Les modèles à plusieurs niveaux ont deux termes d`erreur, qui sont également connus sous le nom de perturbations. Les composants individuels sont tous indépendants, mais il y a aussi des composants de groupe, qui sont indépendants entre les groupes mais corrélés au sein des groupes. Cependant, les composantes de variance peuvent différer, car certains groupes sont plus homogènes que d`autres. [11] le type de tests statistiques utilisés dans les modèles à plusieurs niveaux dépend de la question de savoir si l`on examine des effets fixes ou des composantes de variance. Lors de l`examen des effets fixes, les tests sont comparés avec l`erreur standard de l`effet fixe, qui se traduit par un test Z. [4] un t-test peut également être calculé. Lors du calcul d`un test t, il est important de garder à l`esprit les degrés de liberté, qui dépendront du niveau du prédicteur (par exemple, prédicteur de niveau 1 ou prédicteur de niveau 2). [4] pour un prédicteur de niveau 1, les degrés de liberté sont fondés sur le nombre de prédicteurs de niveau 1, le nombre de groupes et le nombre d`observations individuelles. Pour un prédicteur de niveau 2, les degrés de liberté sont basés sur le nombre de prédicteurs de niveau 2 et le nombre de groupes. [4] la régression hiérarchique, d`autre part, traite de la façon dont les variables prédictitrices (indépendantes) sont sélectionnées et saisies dans le modèle. Plus précisément, la régression hiérarchique fait référence au processus d`ajout ou de suppression de variables prédictitrices du modèle de régression par étapes. Par exemple, disons que vous vouliez prédire le rendement collégial (votre variable dépendante) basé sur l`amp du secondaire (votre variable indépendante) tout en contrôlant les facteurs démographiques (c.-à-d., covariables). Pour votre analyse, vous souhaiterez peut-être entrer les facteurs démographiques dans le modèle dans la première étape, puis entrez GPA secondaire dans le modèle dans la deuxième étape.
Cela vous permettrait de voir la puissance prédictive que l`amp de l`école secondaire ajoute à votre modèle au-dessus et au-delà des facteurs démographiques. La régression hiérarchique inclut également la régression avant, arrière et par étapes, dans laquelle les prédicteurs sont automatiquement ajoutés ou supprimés du modèle de régression en fonction d`algorithmes statistiques. Ces formes de régression hiérarchique sont utiles si vous avez un très grand nombre de variables prédictives potentielles et que vous souhaitez déterminer (statistiquement) quelles variables ont la puissance la plus prédictive. Ce message n`est pas au sujet de modélisation linéaire hiérarchique (HLM; modélisation multiniveau). La régression hiérarchique consiste à comparer les modèles de régression imbriqués. Afin d`effectuer une analyse de modèle à plusieurs niveaux, on commencerait par des coefficients fixes (pentes et intercepts). Un aspect serait autorisé à varier à la fois (c`est-à-dire, serait changé), et comparé avec le modèle précédent afin d`évaluer la meilleure forme de modèle. [1] il y a trois questions différentes qu`un chercheur demanderait dans l`évaluation d`un modèle.
This entry was posted in Uncategorized. Bookmark the permalink. Comments are closed, but you can leave a trackback: Trackback URL.
Modèle de regression hiérarchique
Les modèles à plusieurs niveaux ont deux termes d`erreur, qui sont également connus sous le nom de perturbations. Les composants individuels sont tous indépendants, mais il y a aussi des composants de groupe, qui sont indépendants entre les groupes mais corrélés au sein des groupes. Cependant, les composantes de variance peuvent différer, car certains groupes sont plus homogènes que d`autres. [11] le type de tests statistiques utilisés dans les modèles à plusieurs niveaux dépend de la question de savoir si l`on examine des effets fixes ou des composantes de variance. Lors de l`examen des effets fixes, les tests sont comparés avec l`erreur standard de l`effet fixe, qui se traduit par un test Z. [4] un t-test peut également être calculé. Lors du calcul d`un test t, il est important de garder à l`esprit les degrés de liberté, qui dépendront du niveau du prédicteur (par exemple, prédicteur de niveau 1 ou prédicteur de niveau 2). [4] pour un prédicteur de niveau 1, les degrés de liberté sont fondés sur le nombre de prédicteurs de niveau 1, le nombre de groupes et le nombre d`observations individuelles. Pour un prédicteur de niveau 2, les degrés de liberté sont basés sur le nombre de prédicteurs de niveau 2 et le nombre de groupes. [4] la régression hiérarchique, d`autre part, traite de la façon dont les variables prédictitrices (indépendantes) sont sélectionnées et saisies dans le modèle. Plus précisément, la régression hiérarchique fait référence au processus d`ajout ou de suppression de variables prédictitrices du modèle de régression par étapes. Par exemple, disons que vous vouliez prédire le rendement collégial (votre variable dépendante) basé sur l`amp du secondaire (votre variable indépendante) tout en contrôlant les facteurs démographiques (c.-à-d., covariables). Pour votre analyse, vous souhaiterez peut-être entrer les facteurs démographiques dans le modèle dans la première étape, puis entrez GPA secondaire dans le modèle dans la deuxième étape.
Cela vous permettrait de voir la puissance prédictive que l`amp de l`école secondaire ajoute à votre modèle au-dessus et au-delà des facteurs démographiques. La régression hiérarchique inclut également la régression avant, arrière et par étapes, dans laquelle les prédicteurs sont automatiquement ajoutés ou supprimés du modèle de régression en fonction d`algorithmes statistiques. Ces formes de régression hiérarchique sont utiles si vous avez un très grand nombre de variables prédictives potentielles et que vous souhaitez déterminer (statistiquement) quelles variables ont la puissance la plus prédictive. Ce message n`est pas au sujet de modélisation linéaire hiérarchique (HLM; modélisation multiniveau). La régression hiérarchique consiste à comparer les modèles de régression imbriqués. Afin d`effectuer une analyse de modèle à plusieurs niveaux, on commencerait par des coefficients fixes (pentes et intercepts). Un aspect serait autorisé à varier à la fois (c`est-à-dire, serait changé), et comparé avec le modèle précédent afin d`évaluer la meilleure forme de modèle. [1] il y a trois questions différentes qu`un chercheur demanderait dans l`évaluation d`un modèle.