de varier en École. Pour les modèles à un seul niveau, nous pouvons implémenter un échantillon aléatoire simple avec remplacement pour le Bootstrapping. Avec des données multiniveau, nous voulons rééchantillonner de la même manière que le mécanisme de génération de données. Nous commençons par rééchantillonnage à partir du plus haut niveau, puis en descendant d`un niveau à la fois. Dans notre cas, nous allons d`abord échantillonner des médecins, puis au sein de chaque médecin échantillonné, nous échantillonnerons de leurs patients. Pour ce faire, nous devons d`abord écrire une fonction pour rééchantillonner à chaque niveau. Le département des biostatistiques de Vanderbilt a une belle page décrivant l`idée ici. Remarque, les instructions pour le chargement du paquet pbnm peuvent être trouvées à Loading pbnm.

Il peut également être utile de regarder la distribution des modes conditionnels, que nous faisons avec des polots Caterpillar ci-dessous. Les points bleus sont les modèles conditionnels avec des barres d`erreur. Nous le faisons pour les médecins et les hôpitaux. Par exemple, pour les médecins, nous pouvons voir un peu d`une longue queue droite en ce qu`il ya plus extrêmes positifs que les valeurs négatives. Pour les médecins, nous supprimons leurs identifiants (en utilisant les échelles = liste (y = liste (alternance = 0)) argument) parce qu`il y en a tellement, mais nous les laissons dans les hôpitaux. [Y SIM N (boldsymbol{Xbeta}, sigma ^ 2 boldsymbol{I}). ] vous avez peut-être remarqué que beaucoup de variabilité va dans ces estimations. Nous utilisons (mathbf{X}) uniquement en tenant notre prédicteur d`intérêt à une constante, ce qui permet à tous les autres prédicteurs de prendre des valeurs dans les données d`origine. En outre, nous avons quitté (mathbf{Z}boldsymbol{gamma}) comme dans notre exemple, ce qui signifie que certains groupes sont plus ou moins représentés que d`autres. Si nous avions voulu, nous aurions pu repondérer tous les groupes pour avoir un poids égal.

Nous avons choisi de laisser toutes ces choses comme-est dans cet exemple basé sur l`hypothèse que notre échantillon est vraiment un bon représentant de notre population d`intérêt. Plutôt que de tenter de choisir des valeurs significatives pour contenir des covariables à (même la moyenne n`est pas nécessairement significative, en particulier si une covariable comme une distribution bimodale, il peut être qu`aucun participant n`avait une valeur à ou près de la moyenne), nous avons utilisé les valeurs de notre échantillon.

No categories

Comments

Sorry, comments are closed for this item.