Begreper i lineær regresjon du trenger å vite før Learning Multilevel Models

Det virker veldig mange forskere som ønsker å lære flere nivåer og blandede modeller, og jeg må si, det er ikke så lett på egen hånd.

I gikk også å oppgradere skolen før det ble undervist i klasser - vi lærte blandede modeller som i Split Plot design, men ting har kommet litt siden da. Så jeg også har måttet lære dem uten fordelen av en klasse, eller lærer. Så jeg føler din smerte. Men jeg har kjempet seg gjennom og lært mye, selv om jeg hadde fordelen av å se veldig, veldig mange eksempler som jeg har jobbet med kunder gjennom årene, og for å ha kunnskapsrike kolleger til å tenke og lære med. Så hvis du leser Singer gjør at du føler deg dum, er du ikke alene.

Jeg har også hatt fordelen av å ha virkelig god trening i den generelle lineære modell. Dette kom ikke bare fra mange klasser i graduate school, men igjen, fra å se så mange eksempler i rådgivning, og måtte forklare det så mange ganger. (Undervisning er når du lærer best).

Hvorfor er dette viktig? Fordi multilevel modeller er bare generelle lineære modeller med ekstra kilder til variasjon. Det er mye vanskeligere å lære multilevel modeller hvis du fremdeles er usikker på om noen av konseptene i lineær regresjon. Du ønsker å fokusere på å finne ut hva en tilfeldig skråning egentlig betyr, ikke en sentrert prediktor.

Så her er 4 begreper i lineær regresjon som du virkelig, virkelig bør få klar om før du forsøker å lese Singer artikkelen . Det vil ikke gjøre det lett
, men det vil gjøre det enklere
.

1. Hva sentre gjør med variabler. Fanger er ganske viktig i multilevel-modeller, så sentre er ofte nødvendig for å gjøre avskjærer meningsfylt.

2. Arbeide med kategoriske og kontinuerlige prediktorer. Du vil ønske å bruke både dummy og effekt koding i ulike situasjoner. På samme måte vil du være i stand til å forstå hva det betyr at hvis du gjør en variabel kontinuerlig eller kategoriske. Hva forskjellig informasjon til du får fra det og hva betyr det? Selv om du er en vanlig ANOVA bruker, kan det være fornuftig å behandle tid som kontinuerlig, ikke kategorisk.

3. Interaksjoner. Jeg vet at du vet at du må forlate i lavere ordens ledd for hver interaksjon (ikke sant?). Sørg for at du kan tolke interaksjoner, uavhengig av hvor mange kategoriske og kontinuerlige variabler de inneholder. Og sørg for at du forstår

4. Polynom vilkår. Tilfeldige bakker kan være vanskelig nok å forstå (og holde rett fra tilfeldige fanger). Tilfeldig kurvatur er verre. Vet om dine polynomer.

Og til slutt, forstår hvordan de passer sammen. Disse 4 konseptene virkelig kommer ned til å forstå hva estimatene i modellen betyr. Hvordan du skal tolke dem. Og det vil komme i hovedsak fra praksis, stille spørsmål, og relearning det grunnleggende i sammenheng med dine data

Fordelen er at det å forstå disse begrepene vil behoove deg i å lære noe avansert modellering -. Lineære modeller, logistisk regresjon .., Cox regresjon, og så videre