🗊Презентация Многоуровневый и многофакторный анализ неметрических данных в СПСС: новые процедуры

Многоуровневый и многофакторный анализ неметрических данных в СПСС: новые процедуры Новые процедуры в СПСС: Обобщенные модели Смешанные модели: Линейная Смешанные линейные Новые книги для психологов: Ronald H. Heck, Scott L. Thomas, Lynn N. Tabata. 1. “Multilevel Modeling of Categorical Outcomes Using IBM SPSS”. 2012. 2. “Multilevel and Longitudinal Modeling with IBM SPSS”. 2010.

Новые процедуры – новые возможности Дефицитарность процедур ДА в рамках общей линейной модели. Анализ многоуровневых данных. Анализ номинальных (бинарных), мультиноминальных и порядковых данных.

Новые подходы и термины MLM - многоуровневое моделирование: подход к статистической обработке данных, имеющих вложенную или иерархическую структуру. Т.е. это построение моделей, в которых наблюдения представлены в разных контекстах. Этот подход описывается разными терминами: случайные коэффициенты, смешанные эффекты, иерархические линейные и многоуровневые регрессионные модели.

Новые подходы и термины В СПСС «Смешанными моделями» называются модели, включающие фиксированные и случайные эффекты. Фактически, там, где есть повторные измерения – скоррелированные данные, и необходимость оценки отдельных групповых вариаций, там и есть смешанные модели. Процедура MIXED обеспечивает обработку 2-х и более уровневых данных. GENLIN – процедура обобщенного линейного моделирования. GENLIN MIXED – в СПСС это обобщенные модели с категориальными данными (начиная с 19 версии, 2010 г.).

Новые подходы и термины

Обработка одноуровневых моделей Процедура GENLIN – Обобщенные линейные модели. Предполагается, что испытуемые случайно выбраны из одной совокупности, переменные несвязанные и нет их какой-либо группировки более высокого уровня. Установки и опции процедуры GENLIN: Тип модели: указать модель или САМОСТОЯТЕЛЬНО выбрать тип распределения и соответствующую функцию связи. Указать ЗП и ее опорную категорию – относительно нее рассчитывается отношение правдоподобия.

Обработка одноуровневых моделей 3. Предикторы и Модель: 1) включение предикторов и эффектов их взаимодействия; 2) смещение - важен при Пуасоновском распределении, отражает вес или значимость ЗП (по умолчанию=1). 4. Оценивание: 1) метод оценки параметров модели – гибридный (в нем сначала реализуется метод Фишера, а затем другой – в зависимости от сходимости и достижения максимума итераций); 2) расчет ковариационной матрицы – на основе модели или робастная процедура; 3)

Результаты (файл: сh3data.sav) Статистики согласияa Значение ст.св. Значение/ст.св. Уклонение 5,191 1 5,191 Масштабированное уклонение 5,191 1 Хи-квадрат Пирсона 5,175 1 5,175 Масштабированное значение хи-квадрат Пирсона 5,175 1 Log-правдоподобиеb -3833,346 Информационный критерий Акаике (AIC) 7672,693 Скорректированный информационный критерий Акаике (AICC) для выборки конечного объема 7672,696 Информационный критерий Байеса (BIC) 7693,044 Состоятельный информационный критерий Акаике (CAIC) 7696,044 Информационные критерии представлены в виде "меньший-лучший». При расчете информационных критериев используется функции логарифма отношения правдоподобия

Результаты

Результаты

Обобщенные уравнения оценки Это расширение Обобщенной линейной модели на данные, включающие повторные измерения на одних и тех же испытуемых. ОУОц – описывают и оценивают ковариацию повторных наблюдений.

Установки и опции Вкладка Повтор: указываем: а) переменную, соответствующую испытуемым (subjects variables, групповые переменные), т.е. ту переменную, в которую включены внутригрупповые факторы – фактически это все повторные данные; б) переменную, указывающую, какому временному периоду (повторному измерению) соответствует каждое измерение – 1,2, 3 …

Установки и опции Тип рабочей корреляционной матрицы, описывающей структуры повторных измерений ЗП. Заранее сложно предугадать оптимальную структуру корреляций, поэтому опытным путем выбираем оптимальную. Независимая допускает, что повторные измерения некоррелированы, что не соответствует большинству случаев. Взаимозаменяемая (или составная симметрия – однородные дисперсии и ковариации) допускает однородные корреляции между ее элементами, т.е. допускаются одинаковые корреляции. Авторегрессионная или АР-1 матрица предполагает, что повторные измерения имеют авторегрессионую структуру первого порядка. М-зависимая матрица предполагает, что последовательные измерения имеют общий к-т корреляции, пары измерений, разделенные третьим измерением, с которым имеют общий к-т корреляции. Неструктурированная корр. матрица предполагает, что корреляции между разными элементами различны. Как и для смешанных многоуровневых моделей выбор структуры матрицы не сильно влияет на оценки модели. Если процедура сообщает о том, что модель не сходится, то следует изменить структуру корр. матрицы.

Пример: ch5data1.sav Нужно оценить, как изменялась в течение года: Динамика успешности чтения в целом (время - ковариата), По четвертям (время – внутригрупповой фактор), С учетом пола ученика (пол – межгрупповой фактор), С учетом межфакторного взаимодействия Время*Пол (смешанный 2-х факторный дизайн).

Результаты