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 effects
gói vào R sẽ làm điều này độc đáo.
Có hai hãy cẩn thận ở đây:
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.
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.