Concepten in lineaire regressie u moet weten voordat Learning Multilevel Modellen

Het lijkt erg veel onderzoekers zijn nodig om multilevel en gemengde modellen te leren, en ik moet zeggen, het is niet zo gemakkelijk op je eigen.

Ik ging ook naar graduate school voordat het werd onderwezen in classes- -we hadden leren gemengde modellen als in Split Plot ontwerpen, maar dingen zijn een beetje gevorderd sindsdien. Dus ik te hebben gehad om te leren zonder het voordeel van een klasse, of leraar. Dus ik voel je pijn. Maar ik heb geworsteld met en veel geleerd, maar ik had het voordeel van het zien van heel, heel veel voorbeelden zoals ik heb gewerkt met klanten over de jaren en van het hebben van goed geïnformeerde collega's na te denken en te leren met. Dus als het lezen van Singer maakt je dom voelen, je bent niet alleen.

Ik heb ook het voordeel van het hebben van echt goede opleiding in het algemeen lineair model. Dit kwam niet alleen uit vele klassen in graduate school, maar nogmaals, het zien van zoveel voorbeelden in consulting, en hebben om het zo vaak uit te leggen. (Lesgeven is wanneer je het beste te leren).

Waarom is dit belangrijk? Omdat multilevel modellen zijn slechts algemene lineaire modellen met extra bronnen van variatie. Het is veel moeilijker om multilevel modellen leren als je nog steeds niet zeker over een aantal van de concepten in de lineaire regressie. U wilt richten op het uitzoeken wat een willekeurige helling betekent echt, niet een gecentreerde voorspeller.

Dus hier zijn 4 begrippen in lineaire regressie die je echt, echt moet duidelijk zijn over te krijgen voordat u probeert de Singer artikel te lezen . Het zal niet maken gemakkelijk
, maar het zal er gemakkelijker
te maken.

1. Wat centrering doet aan uw variabelen. Onderschept zijn erg belangrijk in multilevel modellen, dus centreren is vaak nodig om onderschept zinvol te maken.

2. Werken met categorische en continue voorspellers. U wilt zowel dummy en het effect codering te gebruiken in verschillende situaties. Ook u wilt in staat zijn om te begrijpen wat het betekent als je een variabele continue of categorische maken. Welke verschillende informatie om je van het en wat betekent het? Zelfs als je een gewone ANOVA gebruiker bent, kan het zinvol zijn om de tijd te behandelen als een continue, niet categorisch.

3. Interactions. Ik weet dat je weet dat je moet vertrekken in lagere orde termen voor elke interactie (rechts?). Zorg ervoor dat u interacties interpreteren, ongeacht hoeveel categorische en continue variabelen die ze bevatten. En zorg ervoor dat je begrijpt

4. Polynoom termen. Random hellingen kan hard genoeg om te begrijpen (en te houden rechtstreeks van willekeurige onderschept). Random kromming erger. Ken uw Polynomen.

En tenslotte, begrijpen hoe ze allemaal in elkaar passen. Deze 4 begrippen echt naar beneden komen om te begrijpen wat de schattingen in uw model betekenen. Hoe ze te interpreteren. En dat zal grotendeels afkomstig zijn uit de praktijk, vragen te stellen, en opnieuw leren de basisprincipes in de context van uw gegevens

Het voordeel is dat het begrijpen van deze concepten zullen behoove in het leren van een geavanceerde modellering -. Niet-lineaire modellen, logistische regressie .., Cox regressie, enzovoort