ความสำคัญ
สิ่งแรกที่ต้องทำคือการใช้งาน 'ความสำคัญของผู้ทำนาย' ฉันจะสมมติว่ามันหมายถึงบางสิ่งบางอย่างเช่น 'ความไวของผลลัพธ์หมายถึงการเปลี่ยนแปลงค่าตัวทำนาย' เนื่องจากตัวทำนายของคุณถูกจัดกลุ่มดังนั้นความไวของผลลัพธ์เฉลี่ยต่อกลุ่มของตัวทำนายจึงน่าสนใจกว่าตัวแปรโดยการวิเคราะห์ตัวแปร ฉันเปิดทิ้งไว้ว่าจะเข้าใจความไวได้หรือไม่ ปัญหาที่หยิบขึ้นมาในภายหลัง
ความสำคัญสามเวอร์ชัน
อธิบายถึงความแปรปรวนจำนวนมาก : ฉันเดาว่าพอร์ตแรกของนักจิตวิทยาอาจเป็นการสลายตัวของความแปรปรวนที่นำไปสู่การวัดความแปรปรวนของผลลัพธ์ที่อธิบายโดยโครงสร้างความแปรปรวนร่วมความแปรปรวนร่วมในตัวทำนายแต่ละกลุ่ม ไม่ใช่การทดลองฉันไม่สามารถแนะนำอะไรได้มากที่นี่ยกเว้นการสังเกตว่าแนวคิด 'ความแปรปรวนที่อธิบายได้' ทั้งหมดนั้นค่อนข้างไม่มีเหตุผลสำหรับรสนิยมของฉันแม้ว่าจะไม่มีปัญหา คนอื่น ๆ ยินดีที่จะไม่เห็นด้วยและพัฒนาต่อไป
ค่าสัมประสิทธิ์มาตรฐานขนาดใหญ่ : SPSS เสนอเบต้า (เรียกชื่อผิด) เพื่อวัดผลกระทบในลักษณะที่สามารถเปรียบเทียบข้ามตัวแปรได้ มีเหตุผลหลายประการที่จะไม่ใช้สิ่งนี้กล่าวถึงในตำราเรียนการถดถอยของ Fox ที่นี่และที่อื่น ๆ สมัครทั้งหมดที่นี่ นอกจากนี้ยังละเว้นโครงสร้างกลุ่ม
ในทางกลับกันฉันจินตนาการว่าใครสามารถสร้างมาตรฐานการทำนายในกลุ่มและใช้ข้อมูลความแปรปรวนร่วมเพื่อตัดสินผลกระทบของการเบี่ยงเบนมาตรฐานเดียวในทุกคน โดยส่วนตัวคำขวัญ: "ถ้าสิ่งที่ไม่คุ้มค่าที่จะทำมันก็ไม่คุ้มค่าที่จะทำได้ดี" ชื้นความสนใจในการทำเช่นนั้น
ผลกระทบส่วนใหญ่ขนาดใหญ่ : วิธีการอื่นคือการคงขนาดของการวัดและคำนวณผลกระทบส่วนเพิ่มระหว่างจุดตัวอย่างที่เลือกอย่างระมัดระวัง เนื่องจากคุณมีความสนใจในกลุ่มจึงมีประโยชน์ในการเลือกคะแนนเพื่อเปลี่ยนกลุ่มของตัวแปรแทนที่จะเป็นแบบเดี่ยวเช่นการจัดการกับตัวแปรทางปัญญาทั้งสองพร้อมกัน (มีโอกาสมากมายสำหรับแปลงเด็ด ๆ ที่นี่) กระดาษพื้นฐานที่นี่ effectsแพคเกจในการวิจัยจะทำอย่างนี้
มีสองประการที่นี่:
หากคุณทำเช่นนั้นคุณจะต้องระวังว่าคุณไม่ได้เลือกตัวแปรความรู้ความเข้าใจสองตัวที่ในขณะที่ความน่าเชื่อถือเป็นรายบุคคลเช่นมีเดียน
ตัวแปรบางตัวไม่ได้ถูกเปลี่ยนแปลงทางทฤษฎีแม้แต่น้อยดังนั้นการตีความผลกระทบส่วนเพิ่มเนื่องจากสาเหตุมีความละเอียดอ่อนกว่า แต่ก็ยังมีประโยชน์
ตัวเลขทำนายต่าง ๆ
ปัญหาเกิดขึ้นเนื่องจากโครงสร้างความแปรปรวนร่วมที่จัดกลุ่มไว้ซึ่งโดยทั่วไปเราพยายามไม่ต้องกังวล แต่สำหรับงานนี้ควร
โดยเฉพาะอย่างยิ่งเมื่อคำนวณผลกระทบเล็กน้อย (หรือสัมประสิทธิ์มาตรฐานสำหรับเรื่องนั้น) ในกลุ่มมากกว่าตัวแปรเดียวคำสาปของมิติจะสำหรับกลุ่มขนาดใหญ่ทำให้ง่ายขึ้นสำหรับการเปรียบเทียบกับหลงทางในภูมิภาคที่ไม่มีกรณี ตัวทำนายที่มากขึ้นในกลุ่มจะนำไปสู่พื้นที่ที่มีประชากรเบาบางมากขึ้นดังนั้นการวัดที่สำคัญใด ๆ จะขึ้นอยู่กับสมมติฐานของโมเดลและน้อยกว่าในการสังเกต (แต่จะไม่บอกคุณว่า ... ) แต่สิ่งเหล่านี้เป็นปัญหาเดียวกัน จริงๆ. แน่นอนเหมือนกันกับที่จะเกิดขึ้นในการประเมินผลกระทบเชิงสาเหตุตามโมเดล