Binary Logistic Regression & Linear Mixed Effects Models

Weitere Magazine

Empfehlungen

Info

Was ist hier mathematisch los? • Die logistische Funktion nimmt als Parameter z Werte zwischen: -∞< z
Was ist hier mathematisch los? • R muss nur noch die optimalen Werte für die Konstanten βi berechnen, in Anbetracht der Daten • R kann uns sagen, wie genau diese βi unsere Daten vorhersagen (post-hoc) • Und wir können das Modell mit ungesehenen Daten testen (pre-hoc) f z 1 ( z) z 1 e x x ... x 0 1 1 2 2 k k
Seite 1 und 2: Binary Logistic Regression & Linear
Seite 3 und 4: • Varianz & SD • Signifikanz Vo
Seite 5 und 6: Was ist BLR? • Korrelationen bild
Seite 7 und 8: BLR - die Idee • Jeder Faktor kan
Seite 9 und 10: Die Daten • Als Beispiel untersuc
Seite 11 und 12: Wie sehen die Daten aus? > attach(D
Seite 13 und 14: Unser 1. Modell > DatAlt.lrm DatAl
Seite 15: Koeffizienten Coef S.E. Wald Z P In
Seite 19 und 20: Effektstärke • Wie viel größer
Seite 21 und 22: oder mit ungesehenen Werten > predi
Seite 23 und 24: Zusammenfassung • Einige Faktoren
Seite 25 und 26: Zusammenfassung • BLR kann belieb
Seite 27 und 28: Die ideale statistische Welt • Wi
Seite 29 und 30: Wie wird man diese Einflüsse los?
Seite 31 und 32: Die lexdec-Daten (Baayen 2008, ange
Seite 33 und 34: Die Daten > head(lexdec) ID Subject
Seite 35 und 36: Daten bereinigen • Ausreißerwert
Seite 37 und 38: 1. Effekt - Trial (Müdigkeit / Üb
Seite 39 und 40: Unser 1. LME-Modell > library(lme4)
Seite 41 und 42: Was sagt uns das Modell? Wie viel s
Seite 43 und 44: Was sagt uns das Modell? • Das si
Seite 45 und 46: Aber… Subjects waren doch untersc
Seite 47 und 48: 2. Modell Random effects: Groups Na
Seite 49 und 50: Was nun? • Wir wissen, dass Trial
Seite 51 und 52: Interaktionen in den Fixed Effects?
Seite 53 und 54: Brauchen wir das alles? >(lexdec2.l
Seite 55 und 56: Was man mit dem besten Modell noch
Seite 57 und 58: Simulation anhand des Models > simu
Seite 59 und 60: Zusammenfassung • LMER eignen sic
Seite 61 und 62: Strukturen in unstrukturierten Date
Seite 63 und 64: Keine Hypothesen? • In explorativ
Seite 65 und 66: Geringer Abstand Grafische Darstell
Seite 67 und 68:
Welche Merkmale können wir nehmen?
Seite 69 und 70:
Beispiel: Nominalskala • Die mög
Seite 71 und 72:
Kommt vor medal Ähnlichkeit berech
Seite 73 und 74:
Verhältnisskala • Oft haben wir
Seite 75 und 76:
Vektoren vergleichen • Der intuit
Seite 77 und 78:
Und in N Dimensionen • Das könne
Seite 79 und 80:
Distanzmatrix in der Library amap
Seite 81 und 82:
So entsteht unser Diagramm > Distan
Seite 83 und 84:
Die Daten • Wir laden die Datei k
Seite 85 und 86:
1. Versuch > plot(hclust(distances,
Seite 87 und 88:
Daten sortieren >kook_okt kook_okt[
Seite 89 und 90:
Andere Methoden - Clusterbildung
Seite 91:
Literatur • Baayen, R. H. (2008).
Alle anzeigen

Binary Logistic Regression & Linear Mixed Effects Models

Erfolgreiche ePaper selbst erstellen

Template löschen?

Als Template speichern?