Hồi quy bội với các biến độc lập được đo nhiều lần?

Thiết kế và giả thuyết : chúng tôi đo wellbeingở Time-1 và Time-2, chúng tôi muốn xem liệu yếu tố A(được đo ở Time-1 và được coi là yếu tố ổn định theo thời gian) có phải là yếu tố dự báo quan trọng của yếu tố B(được đo tại Time-2) . Chúng tôi cũng mong đợi wellbeing, hiện tại hoặc quá khứ, sẽ đóng góp vào B.

Câu hỏi : có thích hợp để thực hiện nhiều hồi quy với số wellbeingđo tại cả hai thời điểm (sử dụng cùng một công cụ) làm công cụ dự đoán đồng thời không? - có mối tương quan đáng kể giữa các yếu tố dự đoán, nhưng chẩn đoán đa hình có vẻ ổn ... có cách nào tốt hơn để kiểm tra giả thuyết sẽ sử dụng tốt thiết kế theo chiều dọc không?

Cảm ơn nhiều!

— Sootica
nguồn

Tôi không quen nhìn thấy các thiết kế được gọi là dọc khi biến phụ thuộc chỉ được đo tại một thời điểm. Tôi có thể coi đây là một vấn đề cắt ngang, nhưng bạn có thể xem xét phân tích đường đi hoặc mô hình hóa phương trình cấu trúc để tận dụng những gì dường như là một chuỗi các nguyên nhân và hiệu ứng tiềm năng.

— rolando2

Cảm ơn @ rolando2. Câu hỏi chúng tôi muốn trả lời là liệu có phải Alà một yếu tố dự đoán B, hơn và hơn sự đóng góp của wellbeingđo lường tại bất kỳ thời điểm nào. Nhiều hồi quy dường như có thể trả lời điều đó, nhưng không chắc đó có phải là cách tiếp cận tốt nhất không ...

— Sootica

Hồi quy bội sẽ không sử dụng nhiều khía cạnh theo chiều dọc; nó sẽ (nếu được thiết lập đúng) chỉ đơn giản coi mỗi biến phúc lợi là một biến số để điều chỉnh cho. Tuy nhiên, các phương pháp khác mà tôi đã đề cập sẽ đi xa hơn để giải quyết chuỗi các mối quan hệ nhân quả.

— rolando2

Sau khi tham khảo ý kiến của nhiều người, đây là một số lời khuyên tôi nhận được giúp tôi quyết định nên áp dụng phương pháp nào. Cuối cùng, nó quay trở lại câu hỏi nghiên cứu và các giả thuyết được đưa ra.

Nếu chúng tôi đã quan tâm đến sự đóng góp độc đáo của Ađể Bvượt trội so với hiện tại và quá khứ wellbeing, chúng ta có thể chạy hồi quy phân cấp. Sẽ có rất nhiều phương sai chồng chéo được giải thích bởi hiện tại và quá khứ wellbeing, nhưng nhập chúng vào các bước riêng biệt có thể giúp chúng ta hiểu được sự đóng góp độc đáo của một trong hai B. Trong trường hợp của chúng tôi, lần đầu tiên chúng tôi nhập wellbeingvào Thời gian-1, sau đó là wellbeingThời gian-2. Mặc dù Time-1 wellbeingđã giải thích rất nhiều về phương sai B, nhưng nó không còn là một yếu tố dự báo đáng kể khi chúng ta bước vào Time-2 wellbeing. Điều này cho thấy rằng hiện tại, thay vì quá khứ wellbeinglà một yếu tố đóng góp quan trọng hơn. Chúng tôi đã nhậpAtrong bước cuối cùng, và nó đã cải thiện đáng kể cho mô hình với Time-1 và Time-2 wellbeingtrong đó, và điều này hỗ trợ cho giả thuyết ban đầu của chúng tôi.

Nếu chúng tôi đã quan tâm đến việc làm thế nào thay đổi trong wellbeingtừ Time-1 Giờ-2 dự đoán B, chúng ta có thể tính toán các điểm khác biệt, hoặc sử dụng mô hình điểm thay đổi tiềm ẩn phức tạp hơn vào tài khoản cho tính chất lặp đi lặp lại đo được của wellbeing. Một vài tài nguyên hữu ích cho phương pháp này: bài đánh giá năm 2009 của McArdle , slide Cambridge Powerpoint với các ví dụ và cú pháp Mplus

— Sootica
nguồn

Rất nhiều suy nghĩ tốt đến đây. Tuy nhiên: 1. Bạn sẽ muốn thay đổi "từng bước" thành "theo trình tự" hoặc "theo các bước riêng biệt." "Stepwise" có một ý nghĩa khác. 2. Việc Time-2 dường như nhật thực Time-1 có thể gây hiểu nhầm. Một chủ đề phức tạp liên quan đến kiểm soát thống kê, tương quan một phần, cộng tuyến và tầm quan trọng khác nhau. 3. Có một chuỗi thú vị trong tài liệu tranh luận về việc liệu và khi nào nên sử dụng ANCOVA thay vì phân tích điểm số. ví dụ: stats.stackexchange.com/questions/26529/ từ

— rolando2

Cảm ơn bạn @ rolando2. 1. Tôi đã thay đổi từ ngữ; 2. Có. Vì chẩn đoán đa hình xuất hiện khá lành mạnh, tôi cho rằng theo thống kê, việc đặt Time-1 và Time-2 trong một mô hình là ổn. Khi tôi đổi thứ tự và đặt Thời gian-2 trước, Thời gian-1 không thêm đáng kể vào mô hình, điều này dường như cũng hỗ trợ rằng Thời gian-2 là yếu tố quan trọng hơn. 3. Thú vị, cảm ơn!

— Sootica

@Sootica - liên kết tuyệt vời, cảm ơn vì đã chia sẻ

— BGreene