Bu aslında son derece sofistike bir problem ve öğretim görevlisinizden zorlu bir soru!
Verilerinizi nasıl düzenlediğiniz konusunda 1070 x 10 dikdörtgen iyi. Örneğin, R dilinde:
> conflict.data <- data.frame(
+ confl = sample(0:1, 1070, replace=T),
+ country = factor(rep(1:107,10)),
+ period = factor(rep(1:10, rep(107,10))),
+ landdeg = sample(c("Type1", "Type2"), 1070, replace=T),
+ popincrease = sample(0:1, 1070, replace=T),
+ liveli =sample(0:1, 1070, replace=T),
+ popden = sample(c("Low", "Med", "High"), 1070, replace=T),
+ NDVI = rnorm(1070,100,10),
+ NDVIdecl1 = sample(0:1, 1070, replace=T),
+ NDVIdecl2 = sample(0:1, 1070, replace=T))
> head(conflict.data)
confl country period landdeg popincrease liveli popden NDVI NDVIdecl1 NDVIdecl2
1 1 1 1 Type1 1 0 Low 113.4744 0 1
2 1 2 1 Type2 1 1 High 103.2979 0 0
3 0 3 1 Type2 1 1 Med 109.1200 1 1
4 1 4 1 Type2 0 1 Low 112.1574 1 0
5 0 5 1 Type1 0 0 High 109.9875 0 1
6 1 6 1 Type1 1 0 Low 109.2785 0 0
> summary(conflict.data)
confl country period landdeg popincrease liveli popden NDVI NDVIdecl1 NDVIdecl2
Min. :0.0000 1 : 10 1 :107 Type1:535 Min. :0.0000 Min. :0.0000 High:361 Min. : 68.71 Min. :0.0000 Min. :0.0000
1st Qu.:0.0000 2 : 10 2 :107 Type2:535 1st Qu.:0.0000 1st Qu.:0.0000 Low :340 1st Qu.: 93.25 1st Qu.:0.0000 1st Qu.:0.0000
Median :1.0000 3 : 10 3 :107 Median :1.0000 Median :1.0000 Med :369 Median : 99.65 Median :1.0000 Median :0.0000
Mean :0.5009 4 : 10 4 :107 Mean :0.5028 Mean :0.5056 Mean : 99.84 Mean :0.5121 Mean :0.4888
3rd Qu.:1.0000 5 : 10 5 :107 3rd Qu.:1.0000 3rd Qu.:1.0000 3rd Qu.:106.99 3rd Qu.:1.0000 3rd Qu.:1.0000
Max. :1.0000 6 : 10 6 :107 Max. :1.0000 Max. :1.0000 Max. :130.13 Max. :1.0000 Max. :1.0000
(Other):1010 (Other):428
> dim(conflict.data)
[1] 1070 10
Bir modeli takmak için, @ gui11aume'un önerdiği gibi glm () işlevi temel işlemleri yapacak ...
mod <- glm(confl~., family="binomial", data=conflict.data)
anova(mod)
... ama bunun "ülke" yi (107 biriminiz olarak ülkeniz olduğunu varsayıyorum) sabit bir etki olarak ele alırken, rastgele bir etki daha uygun olduğu sorunu var. Ayrıca dönemi basit bir faktör olarak ele alır, otokorelasyona izin verilmez.
Sen ilk sorunu çözmek bir örnek olarak karışık etkiler modeli doğrusal genelleştirilmiş Bates ve arkadaşları en lme4 bu bazı yönlerine güzel bir giriş var R. içinde paketin burada . Gibi bir şey
library(lme4)
mod2 <- lmer(confl ~ landdeg + popincrease + liveli + popden +
NDVI + NDVIdecl1 + NDVIdecl2 + (1|country) +(1|period), family=binomial,
data=conflict.data)
summary(mod2)
ileriye doğru bir adım olur.
Şimdi kalan son sorun 10 periyodunuzda otokorelasyon. Temel olarak, her ülkedeki 10 veri noktanız rastgele seçilmiş 10 bağımsız ve özdeş dağıtılmış nokta kadar değmez. Normal olmayan bir yanıtı olan çok düzeyli bir modelin artıklarında otokorelasyon için yaygın olarak bulunan bir yazılım çözümünün farkında değilim. Kesinlikle lme4'te uygulanmaz. Diğerleri benden daha fazlasını bilebilir.