Conceptos de regresión lineal que usted necesita saber antes de Modelos de aprendizaje multinivel

Parece muy muchos investigadores están necesitando aprender modelos multinivel y mixtos, y tengo que decir que no es tan fácil en su propia.

Yo también fui a la universidad antes de que se enseñaba en classes- -nos aprendió modelos mixtos como en diseños de parcelas divididas, pero las cosas han avanzado un poco desde entonces. Así que yo también he tenido que aprender de ellos sin el beneficio de una clase, o maestro. Así que me siento su dolor. Pero he luchado a través y aprendido mucho, a pesar de que tenía la ventaja de ver muy, muy muchos ejemplos como los que he trabajado con clientes en los últimos años, y de tener colegas con conocimientos para reflexionar y aprender con. Así que si la lectura Cantante hace sentir estúpido, usted no está solo.

También he tenido la ventaja de tener muy buena formación en el modelo lineal general. Este vino no sólo de numerosas clases en la escuela de posgrado, pero una vez más, de ver tantos ejemplos en consultoría, y tener que explicar muchas veces. (La enseñanza es cuando se aprende mejor).

¿Por qué es esto importante? Debido a que los modelos multinivel son sólo modelos lineales generales con fuentes adicionales de variación. Es mucho más difícil de aprender modelos multinivel si usted todavía no está seguro acerca de algunos de los conceptos de regresión lineal. Usted quiere centrarse en averiguar lo que una pendiente aleatoria significa realmente, no es un predictor centrada.

Así que aquí están 4 conceptos de regresión lineal que realmente, realmente debe tener claro antes de intentar leer el artículo Cantante . No va a hacer que fácil
, pero que hará que sea más fácil
.

1. ¿Qué hace el centrado de las variables. Intercepta son bastante importantes en los modelos multinivel, así centrado se requieren a menudo para hacer intercepta significativa.

2. Trabajar con predictores categóricos y continuos. Usted tendrá que usar la codificación tanto ficticia y efecto en diferentes situaciones. Del mismo modo, usted quiere ser capaz de entender lo que significa que si usted hace una variable continua o categórica. ¿Qué información diferente a la que se obtiene de él y qué significa? Incluso si usted es un usuario regular de ANOVA, puede tener sentido para tratar el tiempo como continuo, no categórica

3.. Interacciones. Sé que usted sabe que usted tiene que salir en términos de orden inferior de cada interacción (¿no?). Asegúrese de que puede interpretar las interacciones, independientemente del número de categórica y las variables continuas que contienen. Y asegúrese de que entiende

4. Términos polinómicas. Pistas de azar pueden ser bastante difícil de entender (y mantener recta desde intercepta aleatorios). Curvatura aleatoria es peor. Conoce tus polinomios.

Y finalmente, a entender cómo encajan juntos. Estos 4 conceptos realmente se reducen a la comprensión de lo que las estimaciones en el modelo significan. Cómo interpretarlos. Y eso va a venir en gran parte de la práctica, haciendo preguntas y volver a aprender los conceptos básicos en el contexto de sus datos

La ventaja es que la comprensión de estos conceptos le tocaría en el aprendizaje de cualquier modelado avanzado -. Modelos no lineales, la regresión logística .., de regresión de Cox, y así sucesivamente Hotel