Pesos beta padronizados para uma regressão multinível

Como se pode obter pesos de regressão padronizados (efeito fixo) a partir de uma regressão multinível?

E, como um "complemento": Qual é a maneira mais fácil de obter esses pesos padronizados de um merobjeto-(da lmerfunção do lme4pacote em R)?

Simplesmente dimensione suas variáveis ​​explicativas para ter média de zero e variação de uma antes de colocá-las no modelo. Todos os coeficientes serão comparáveis. A natureza dos efeitos mistos do modelo não afeta esse problema.

A melhor maneira de fazer isso, e com menor probabilidade de dar errado, é usar scale () antes de você se encaixar no modelo.

Para obter uma maneira rápida de obter os coeficientes beta padronizados diretamente de qualquer modelo lm (ou glm) no R, tente usar lm.beta(model)o pacote QuantPsyc. Por exemplo:

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

library(QuantPsyc)
lm.beta(glmModel)

Para modelos lineares padrão regredidos com lm ​​(), você pode escalar () os dados de seus preditores ou apenas usar esta fórmula simples:

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)

Supondo que você definiu a saída do seu lmermodelo como lmer.results, fixef(lmer.results)retornará os coeficientes gerais de efeitos fixos.