Delar av en regression

Hierarkiska modeller och modeller med blandade effekter i R

Richard Erickson

Data Scientist

Ett intercept

$y = \beta + \epsilon$

Hierarkiska modeller och modeller med blandade effekter i R

Flera intercept

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

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

Bild på flera intercept

Hierarkiska modeller och modeller med blandade effekter i R

Linjära modeller i R

lm(formula, data)

lm(y ~ x, data = myData)

anova(lm(y ~ x, data = myData))
Hierarkiska modeller och modeller med blandade effekter i R

Enkel linjär regression med lutning

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

Hierarkiska modeller och modeller med blandade effekter i R

Multipel regression

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

Hierarkiska modeller och modeller med blandade effekter i R

Fallgropar med multipel regression

  • Oberoende prediktorvariabler
  • "korrigerat för..."
  • Simpsons paradox
  • Enbart linjärt
  • Interaktioner kan vara viktiga
Hierarkiska modeller och modeller med blandade effekter i R

Tips för multipel regression i R

  • lm(y ~ x - 1) skattar ett intercept för varje x
  • Numeriska variabler kontra faktorer
  • Skalning av parametrar och lutningar
  • lm(y ~ x1 + x2 + x1:x2) kan skrivas som lm(y ~ x1 * x2)
Hierarkiska modeller och modeller med blandade effekter i R

Repetition: köra och visualisera linjär regression i 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])
Hierarkiska modeller och modeller med blandade effekter i R

Nu kör vi en övning!

Hierarkiska modeller och modeller med blandade effekter i R

Preparing Video For Download...