Стандартизированные бета-веса для многоуровневой регрессии

Как можно получить стандартизированные (с фиксированным эффектом) веса регрессии из многоуровневой регрессии?

И, как «дополнение»: Каков самый простой способ получить эти стандартизированные веса из mer-объекта (из lmerфункции lme4пакета в R)?

Просто масштабируйте свои объясняющие переменные, чтобы они имели среднее значение от нуля и дисперсию до того, как поместить их в модель. Тогда все коэффициенты будут сравнимы. Характер смешанных эффектов модели не влияет на эту проблему.

Лучший способ сделать это, и с наименьшей вероятностью ошибиться, это использовать scale () до того, как вы подгоните модель.

Чтобы быстро получить стандартизированные бета-коэффициенты непосредственно из любой модели lm (или glm) в R, попробуйте использовать lm.beta(model)пакет QuantPsyc. Например:

library("MASS")
glmModel = glm(dependentResponseVar ~ predictor1 + predictor2, data=myData)
summary(glmModel)

library(QuantPsyc)
lm.beta(glmModel)

Для стандартных линейных моделей, регрессированных с помощью lm (), вы можете либо масштабировать () данные ваших предикторов, либо просто использовать эту простую формулу:

lm.results = lm(mydata$Y ~ mydata$x1)

sd.y = sd(mydata$Y)
sd.x1 = sd(mydata$x1)
x1.Beta = coef(lm.results)["mydata$x1"] * (sd.x1 / sd.y)

Предполагая, что вы установили выход вашей lmerмодели lmer.results, fixef(lmer.results)вернет общие фиксированные коэффициенты эффектов.