Hierarchische und gemischte Effekte-Modelle in R

Dieses Kapitel führt in lineare gemischte Modelle ein. Es behandelt verschiedene Arten von Zufallseffekten, beschreibt, wie man die Ergebnisse linearer gemischter Modelle interpretiert, und stellt unterschiedliche Methoden zur statistischen Inferenz mit gemischten Modellen anhand von Kriminalitätsdaten aus Maryland vor.

Dieses Kapitel erweitert lineare gemischte Modelle um nicht-normalverteilte Fehlert erme mithilfe verallgemeinerter linearer gemischter Modelle. Durch die Anpassung des Modells um einen nicht-normalverteilten Fehlerterm kannst du weitere Datentypen mit nichtlinearen Antworten modellieren. Nach einem Überblick über verallgemeinerte lineare Modelle werden binäre Daten und Zähldaten im Kontext gemischter Modelle betrachtet.

Dieses Kapitel zeigt, wie die Analyse von Messwiederholungen ein Sonderfall gemischter Modellierung ist. Es beginnt mit einer Wiederholung von gepaarten t-Tests und Varianzanalysen mit Messwiederholung. Anschließend untersucht ein lineares gemischtes Modell Daten aus einer Schlafstudie. Zum Schluss wird ein verallgemeinertes lineares gemischtes Modell verwendet, um Hasskriminalitätsdaten aus dem Bundesstaat New York im Zeitverlauf zu analysieren.