Regressão múltipla com variáveis ​​independentes medidas repetidamente?

9

Projeto e hipótese : medimos wellbeingno tempo 1 e no tempo 2, queremos ver se o fator A(medido no tempo 1 e supostamente um fator estável ao longo do tempo) é um preditor significativo do fator B(medido no tempo 2) . Também esperamos que wellbeing, atual ou passado, contribua para B.

Pergunta : é apropriado fazer regressão múltipla com wellbeingmedidas nos dois momentos (usando o mesmo instrumento) como preditor simultâneo? - correlações significativas entre preditores estão presentes, mas os diagnósticos de multicolinearidade pareciam bons ... existe uma maneira melhor de testar a hipótese que faria bom uso do design longitudinal ?

Muito Obrigado!

regression  repeated-measures  multiple-regression  panel-data 
— Sootica
fonte
Não estou acostumado a ver projetos chamados longitudinais quando a variável dependente é medida em apenas um ponto no tempo. Provavelmente eu trataria isso como um problema transversal, mas você pode analisar a análise de caminhos ou modelagem de equações estruturais para aproveitar o que parece ser uma cadeia de possíveis causas e efeitos.
— Roland2
Obrigado @ rolando2. A pergunta que gostaríamos de responder é se Aé um preditor Balém da contribuição da wellbeingmedida em qualquer momento. Regressão múltipla parece ser capaz de responder a isso, mas não tenho certeza se é a melhor abordagem ...
— Sootica
A regressão múltipla não faria muito uso do aspecto longitudinal; (se configurado corretamente) trataria simplesmente cada variável de bem-estar como uma covariável a ser ajustada. Os outros métodos que eu mencionei iriam mais longe, para separar a sequência de relações causais.
— Roland2

Respostas:

6

Após consultar várias pessoas, eis alguns conselhos que recebi que me ajudaram a decidir qual abordagem seguir. Por fim, remonta à questão de pesquisa e às hipóteses feitas.

Se estávamos interessados na contribuição única de Aque B, acima de atual e passado wellbeing, poderíamos executar regressão hierárquica. Haverá muitas variações sobrepostas explicadas pelo atual e pelo passado wellbeing, mas inseri-las em etapas separadas pode nos ajudar a entender a contribuição exclusiva de qualquer uma delas B. No nosso caso, entramos pela primeira vez wellbeingno horário 1, seguido pelo wellbeinghorário 2. Embora o Tempo 1 wellbeingexplicasse grande parte da variação B, não era mais um preditor significativo quando inserimos o Tempo 2 wellbeing. Isso sugere que o atual, e não o passado, wellbeingé um fator contribuinte mais importante. Nós entramosAna etapa final, e aprimorou significativamente o modelo com o Tempo 1 e o Tempo 2 wellbeing, e isso apóia nossa hipótese inicial.

Se estivéssemos interessados em como a mudança no wellbeingda Time-1 a Time-2 prevê B, poderíamos calcular a pontuação de diferença, ou usar mais elaborados modelos de mudança de pontuação latentes para explicar a natureza repetidamente medido de wellbeing. Alguns recursos úteis para essa abordagem: artigo de revisão de McArdle 2009 , Cambridge Powerpoint slides com exemplos e sintaxe Mplus

— Sootica
fonte
2
Muito bom pensamento vem por aqui. No entanto: 1. Você deseja alterar "stepwise" para "em sequência" ou "em etapas separadas". "Stepwise" tem outro significado. 2. O fato de o Tempo-2 parecer eclipsar o Tempo-1 pode ser enganoso. Um tópico complicado que envolve controle estatístico, correlação parcial, colinearidade e importância variável. 3. Há uma vertente interessante na literatura debatendo se e quando usar o ANCOVA em vez de obter uma análise de pontuação. por exemplo, stats.stackexchange.com/questions/26529/…
— rolando2 24/02
Obrigado @ rolando2. 1. Eu mudei a redação; 2. sim Como o diagnóstico multicolinearidade saiu bastante saudável, presumi estatisticamente que seria bom colocar o Tempo 1 e o Tempo 2 em um modelo. Quando troquei a ordem e coloquei o Tempo-2 primeiro, o Tempo-1 não aumentou significativamente o modelo, o que também parecia apoiar o Tempo-2 como um fator mais importante. 3. Interessante, obrigado!
— Sootica
@Sootica - excelente link, obrigado por compartilhar
— BGreene
Ao utilizar nosso site, você reconhece que leu e compreendeu nossa Política de Cookies e nossa Política de Privacidade.
Licensed under cc by-sa 3.0 with attribution required.