Části regrese

Hierarchické a smíšené modely s náhodnými efekty v R

Richard Erickson

Data Scientist

Průsečík

$y = \beta + \epsilon$

Hierarchické a smíšené modely s náhodnými efekty v R

Více průsečíků

$y = \beta_0 + \beta_2 x_2+ \beta_3 x_3+ \epsilon$

$y = \beta_1 x_1 + \beta_2 x_2+ \beta_3 x_3+ \epsilon$

Obrázek více průsečíků

Hierarchické a smíšené modely s náhodnými efekty v R

Lineární modely v R

lm(formula, data)

lm(y ~ x, data = myData)

anova(lm(y ~ x, data = myData))
Hierarchické a smíšené modely s náhodnými efekty v R

Jednoduchá lineární regrese se sklony

$y \sim \beta_0 + \beta_1 x + \epsilon$

Hierarchické a smíšené modely s náhodnými efekty v R

Vícenásobná regrese

\(y \sim \beta_0 + \beta_1 x_1 + \beta_2 x_2 + \ldots + \epsilon\)

Hierarchické a smíšené modely s náhodnými efekty v R

Upozornění k vícenásobné regresi

  • Nezávislost prediktivních proměnných
  • "korigováno pro..."
  • Simpsonův paradox
  • Pouze lineární
  • Interakce mohou být důležité
Hierarchické a smíšené modely s náhodnými efekty v R

Tipy pro vícenásobnou regresi v R

  • lm(y ~ x - 1) odhaduje průsečík pro každé x
  • Numerické proměnné vs. faktory
  • Škálování parametrů a sklonů
  • lm(y ~ x1 + x2 + x1:x2) lze zapsat jako lm(y ~ x1 * x2)
Hierarchické a smíšené modely s náhodnými efekty v R

Opakování: spuštění a vizualizace lineární regrese v R

reg_model <- lm(response ~ predictor, data = reg_demo)

summary(reg_model)
reg_model
reg_coef_plot <- tidy(reg_model)

ggplot(reg_model, aes(x = predictor, y = response)) +
    geom_point() +
    theme_minimal()  + 
    geom_abline(intercept = reg_model$estimate[1],
                slope = reg_model$estimate[2])
Hierarchické a smíšené modely s náhodnými efekty v R

Pojďme procvičovat!

Hierarchické a smíšené modely s náhodnými efekty v R

Preparing Video For Download...