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 . effects
R paket güzel yapacağız.
Burada iki uyarı var:
Bunu yaparsanız, bireysel olarak mantıklı olsa da, örneğin medyanlar, herhangi bir konu gözleminden müşterek olarak uzak olan iki bilişsel değişkeni seçmediğinize dikkat etmek istersiniz.
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.