Domande taggate «random-effects-model»

I parametri associati ai livelli particolari di una covariata sono talvolta chiamati "effetti" dei livelli. Se i livelli osservati rappresentano un campione casuale dall'insieme di tutti i livelli possibili, chiamiamo questi effetti "casuali".

3
Cheat sheet di R's lmer
Ci sono molte discussioni in corso su questo forum sul modo corretto di specificare vari modelli gerarchici usando lmer. Ho pensato che sarebbe bello avere tutte le informazioni in un unico posto. Un paio di domande per iniziare: Come specificare più livelli, in cui un gruppo è nidificato nell'altro: è …
5
Modellazione di dati longitudinali in cui l'effetto del tempo varia nella forma funzionale tra gli individui
Contesto : Immagina di avere uno studio longitudinale che ha misurato una variabile dipendente (DV) una volta alla settimana per 20 settimane su 200 partecipanti. Anche se sono interessato in generale, i DV tipici che sto pensando di includere comprendono le prestazioni lavorative dopo l'assunzione o varie misure di benessere …
2
In un modello multilivello, quali sono le implicazioni pratiche della stima rispetto a non la stima dei parametri di correlazione dell'effetto casuale?
In un modello multilivello, quali sono le implicazioni pratiche e relative all'interpretazione della stima e non stima dei parametri di correlazione dell'effetto casuale? Il motivo pratico per chiederlo è che nel framework lmer in R, non esiste un metodo implementato per stimare i valori di p tramite tecniche MCMC quando …
4
Come proiettare un nuovo vettore nello spazio PCA?
Dopo aver eseguito l'analisi dei componenti principali (PCA), voglio proiettare un nuovo vettore nello spazio PCA (ovvero trovare le sue coordinate nel sistema di coordinate PCA). Ho calcolato PCA in linguaggio R utilizzando prcomp. Ora dovrei essere in grado di moltiplicare il mio vettore per la matrice di rotazione PCA. …
21 r  pca  r  variance  heteroscedasticity  misspecification  distributions  time-series  data-visualization  modeling  histogram  kolmogorov-smirnov  negative-binomial  likelihood-ratio  econometrics  panel-data  categorical-data  scales  survey  distributions  pdf  histogram  correlation  algorithms  r  gpu  parallel-computing  approximation  mean  median  references  sample-size  normality-assumption  central-limit-theorem  rule-of-thumb  confidence-interval  estimation  mixed-model  psychometrics  random-effects-model  hypothesis-testing  sample-size  dataset  large-data  regression  standard-deviation  variance  approximation  hypothesis-testing  variance  central-limit-theorem  kernel-trick  kernel-smoothing  error  sampling  hypothesis-testing  normality-assumption  philosophical  confidence-interval  modeling  model-selection  experiment-design  hypothesis-testing  statistical-significance  power  asymptotics  information-retrieval  anova  multiple-comparisons  ancova  classification  clustering  factor-analysis  psychometrics  r  sampling  expectation-maximization  markov-process  r  data-visualization  correlation  regression  statistical-significance  degrees-of-freedom  experiment-design  r  regression  curve-fitting  change-point  loess  machine-learning  classification  self-study  monte-carlo  markov-process  references  mathematical-statistics  data-visualization  python  cart  boosting  regression  classification  robust  cart  survey  binomial  psychometrics  likert  psychology  asymptotics  multinomial 
4
In pratica, come viene calcolata la matrice di covarianza degli effetti casuali in un modello di effetti misti?
Fondamentalmente quello che mi chiedo è come vengono applicate le diverse strutture di covarianza e come vengono calcolati i valori all'interno di queste matrici. Funzioni come lme () ci permettono di scegliere quale struttura vorremmo, ma mi piacerebbe sapere come sono stimate. Considera il modello lineare di effetti misti Y= …
2
Grande disaccordo nella stima della pendenza quando i gruppi sono trattati come casuali o fissi in un modello misto
Comprendo che utilizziamo modelli di effetti casuali (o effetti misti) quando riteniamo che alcuni parametri del modello possano variare in modo casuale a seconda del fattore di raggruppamento. Ho il desiderio di adattare un modello in cui la risposta è stata normalizzata e centrata (non perfettamente, ma abbastanza vicino) attraverso …
Utilizzando il nostro sito, riconosci di aver letto e compreso le nostre Informativa sui cookie e Informativa sulla privacy.
Licensed under cc by-sa 3.0 with attribution required.