So sánh tầm quan trọng của các bộ dự đoán khác nhau


13

Tôi đã tư vấn cho một sinh viên nghiên cứu với một vấn đề cụ thể và tôi rất muốn nhận được đầu vào của những người khác trên trang web này.

Bối cảnh:

Các nhà nghiên cứu đã có ba loại biến dự đoán. Mỗi loại chứa một số lượng biến dự đoán khác nhau. Mỗi dự đoán là một biến liên tục:

  • Xã hội: S1, S2, S3, S4 (nghĩa là bốn yếu tố dự đoán)
  • Nhận thức: C1, C2 (nghĩa là hai yếu tố dự đoán)
  • Hành vi: B1, B2, B3 (nghĩa là ba yếu tố dự đoán)

Biến kết quả cũng liên tục. Các mẫu bao gồm khoảng 60 người tham gia.

Các nhà nghiên cứu muốn bình luận về loại dự đoán nào là quan trọng hơn trong việc giải thích các biến kết quả. Điều này có liên quan đến mối quan tâm lý thuyết rộng hơn về tầm quan trọng tương đối của các loại dự đoán này.

Câu hỏi

  • Một cách tốt để đánh giá tầm quan trọng tương đối của một bộ dự đoán so với bộ khác là gì?
  • Một chiến lược tốt để đối phó với thực tế là có số lượng dự đoán khác nhau trong mỗi bộ là gì?
  • Những gì hãy cẩn thận trong giải thích bạn có thể đề nghị?

Bất kỳ tài liệu tham khảo cho các ví dụ hoặc thảo luận về các kỹ thuật cũng sẽ được hoan nghênh nhất.

Câu trả lời:


7

Giả sử rằng tập đầu tiên của dự đoán đòi hỏi một mức độ tự do (một 4 cho phép với các điều kiện phi tuyến), tập thứ hai đòi hỏi b, và thứ ba đòi hỏi c (c 3) cho phép với các điều kiện phi tuyến. Tính tỷ lệ khả năng χ 2 thử nghiệm cho những ảnh hưởng một phần kết hợp của mỗi bộ, năng suất L 1 , L 2 , L 3 . Giá trị mong đợi của một biến ngẫu nhiên χ 2 với d bậc tự do là d, vì vậy hãy trừ d để san bằng sân chơi. Tức là tính L 1 - a , L 2 - b ,χ2L1,L2,L3χ2 . Nếu sử dụng các phép thử F, nhiều F bằng tử số df của nó để có tỷ lệ χ 2 .L1-một,L2-b,L3-cχ2


Để xác nhận, cách tiếp cận của bạn là tính L1 khi giảm độ lệch (-2 *) do bao gồm bốn biến xã hội, được điều chỉnh bởi df của bốn biến này? Và tương tự lần lượt cho L2 và L3?
B_Miner

Tôi đã không sử dụng ký hiệu tốt nhất. Ý tôi là tỷ lệ khả năng thống kê, đó là sự thay đổi trong khả năng ghi nhật ký -2 khi loại bỏ tập hợp các biến đang được kiểm tra. χ2
Frank Harrell

bạn cũng sẽ cho rằng có một rủi ro, khi đưa ra một giải pháp thống kê thuần túy, thiếu một vấn đề bao trùm có thể xảy ra, theo đó cả 3 nhóm dự đoán có thể đo lường các đặc điểm / hành vi xảy ra cùng một lúc. Nếu không có một cơ sở nguyên nhân sớm hơn cho một chuỗi nguyên nhân, thì có thể không thể giải quyết dứt điểm các mối quan hệ nhân quả trong tình huống này - bất kể tính toán của chúng ta là gì? (Tôi đang cố nghĩ theo cách James Davis làm trong Logic của trật tự nhân quả.)
rolando2

Chắc chắn. Chuỗi nhân quả phải được hiểu trước khi mô hình hóa bắt đầu.
Frank Harrell

@FrankHarrell Những kết quả này có áp dụng cho khả năng bị phạt không? Liệu khả năng bị phạt có bất kỳ tính chất nào làm cho nó khác với khả năng đối với biện pháp quan trọng thay đổi này không? Bạn có thể đề nghị bất kỳ giấy tờ mô tả điều này chi tiết hơn? Cảm ơn.
julieth

7

Gợi ý

  • Bạn có thể thực hiện nhiều hồi quy riêng lẻ cho từng loại dự báo và so sánh qua nhiều hồi quy, bình phương r điều chỉnh, bình phương r tổng quát hoặc một số biện pháp khác nhau được điều chỉnh theo phương pháp phân tích.
  • Bạn có thể thay thế khám phá các tài liệu chung về tầm quan trọng khác nhau ( xem ở đây để thảo luận với các liên kết ). Điều này sẽ khuyến khích sự tập trung vào tầm quan trọng của từng người dự đoán.
  • Trong một số tình huống, hồi quy phân cấp có thể cung cấp một khung hữu ích. Bạn sẽ nhập một loại biến trong một khối (ví dụ: biến nhận thức) và trong khối thứ hai loại khác (ví dụ: biến xã hội). Điều này sẽ giúp trả lời câu hỏi liệu một loại biến dự đoán hơn và hơn một loại khác.
  • Khi kiểm tra bên, bạn có thể chạy phân tích nhân tố trên các biến dự đoán để kiểm tra xem liệu mối tương quan giữa các biến dự đoán có liên quan đến việc gán biến cho các loại hay không.

Hãy cẩn thận

  • Các loại biến như nhận thức, xã hội và hành vi là các lớp biến rộng. Một nghiên cứu nhất định sẽ luôn chỉ bao gồm một tập hợp con của các biến có thể và thông thường một tập hợp con như vậy là nhỏ so với các biến có thể. Hơn nữa, các biến đo có thể không phải là phương tiện đáng tin cậy hoặc hợp lệ nhất để đo lường cấu trúc dự định. Vì vậy, bạn cần cẩn thận khi rút ra suy luận rộng hơn về tầm quan trọng tương đối của một loại biến nhất định hơn và vượt quá những gì thực sự được đo.
  • Bạn cũng cần xem xét bất kỳ sai lệch nào theo cách đo biến phụ thuộc. Đặc biệt trong nghiên cứu tâm lý học, có xu hướng các biện pháp tự báo cáo tương quan tốt với tự báo cáo, khả năng với khả năng, báo cáo khác với báo cáo khác, v.v. Vấn đề là chế độ đo lường có ảnh hưởng lớn hơn và vượt ra ngoài cấu trúc thực tế quan tâm. Do đó, nếu biến phụ thuộc được đo theo một cách cụ thể (ví dụ: tự báo cáo), thì đừng diễn giải quá mức tương quan lớn hơn với một loại dự báo nếu loại đó cũng sử dụng tự báo cáo.

Tôi rất thích đọc phản hồi rõ ràng, hữu ích này và tôi sẽ chia sẻ nó với một đồng nghiệp.
rolando2

6

Tầm quan trọng

Điều đầu tiên cần làm là vận hành 'tầm quan trọng của người dự đoán'. Tôi sẽ cho rằng nó có nghĩa là "độ nhạy của kết quả trung bình đối với những thay đổi trong giá trị dự đoán". Vì các yếu tố dự đoán của bạn được nhóm lại nên độ nhạy của kết quả trung bình đối với các nhóm dự đoán sẽ thú vị hơn một biến bằng phân tích biến. Tôi để nó mở cho dù sự nhạy cảm được hiểu một cách nhân quả. Vấn đề đó được chọn sau.

Ba phiên bản quan trọng

Rất nhiều phương sai được giải thích : Tôi đoán rằng cổng gọi đầu tiên của các nhà tâm lý học có lẽ là sự phân rã phương sai dẫn đến một thước đo về mức độ chênh lệch kết quả được giải thích bởi cấu trúc phương sai cộng hưởng trong mỗi nhóm dự đoán. Không phải là một nhà thực nghiệm, tôi không thể đề xuất nhiều ở đây, ngoại trừ lưu ý rằng toàn bộ khái niệm 'phương sai được giải thích' là một chút không phù hợp với sở thích của tôi, ngay cả khi không có vấn đề về tổng bình phương nào. Những người khác được hoan nghênh không đồng ý và phát triển nó hơn nữa.

Các hệ số được tiêu chuẩn hóa lớn : SPSS cung cấp bản beta (được đặt tên sai) để đo lường tác động theo cách có thể so sánh giữa các biến. Có một số lý do để không sử dụng điều này, được thảo luận trong sách giáo khoa hồi quy của Fox, ở đây và các nơi khác. Tất cả áp dụng ở đây. Nó cũng bỏ qua cấu trúc nhóm.

Mặt khác, tôi tưởng tượng rằng người ta có thể tiêu chuẩn hóa các yếu tố dự đoán theo nhóm và sử dụng thông tin hiệp phương sai để đánh giá hiệu quả của một chuyển động lệch chuẩn trong tất cả chúng. Cá nhân phương châm: "nếu một việc không đáng làm, thì không đáng làm" làm giảm sự quan tâm của tôi khi làm như vậy.

Hiệu ứng cận biên lớn : Cách tiếp cận khác là dựa trên thang đo và tính toán hiệu ứng cận biên giữa các điểm mẫu được chọn cẩn thận. Bởi vì bạn quan tâm đến các nhóm, rất hữu ích khi chọn điểm cho các nhóm biến khác nhau thay vì các biến đơn lẻ, ví dụ: thao tác cả hai biến nhận thức cùng một lúc. (Rất nhiều cơ hội cho các lô mát mẻ ở đây). Giấy cơ bản ở đây . Các effectsgói vào R sẽ làm điều này độc đáo.

Có hai hãy cẩn thận ở đây:

  1. Nếu bạn làm điều đó, bạn sẽ muốn xem ra rằng bạn không chọn hai biến nhận thức mà trong khi cá nhân hợp lý, ví dụ như trung bình, thì khác xa với bất kỳ quan sát chủ đề nào.

  2. Một số biến thậm chí không thể thao túng về mặt lý thuyết, vì vậy việc giải thích các hiệu ứng cận biên là nguyên nhân là tinh tế hơn, mặc dù vẫn hữu ích.

Số lượng dự đoán khác nhau

Các vấn đề phát sinh do cấu trúc hiệp phương sai biến nhóm, mà chúng ta thường cố gắng không lo lắng nhưng đối với nhiệm vụ này nên.

Đặc biệt, khi tính toán các hiệu ứng cận biên (hoặc hệ số chuẩn hóa cho vấn đề đó) trên các nhóm thay vì các biến đơn lẻ, lời nguyền về chiều sẽ cho các nhóm lớn hơn giúp dễ dàng so sánh đi lạc vào các khu vực không có trường hợp. Nhiều dự đoán trong một nhóm dẫn đến một không gian dân cư thưa thớt hơn, do đó, bất kỳ biện pháp quan trọng nào cũng sẽ phụ thuộc nhiều hơn vào các giả định mô hình và ít quan sát hơn (nhưng sẽ không cho bạn biết rằng ...) Nhưng đây là những vấn đề tương tự như trong giai đoạn phù hợp mô hình có thật không. Chắc chắn những điều tương tự như sẽ phát sinh trong một đánh giá tác động nhân quả dựa trên mô hình.


2

Một phương pháp là kết hợp các bộ biến thành các biến sheaf. Phương pháp này đã được sử dụng rộng rãi trong xã hội học và các lĩnh vực liên quan.

Tham chiếu:

Whitt, Hugh P. 1986. "Hệ số Sheaf: Cách tiếp cận đơn giản và mở rộng." Nghiên cứu khoa học xã hội 15: 174-189.

Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.