Farklı yordayıcı kümelerinin önemini karşılaştırabilme

Bir araştırma öğrencisine belirli bir sorunla ilgili tavsiyede bulunuyordum ve bu siteden başkalarının girdisini almaya istekliydim.

Bağlam:

Araştırmacının üç tip öngörücü değişkeni vardı. Her tür farklı sayıda öngörücü değişken içeriyordu. Her tahminci sürekli bir değişkendi:

• Sosyal: S1, S2, S3, S4 (yani dört tahminci)
• Bilişsel: C1, C2 (yani iki öngörücü)
• Davranışsal: B1, B2, B3 (yani üç öngörücü)

Sonuç değişkeni de süreklidir. Örneklem yaklaşık 60 katılımcıyı içermektedir.

Araştırmacı, sonuç değişkenini açıklamada hangi tür öngörücülerin daha önemli olduğu hakkında yorum yapmak istemiştir. Bu, bu tür öngörücülerin göreceli önemi ile ilgili daha geniş teorik kaygılarla ilgilidir.

Sorular

• Bir yordayıcı kümesinin başka bir kümeye göre göreli önemini değerlendirmenin iyi bir yolu nedir?
• Her sette farklı sayıda öngörücünün olmasıyla başa çıkmak için iyi bir strateji nedir?
• Yorumda hangi uyarılar önerebilirsiniz?

Örneklere veya tekniklerin tartışılmasına yapılan göndermeler de memnuniyetle karşılanacaktır.

Öneriler

• Her bir öngörücü türü için ayrı ayrı çoklu regresyonlar gerçekleştirebilir ve çoklu regresyonlar, düzeltilmiş r-kare, genelleştirilmiş r-kare veya açıklanan başka bir parsimony ayarlı varyans ölçüsü ile karşılaştırabilirsiniz.
• Alternatif olarak, değişken önem üzerine genel literatürü keşfedebilirsiniz ( bağlantılarla bir tartışma için buraya bakın ). Bu, bireysel öngörücülerin önemine odaklanmayı teşvik edecektir.
• Bazı durumlarda hiyerarşik regresyon yararlı bir çerçeve sağlayabilir. Bir blokta bir tür değişken (örneğin, bilişsel değişkenler) ve ikinci blokta başka bir tür (örn. Sosyal değişkenler) girersiniz. Bu, bir değişken tipinin başka bir tipin üzerinde ve üstünde tahmin edip etmeyeceği sorusunu cevaplamaya yardımcı olacaktır.
• Bir yan inceleme olarak, öngörücü değişkenler arasındaki korelasyonların değişkenlerin türlere atanmasıyla eşleşip eşleşmediğini incelemek için öngörücü değişkenler üzerinde bir faktör analizi yapabilirsiniz.

Uyarılar

• Bilişsel, sosyal ve davranışsal gibi değişken türleri geniş değişken sınıflarıdır. Belirli bir çalışma her zaman olası değişkenlerin sadece bir alt kümesini içerecektir ve tipik olarak böyle bir alt küme olası değişkenlere göre küçüktür. Ayrıca, ölçülen değişkenler amaçlanan yapıyı ölçmenin en güvenilir veya geçerli yolu olmayabilir. Bu nedenle, belirli bir değişken türünün gerçekte ölçülenin ötesinde göreceli önemi hakkında daha geniş bir çıkarımda bulunurken dikkatli olmanız gerekir.
• Ayrıca, bağımlı değişkenin ölçüldüğü şekilde herhangi bir önyargıyı göz önünde bulundurmanız gerekir. Özellikle psikolojik çalışmalarda, öz bildirim tedbirlerinin öz bildirim, yetenek kabiliyeti, diğer rapor diğer raporlarla vb. İle iyi korelasyon gösterme eğilimi vardır. Mesele, ölçüm modunun gerçek ilgi yapısı üzerinde ve ötesinde büyük bir etkiye sahip olmasıdır. Dolayısıyla, bağımlı değişken belirli bir şekilde ölçülürse (örn., Öz-rapor), o zaman öz-rapor kullanıyorsa, bir tür öngörücüyle daha büyük korelasyonları fazla yorumlamayın.

Önem

Yapılacak ilk şey 'öngörücülerin önemini' işlevselleştirmek. Bunun 'ortalama sonucun öngörücü değerlerindeki değişikliklere duyarlılığı' anlamına geldiğini varsayacağım. Öngörücüleriniz gruplandığından, ortalama sonucun yordayıcı gruplarına duyarlılığı, değişken analizi ile bir değişkenden daha ilginçtir. Duyarlılığın nedensel olarak anlaşılıp anlaşılmadığını açık bırakıyorum. Bu konu daha sonra ele alınacaktır.

Önemin üç versiyonu

Çok fazla varyans açıkladı : Tahminimce psikologların ilk çağrı limanı muhtemelen her bir belirteç grubundaki varyans-kovarance yapısı ile sonuç varyansının ne kadar açıklandığının bir ölçüsüne yol açan bir varyans ayrışmasıdır. Bir deneyci olmak değil, burada 'çok fazla kareler' sorunu olmasa bile, 'varyans açıklandı' kavramının benim zevkime göre biraz temelsiz olduğunu belirtmek dışında burada fazla öneremem. Diğerleri ise aynı fikirde değil ve daha da geliştirebilirler.

Büyük standart katsayılar : SPSS, etkiyi değişken ile karşılaştırılabilir bir şekilde ölçmek için (yanlış adlandırılmış) beta sunar. Bunu kullanmamak için Fox'un regresyon ders kitabında, burada ve başka yerlerde tartışılmasının birkaç nedeni vardır . Hepsi burada geçerlidir. Ayrıca grup yapısını yok sayar.

Öte yandan, ben bir hayal olabilir hepsinde tek standart sapma hareketinin etkisini değerlendirmek için grupları ve kullanım kovaryans bilgilerinde yordayıcılarını standardize. Şahsen sloganı: "Yapmaya değmeyecek bir şey varsa, iyi yapmaya değmez", bu konudaki ilgimi azaltır.

Büyük marjinal etkiler : Diğer yaklaşım, ölçümlerin ölçeğinde kalmak ve dikkatle seçilmiş örnek noktaları arasındaki marjinal etkileri hesaplamaktır. Gruplarla ilgilendiğiniz için, değişken gruplarını tek tek gruplardan ziyade değiştirmek için noktalar seçmek yararlıdır, örneğin her iki bilişsel değişkeni aynı anda manipüle etmek. (Burada serin araziler için bir sürü fırsat var). Burada temel kağıt . effectsR paket güzel yapacağız.

Burada iki uyarı var:

1. Bunu yaparsanız, bireysel olarak mantıklı olsa da, örneğin medyanlar, herhangi bir konu gözleminden müşterek olarak uzak olan iki bilişsel değişkeni seçmediğinize dikkat etmek istersiniz.

2. Bazı değişkenler teorik olarak manipüle edilemez, bu nedenle marjinal etkilerin nedensel olarak yorumlanması yine de faydalı olsa da daha hassastır.

Farklı sayıda öngörücü

Sorunlar, normalde endişelenmemeye çalıştığımız ancak bu görev için yapılması gereken gruplandırılmış değişkenler kovaryans yapısı nedeniyle ortaya çıkar.

Özellikle tek değişkenlerden ziyade gruplar üzerindeki marjinal etkiler (veya bu konu için standartlaştırılmış katsayılar) hesaplanırken, daha büyük gruplar için boyutsallığın laneti, karşılaştırmaların durumun olmadığı bölgelere sapmasını kolaylaştırır. Bir gruptaki daha fazla tahminci daha seyrek nüfuslu bir alana yol açar, bu nedenle herhangi bir önem önlemi daha çok model varsayımlarına ve gözlemlere daha az bağlı olacaktır (ancak bunu size söylemeyecektir ...) Ama bunlar model uydurma aşamasında olduğu gibi aynı konulardır. Gerçekten mi. Kesinlikle model tabanlı bir nedensel etki değerlendirmesinde ortaya çıkacak olanlarla aynıdır.

Birinci öngörücüler kümesinin bir serbestlik derecesi gerektirdiğini ( doğrusal olmayan terimlere izin veren a 4), ikinci kümenin b gerektirdiğini ve üçüncüsünün doğrusal olmayan terimlere izin veren c (c 3) gerektirdiğini . vererek her bir kümenin birleşik kısmi etkileri için olabilirlik oranını test edin . D serbestlik derecesine sahip bir rasgele değişkeninin beklenen değeri d'dir, bu nedenle oyun alanını düzeltmek için d'yi çıkartın. Yani, hesaplayın . F-testleri kullanılıyorsa, ölçeğini almak için df değeri ile birden fazla F değeri .≥ χ 2 L 1 , L 2 , L 3 χ 2 L 1 - a , L 2 - b , L 3 - c χ $\geq$$\geq$$\chi^2$$L_{1}, L_{2}, L_{3}$$\chi^2$$L_{1}-a, L_{2}-b, L_{3}-c$$\chi^2$

Bir yöntem, değişken kümelerini demet değişkenlerle birleştirmektir. Bu yöntemler sosyoloji ve ilgili alanlarda yaygın olarak kullanılmaktadır.

refs:

Whitt, Hugh P. 1986. "Demet Katsayısı: Basitleştirilmiş ve Genişletilmiş Bir Yaklaşım." Sosyal Bilimler Araştırmaları 15: 174-189.