GLMM mit R:
Mehrebenenanalyse mit binärer AV

Arndt Regorz, Dipl. Kfm. & M.Sc. Psychologie, 06.12.2023

Dieses Video-Tutorial zeigt Ihnen, wie Sie ein Mehrebenenmodell mit einer binären abhängigen Variable mit R und dem lme4 Package schätzen können (GLMM, Generalized Linear Mixed Model, verallgemeinertes lineares gemischtes Modell).

(Hinweis: Mit Anklicken des Videos wird ein Angebot des Anbieters YouTube genutzt.)

R-Code zu GLMM

# install.packages("lme4")
# install.packages("lmerTest")
# install.packages("varTestnlme")
library(lme4)
library(varTestnlme)

head(UTHAI1)

# 1. Random Intercept binäre AV
random_intercept <- glmer(rep1 ~ male + pped + msesc + (1|schoolid),
data = UTHAI1, family = binomial)

summary(random_intercept)

random_intercept@beta
# Odds Ratio:
exp(random_intercept@beta)

# 2. Genauere Schätzung
random_intercept_2 <- glmer(rep1 ~ male + pped + msesc + (1|schoolid),
data = UTHAI1, family = binomial,
nAGQ=9)

summary(random_intercept_2)

# Weitere Optionen bei der Funktion:
# ?glmer

# 3. Zusätzlich mit Random Slope für Geschlecht

random_slope_male <- glmer(rep1 ~ male + pped + msesc + (0+male|schoolid) +
(1|schoolid), data = UTHAI1, family = binomial)

summary(random_slope_male)
# Odds Ratios:
exp(random_slope_male@beta)

# Test Random Slope
varCompTest(random_slope_male, random_intercept)

# 4. Probit (Random Intercept)

random_intercept_prob <- glmer(rep1 ~ male + pped + msesc + (1|schoolid),
data = UTHAI1, family = binomial(link="probit"))

summary(random_intercept_prob)

?family