เปรียบเทียบความสำคัญของชุดทำนายที่แตกต่างกัน


13

ฉันให้คำปรึกษากับนักศึกษาวิจัยเกี่ยวกับปัญหาบางอย่างและฉันก็กระตือรือร้นที่จะรับข้อมูลของผู้อื่นในเว็บไซต์นี้

บริบท:

ผู้วิจัยมีตัวแปรทำนายสามประเภท แต่ละประเภทมีตัวแปรทำนายจำนวนแตกต่างกัน ตัวทำนายแต่ละตัวเป็นตัวแปรต่อเนื่อง:

  • สังคม: S1, S2, S3, S4 (เช่นตัวทำนายสี่ตัว)
  • เกี่ยวกับความรู้ความเข้าใจ: C1, C2 (เช่น, ผู้ทำนายสองคน)
  • เกี่ยวกับพฤติกรรม: B1, B2, B3 (เช่นผู้ทำนายสามคน)

ตัวแปรผลลัพธ์ก็ต่อเนื่องเช่นกัน กลุ่มตัวอย่างประกอบด้วยผู้เข้าร่วมประมาณ 60 คน

ผู้วิจัยต้องการแสดงความคิดเห็นเกี่ยวกับประเภทของตัวทำนายที่สำคัญกว่าในการอธิบายตัวแปรผลลัพธ์ สิ่งนี้เกี่ยวข้องกับความกังวลทางทฤษฎีที่กว้างขึ้นเกี่ยวกับความสำคัญเชิงสัมพัทธ์ของตัวทำนายประเภทนี้

คำถาม

  • เป็นวิธีที่ดีในการประเมินความสำคัญสัมพัทธ์ของชุดทำนายหนึ่งเมื่อเทียบกับชุดอื่นคืออะไร?
  • อะไรคือกลยุทธ์ที่ดีในการจัดการกับความจริงที่ว่ามีตัวทำนายจำนวนต่างกันในแต่ละชุด?
  • คุณควรแนะนำการตีความแบบใด

การอ้างอิงใด ๆ กับตัวอย่างหรือการอภิปรายเกี่ยวกับเทคนิคก็ยินดีด้วยเช่นกัน

คำตอบ:


8

ข้อเสนอแนะ

  • คุณสามารถทำการถดถอยหลาย ๆ แบบแยกกันสำหรับตัวทำนายแต่ละประเภทและเปรียบเทียบข้ามการถดถอยหลายจุด, r-square ที่ปรับ, r-square ทั่วไปหรือการวัดความแปรปรวนแบบปรับอื่น ๆ
  • คุณสามารถสำรวจวรรณกรรมทั่วไปเกี่ยวกับความสำคัญของตัวแปร ( ดูที่นี่สำหรับการสนทนากับลิงค์ ) สิ่งนี้จะกระตุ้นให้เกิดการมุ่งเน้นไปที่ความสำคัญของผู้ทำนายแต่ละคน
  • ในบางสถานการณ์การถดถอยเชิงลำดับชั้นอาจให้กรอบงานที่มีประโยชน์ คุณจะป้อนตัวแปรหนึ่งประเภทในหนึ่งบล็อก (เช่นตัวแปรทางปัญญา) และในบล็อกที่สองประเภทอื่น (เช่นตัวแปรทางสังคม) สิ่งนี้จะช่วยตอบคำถามว่าตัวแปรประเภทหนึ่งคาดการณ์มากกว่าหรือมากกว่านั้นอีกประเภทหนึ่ง
  • ในการตรวจสอบด้านข้างคุณสามารถเรียกใช้การวิเคราะห์ปัจจัยในตัวแปรตัวทำนายเพื่อตรวจสอบว่าความสัมพันธ์ระหว่างตัวแปรตัวทำนายนั้นตรงกับการกำหนดตัวแปรให้เป็นประเภทหรือไม่

คำเตือน

  • ประเภทของตัวแปรเช่นการรับรู้ทางสังคมและพฤติกรรมเป็นชั้นเรียนที่กว้างขวางของตัวแปร การศึกษาที่กำหนดจะมีเพียงชุดย่อยของตัวแปรที่เป็นไปได้และโดยทั่วไปชุดย่อยนั้นจะมีขนาดเล็กเมื่อเทียบกับตัวแปรที่เป็นไปได้ นอกจากนี้ตัวแปรที่วัดได้อาจไม่ใช่วิธีที่เชื่อถือได้หรือถูกต้องที่สุดในการวัดสิ่งก่อสร้างที่ต้องการ ดังนั้นคุณจะต้องระมัดระวังในการวาดภาพการอนุมานที่กว้างขึ้นเกี่ยวกับความสำคัญสัมพัทธ์ของตัวแปรประเภทหนึ่งที่กำหนดมากกว่าที่วัดจริง
  • คุณต้องพิจารณาอคติใด ๆ ในวิธีที่ตัวแปรตามนั้นถูกวัด โดยเฉพาะอย่างยิ่งในการศึกษาทางจิตวิทยามีแนวโน้มสำหรับการรายงานด้วยตนเองเพื่อความสัมพันธ์ที่ดีกับรายงานตนเองความสามารถกับความสามารถรายงานอื่น ๆ กับรายงานอื่น ๆ และอื่น ๆ ปัญหาคือว่าโหมดการวัดมีผลกระทบมากเกินกว่าโครงสร้างที่น่าสนใจจริง ดังนั้นหากตัวแปรตามขึ้นอยู่กับการวัดในลักษณะเฉพาะ (เช่นรายงานตนเอง) แล้วอย่าตีความความสัมพันธ์ที่ใหญ่กว่ากับตัวทำนายชนิดหนึ่งถ้าประเภทนั้นใช้รายงานด้วยตนเองเช่นกัน

ฉันสนุกกับการอ่านการตอบสนองที่ชัดเจนและเป็นประโยชน์และฉันจะแบ่งปันกับเพื่อนร่วมงาน
rolando2

7

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:

  1. หากคุณทำเช่นนั้นคุณจะต้องระวังว่าคุณไม่ได้เลือกตัวแปรความรู้ความเข้าใจสองตัวที่ในขณะที่ความน่าเชื่อถือเป็นรายบุคคลเช่นมีเดียน

  2. ตัวแปรบางตัวไม่ได้ถูกเปลี่ยนแปลงทางทฤษฎีแม้แต่น้อยดังนั้นการตีความผลกระทบส่วนเพิ่มเนื่องจากสาเหตุมีความละเอียดอ่อนกว่า แต่ก็ยังมีประโยชน์

ตัวเลขทำนายต่าง ๆ

ปัญหาเกิดขึ้นเนื่องจากโครงสร้างความแปรปรวนร่วมที่จัดกลุ่มไว้ซึ่งโดยทั่วไปเราพยายามไม่ต้องกังวล แต่สำหรับงานนี้ควร

โดยเฉพาะอย่างยิ่งเมื่อคำนวณผลกระทบเล็กน้อย (หรือสัมประสิทธิ์มาตรฐานสำหรับเรื่องนั้น) ในกลุ่มมากกว่าตัวแปรเดียวคำสาปของมิติจะสำหรับกลุ่มขนาดใหญ่ทำให้ง่ายขึ้นสำหรับการเปรียบเทียบกับหลงทางในภูมิภาคที่ไม่มีกรณี ตัวทำนายที่มากขึ้นในกลุ่มจะนำไปสู่พื้นที่ที่มีประชากรเบาบางมากขึ้นดังนั้นการวัดที่สำคัญใด ๆ จะขึ้นอยู่กับสมมติฐานของโมเดลและน้อยกว่าในการสังเกต (แต่จะไม่บอกคุณว่า ... ) แต่สิ่งเหล่านี้เป็นปัญหาเดียวกัน จริงๆ. แน่นอนเหมือนกันกับที่จะเกิดขึ้นในการประเมินผลกระทบเชิงสาเหตุตามโมเดล


7

สมมติว่าชุดแรกของตัวทำนายต้องการองศาอิสระ (a 4 ที่อนุญาตสำหรับคำไม่เชิงเส้น) ชุดที่สองต้องใช้ b และที่สามต้องใช้ c (c 3) ที่อนุญาตให้ใช้คำที่ไม่เชิงเส้น คำนวณอัตราส่วนโอกาสสำหรับการทดสอบผลกระทบบางส่วนร่วมกันของแต่ละชุดยอม{3} ค่าที่คาดหวังของตัวแปรสุ่มมีองศาความเป็นอิสระเท่ากับ d ดังนั้นลบ d เพื่อเพิ่มระดับเขตการเล่น เช่นคำนวณL_ ถ้าใช้ F-ทดสอบหลาย F โดย DF เศษของตนที่จะได้รับขนาดχ 2 L 1 , L 2 , L 3 χ 2 L 1 - , L 2 - , L 3 - χ 2χ2L1,L2,L3χ2L1a,L2b,L3cχ2


เพื่อยืนยันวิธีการของคุณคือการคำนวณ L1 เป็นการลดความเบี่ยงเบน (-2 *) ซึ่งเป็นผลมาจากการรวมของตัวแปรทางสังคมทั้งสี่ซึ่งปรับโดย df ของตัวแปรทั้งสี่นี้หรือไม่ และในทางกลับกันสำหรับ L2 และ L3
B_Miner

ฉันไม่ได้ใช้สัญลักษณ์ที่ดีที่สุด ฉันหมายถึงความน่าจะเป็นอัตราส่วนสถิติซึ่งเป็นการเปลี่ยนแปลงใน -2 บันทึกความน่าจะเป็นเมื่อลบชุดของตัวแปรที่กำลังทดสอบ χ2
Frank Harrell

คุณจะอนุญาตด้วยหรือไม่ว่าจะมีความเสี่ยงในการคิดหาวิธีแก้ปัญหาทางสถิติอย่างหมดจดหากไม่มีปัญหาการครอบคลุมที่เป็นไปได้โดยที่นักทำนายทั้ง 3 กลุ่มสามารถวัดลักษณะ / พฤติกรรมที่เกิดขึ้นในเวลาเดียวกัน หากไม่มีพื้นฐานก่อนหน้านี้ที่เป็นพื้นฐานสำหรับห่วงโซ่เชิงสาเหตุมันเป็นไปไม่ได้ที่จะแยกความสัมพันธ์เชิงสาเหตุที่ชัดเจนในสถานการณ์นี้ - ไม่ว่าการคำนวณของเราจะเป็นอย่างไร (ฉันพยายามที่จะคิดว่าวิธีเจมส์เดวิสจะอยู่ในตรรกะของสาเหตุการสั่งซื้อ.)
rolando2

ได้อย่างแน่นอน ห่วงโซ่เชิงสาเหตุจะต้องมีความเข้าใจก่อนที่จะสร้างแบบจำลองแม้กระทั่งเริ่ม
Frank Harrell

@FrankHarrell ผลลัพธ์เหล่านี้นำไปใช้กับโอกาสในการถูกลงโทษหรือไม่ ความน่าจะเป็นที่ถูกลงโทษนั้นมีคุณสมบัติใด ๆ ที่ทำให้แตกต่างจากความน่าจะเป็นที่เกี่ยวกับการวัดความสำคัญของตัวแปรหรือไม่? คุณสามารถแนะนำเอกสารใด ๆ ที่อธิบายสิ่งนี้โดยละเอียดยิ่งขึ้น ขอบคุณ
Julieth

2

วิธีหนึ่งคือการรวมชุดของตัวแปรเข้ากับตัวแปร Sheaf วิธีนี้มีการใช้อย่างกว้างขวางในสังคมวิทยาและพื้นที่ที่เกี่ยวข้อง

refs:

Whitt, Hugh P. 1986. "ค่าสัมประสิทธิ์มัด: แนวทางที่เรียบง่ายและขยายเพิ่ม" การวิจัยทางสังคมศาสตร์ 15: 174-189

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.