Série d’ateliers R du CSBQ
Préface
0.1
Code de conduite
0.1.1
Comportement attendu
0.1.2
Comportements inacceptables
0.2
Contributeurs et contributrices
0.3
Contribuez à la série!
Modèles linéaires à effets mixtes (MLM) en
R
1
Objectifs d’apprentissage
2
Préparez-vous pour cet atelier
3
Pourquoi choisir un MLM?
4
Commencer par une question
4.1
Défi 1
5
Analyse des données
5.1
Option 1: Nombreuses analyses séparées
5.2
Option 2: Une analyse groupée
5.3
Option 3: Est-ce qu’on a une autre option?
6
Effets fixes vs effets aléatoires
6.1
Effet fixe: processus déterministes
6.2
Effet aléatoire: processus stochastiques
7
Comment fonctionnent les MLMs?
7.1
Les paramètres peuvent varier
Ordonnée à l’origine:
Pentes
7.2
Tenir compte de la structure des données
7.3
Défi 2
Implémenter un MLM dans
R
8
Le protocole pour implémenter des modèles à effets mixtes dans
R
9
Étape 1. Construction du modèle
a priori
9.1
Exploration des données
9.2
Vérifier la colinéarité
9.3
Défi 3
9.4
Considérez l’échelle
9.5
Avez-vous besoin d’un MLM?
10
Étape 2. Coder le modèle
10.1
Note sur les méthodes d’estimation
10.2
Différentes structures de modèles
10.3
Défi 4
10.4
Défi 5
10.5
Comparing models
11
Step 3. Validation du modèle
11.1
1. Vérifier l’homogénéité de la variance
11.2
2. Vérifier l’indépendance des résidus
11.3
3. Vérifier la normalité
12
Step 4. Interprétation et visualisation
12.1
Interprétation de notre modèle
12.2
Défi 6
12.3
Défi 7
12.4
Défi 8
Modèles Linéaires Généralisés Mixtes (GLMMs) en
R
13
Introduction aux GLMM
14
Choisir la distribution des erreurs
15
GLMM Poisson
16
GLMM binomiale négative
17
GLMM Poisson-lognormale
17.1
Intercepts aléatoires
17.2
Représentation graphique des paramètres du modèle
18
Modèle final
18.1
Défi 9
Ressources additionnelles par LMM et GLMM
19
Ressources additionnelles
20
References
QCBS R Workshop Series
Atelier 7: Modèles linéaires et généralisés linéaires mixtes
Chapitre 20
References