Begreber i Lineær regression du behøver at vide, før Learning Multilevel Modeller

Det virker meget mange forskere at skulle lære flere niveauer og blandede modeller, og jeg må sige, det er ikke så nemt på din egen.

Jeg gik for at opgradere skole, før det blev undervist i klasser - vi gjorde lære blandede modeller, som i Split Plot design, men tingene har udviklet sig lidt siden da. Så jeg også har måttet lære dem uden gavn af en klasse, eller lærer. Så jeg føler din smerte. Men jeg har kæmpet igennem og lært en masse, selv om jeg havde fordelen af ​​at se meget, meget mange eksempler, som jeg har arbejdet med klienter i årenes løb, og for at have kyndige kolleger til at tænke og lære med. Så hvis du læser Singer gør du føler dum, er du ikke alene.

Jeg har også haft den fordel at have rigtig god træning i den generelle lineære model. Dette kom ikke kun fra mange klasser i graduate skole, men igen, fra at se så mange eksempler i rådgivning, og at skulle forklare det så mange gange. (Undervisning er, når du lærer bedst).

Hvorfor er dette vigtigt? Fordi flere niveauer modeller er blot generelle lineære modeller med ekstra kilder til variation. Det er meget sværere at lære multilevel modeller hvis du stadig i tvivl om nogle af de begreber i lineær regression. Du ønsker at fokusere på at regne ud, hvad en tilfældig hældning egentlig betyder, ikke en centreret prædiktor.

Så her er 4 begreber i lineær regression, som du virkelig, virkelig bør få klar over, før du forsøger at læse Singer artiklen . Det vil ikke gøre det let
, men det vil gøre det lettere
.

1. Hvad centrering gør for at dine variabler. Aflytninger er temmelig vigtigt i flere niveauer modeller, så centrering er ofte forpligtet til at foretage aflytninger meningsfulde.

2. Arbejde med kategoriske og kontinuerte prædiktorer. Vil du ønsker at bruge både dummy og effekt kodning i forskellige situationer. Ligeledes du ønsker at være i stand til at forstå, hvad det betyder, hvis du laver en variabel kontinuerlig eller kategoriske. Hvilke forskellige oplysninger til du får fra det, og hvad betyder det? Selv hvis du er en regelmæssig ANOVA bruger, kan det være fornuftigt at behandle tid som kontinuerlig, ikke kategorisk.

3. Interaktioner. Jeg ved, du ved, at du er nødt til at forlade i lavere ordens led for hver interaktion (højre?). Sørg for at du kan fortolke interaktioner, uanset hvor mange kategoriske og kontinuerlig variable, de indeholder. Og sørg for at forstå

4. Polynomial vilkår. Tilfældige skråninger kan være svært nok at forstå (og holde lige fra tilfældige aflytninger). Random krumning er værre. Kend dine Polynomier.

Og endelig, forstå, hvordan de alle passer sammen. Disse 4 begreber virkelig komme ned til at forstå, hvad estimaterne i modellen betyder. Hvordan man skal fortolke dem. Og der vil komme stort set fra praksis, stille spørgsmål og relearning det grundlæggende i forbindelse med dine data

Fordelen er, at forstå disse begreber vil behoove dig i at lære nogen avanceret modellering -. Ikke-lineære modeller, logistisk regression .., Cox regression, og så videre