معلومة

متى يتم استخدام تقنيات الانحدار القياسي مقابل الوسيط في النهج الأكثر شحًا؟

متى يتم استخدام تقنيات الانحدار القياسي مقابل الوسيط في النهج الأكثر شحًا؟


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

أعرف كيفية إجراء عمليات الانحدار المتعددة (SMR و HMR و MMR) في SPSS ولكني ما زلت غامضًا بعض الشيء عندما يكون من المناسب استخدام كل منها لتحقيق أفضل النتائج وأكثرها شحًا. (SPSS هو البرنامج الرياضي ، SMR هو الانحدار المتعدد القياسي ، HMR هو الانحدار المتعدد الهرمي ، و MMR يتم الإشراف عليه الانحدار المتعدد ، SMR و SPSS موضحة بشكل أكبر في هذا الفيديو ، الانحدار الهرمي المتعدد في هذا الفيديو ، والانحدار المتعدد المعتدل في هذه المدونة بريد).

على سبيل المثال في حالة أريد أن أرى فيها تأثير القلق الاجتماعي وروح الدعابة على الرضا عن الحياة ، أفترض أن القلق الاجتماعي وروح الدعابة سيرتبطان بشكل فردي بالرضا عن الحياة.

عند التحكم في العمر والجنس والقلق ، سيكون لدى المشاركين الذين يتمتعون بروح الدعابة مستوى أعلى من الرضا عن الحياة.

أيضًا ، عند استبعاد متغيرات العمر والجنس ، أتوقع أن الارتباط السلبي بين القلق والرضا عن الحياة سيكون أقوى بالنسبة لأولئك الذين يعانون من انخفاض معدلات حس الدعابة.

أشعر أنه بالنسبة لمعظم هذه الأسئلة ، يمكن العثور على الإجابات باستخدام SMR ، والسؤال الأخير ، باستخدام MMR ، ولكن هل هناك طريقة أبسط وأكثر بخلًا للقيام بذلك؟ هل يمكنني جمع البيانات للأسئلة القليلة الأولى من تحليل MMR ، على سبيل المثال؟


انت تكتب:

عند التحكم في العمر والجنس والقلق ، سيكون لدى المشاركين الذين يتمتعون بروح الدعابة مستوى أعلى من الرضا عن الحياة.

هذا هو الانحدار القياسي. المتنبئات التي هي متغيرات تحكم هي نفسها مثل أي متنبئات أخرى ، فقط أن إدراجها في النموذج موجود في الغالب لتسهيل التفسير المرغوب للتنبؤ البؤري.

أيضًا ، عند استبعاد متغيرات العمر والجنس ، أتوقع ذلك سيكون الارتباط السلبي بين القلق والرضا عن الحياة أقوى بالنسبة لأولئك الذين يعانون من انخفاض معدلات حس الدعابة.

لقد وصفت هنا فرضية الاعتدال. على سبيل المثال ، في مصطلحات الانحدار ، يمكنك التعبير عنها على النحو التالي:

lifesat ~ القلق * النكتة

ومع ذلك ، من الناحية الفنية ، لم تحدد القلق أو الرضا عن الحياة حالة معينة كمتغير للنتيجة. ما إذا كنت "تستبعد العمر والجنس" لا علاقة له بحالة الفرضية كفرضية اعتدال.

أنت تسأل على وجه التحديد:

أشعر أنه بالنسبة لمعظم هذه الأسئلة ، يمكن العثور على الإجابات باستخدام SMR ، والسؤال الأخير ، باستخدام MMR ، ولكن هل هناك طريقة أبسط وأكثر بخلًا للقيام بذلك؟ هل يمكنني جمع البيانات للأسئلة القليلة الأولى من تحليل MMR ، على سبيل المثال؟

لا تخف من تشغيل العديد من نماذج الانحدار. في النهاية ، يعد انحدار الوسيط مجرد نموذج بمصطلح تفاعل. تؤدي إضافة المتنبئين عمومًا إلى تغيير معاملات الانحدار للمتنبئين الآخرين (قد يكون الاستثناء للمتغيرات المتعامدة ، كما هو الحال في التجارب).


المصطلح الإحصائي المربك # 4: الانحدار الهرمي مقابل النموذج الهرمي

هذا واحد بسيط نسبيا. أسماء متشابهة جدًا لمفهومين مختلفين تمامًا.

النماذج الهرمية (المعروف أيضًا باسم النماذج الخطية الهرمية أو HLM) هي نوع من نماذج الانحدار الخطي التي تقع فيها الملاحظات في مستويات هرمية أو متداخلة تمامًا.

النماذج الهرمية هي نوع من النماذج متعددة المستويات.

إذن ما هو هيكل البيانات الهرمي الذي يتطلب نموذجًا هرميًا؟

المثال الكلاسيكي هو بيانات من أطفال متداخلين داخل المدارس. يمكن أن يكون المتغير التابع شيئًا مثل درجات الرياضيات ، والمتنبئون مجموعة كاملة من الأشياء التي يتم قياسها حول الطفل والمدرسة.

يمكن أن تكون المتنبئات على مستوى الطفل أشياء مثل المعدل التراكمي والصف والجنس. يمكن أن تكون المتنبئات على مستوى المدرسة أشياء مثل: إجمالي التسجيل ، الخاص مقابل العام ، يعني SES.

نظرًا لأنه يتم قياس العديد من الأطفال من نفس المدرسة ، فإن قياساتهم ليست مستقلة. النمذجة الهرمية تأخذ ذلك في الاعتبار.

الانحدار الهرمي هي تقنية لبناء النموذج في أي نموذج انحدار. إنها ممارسة بناء نماذج الانحدار الخطي المتتالية ، كل منها يضيف المزيد من المتنبئين.

على سبيل المثال ، من الممارسات الشائعة البدء بإضافة متغيرات التحكم الديموغرافي فقط إلى النموذج. في النموذج التالي ، يمكنك إضافة متنبئات ذات أهمية ، لمعرفة ما إذا كانوا يتوقعون DV فوق تأثير عناصر التحكم وما يتجاوزها.

أنت & # 8217 تقوم بالفعل ببناء نماذج منفصلة ولكنها ذات صلة في كل خطوة. لكن SPSS لها وظيفة جيدة حيث ستقارن النماذج ، وتختبر بالفعل ما إذا كانت النماذج المتعاقبة تتناسب بشكل أفضل من النماذج السابقة.

لذا فإن الانحدار الهرمي هو في الحقيقة سلسلة من نماذج انحدار OLS القديمة العادية & # 8211 لا شيء خيالي ، حقًا.


الاعتدال في البحث الإداري: ماذا ولماذا ومتى وكيف

تعتمد العديد من النظريات في الإدارة وعلم النفس والتخصصات الأخرى على متغيرات معتدلة: تلك التي تؤثر على قوة أو طبيعة العلاقة بين متغيرين آخرين. على الرغم من الطبيعة شبه المنتشرة لمثل هذه التأثيرات ، فإن طرق اختبارها وتفسيرها ليست دائمًا مفهومة جيدًا. يقدم هذا المقال مفهوم الاعتدال ويصف كيف يتم اختبار تأثيرات الوسيط وتفسيرها لسلسلة من أنواع النماذج ، بدءًا من التفاعلات المباشرة ثنائية الاتجاه مع النتائج العادية ، والانتقال إلى التفاعلات ثلاثية الاتجاهات والمنحنية ، ثم إلى النماذج التي لا تحتوي على النتائج الطبيعية بما في ذلك الانحدار اللوجستي الثنائي وانحدار بواسون. على وجه الخصوص ، تم وصف طرق تفسير هذه الأنواع الأخيرة من النماذج والتحقق منها ، مثل تحليل المنحدر البسيط واختبارات فرق الميل. ثم يقدم إجابات على اثني عشر سؤالًا متكررًا حول اختبار تأثيرات الوسيط وتفسيرها.

هذه معاينة لمحتوى الاشتراك ، والوصول عبر مؤسستك.


افتراضات الانحدار الخطي المتعدد

الانحدار الخطي المتعدد يضع التحليل عدة افتراضات رئيسية:

يجب أن يكون هناك ملف علاقة خطية بين متغير النتيجة والمتغيرات المستقلة. يمكن أن توضح المخططات المبعثرة ما إذا كانت هناك علاقة خطية أم منحنية.

الوضع الطبيعي متعدد المتغيرات& # 8211 يفترض الانحدار المتعدد أن القيم المتبقية يتم توزيعها بشكل طبيعي.

لا علاقة خطية متعددة- يفترض الانحدار المتعدد أن المتغيرات المستقلة لا ترتبط ارتباطًا وثيقًا ببعضها البعض. يتم اختبار هذا الافتراض باستخدام قيم عامل التضخم التباين (VIF).

احصل على الموافقة على أطروحتك
نحن نعمل مع طلاب الدراسات العليا كل يوم ونعرف ما يلزم للحصول على الموافقة على أبحاثك.

  • ملاحظات لجنة العنوان
  • خارطة الطريق للإنجاز
  • افهم احتياجاتك وإطارك الزمني

اللواط& # 8211 ينص هذا الافتراض على أن تباين شروط الخطأ متشابه عبر قيم المتغيرات المستقلة. يمكن أن يوضح مخطط القيم المتبقية المعيارية مقابل القيم المتوقعة ما إذا كانت النقاط موزعة بالتساوي عبر جميع قيم المتغيرات المستقلة.

يتطلب الانحدار الخطي المتعدد متغيرين مستقلين على الأقل ، يمكن أن يكونا اسميًا أو ترتيبيًا أو متغيرات على مستوى الفاصل / النسبة. القاعدة الأساسية لحجم العينة هي أن تحليل الانحدار يتطلب 20 حالة على الأقل لكل متغير مستقل في التحليل. تعرف على المزيد حول حجم العينة هنا.

افتراضات الانحدار الخطي المتعددة

أولاً ، يتطلب الانحدار الخطي المتعدد أن تكون العلاقة بين المتغيرات المستقلة والتابعة خطية. يمكن اختبار الافتراض الخطي بشكل أفضل باستخدام مخططات التشتت. المثالان التاليان يصوران علاقة منحنية (يسار) وعلاقة خطية (يمين).

ثانيًا ، يتطلب تحليل الانحدار الخطي المتعدد توزيع الأخطاء بين القيم المرصودة والمتوقعة (أي بقايا الانحدار) بشكل طبيعي. يمكن التحقق من هذا الافتراض من خلال النظر في الرسم البياني أو Q-Q-Plot. يمكن أيضًا التحقق من الحالة الطبيعية باستخدام اختبار الملاءمة (على سبيل المثال ، اختبار Kolmogorov-Smirnov) ، على الرغم من ضرورة إجراء هذا الاختبار على البقايا نفسها.

ثالثًا ، يفترض الانحدار الخطي المتعدد عدم وجود علاقة خطية متعددة في البيانات. تحدث العلاقة الخطية المتعددة عندما تكون المتغيرات المستقلة شديدة الارتباط ببعضها البعض.

يمكن التحقق من العلاقة الخطية المتعددة بطرق متعددة:

1) مصفوفة الارتباط - عند حساب مصفوفة ارتباطات بيرسون ثنائية المتغير بين جميع المتغيرات المستقلة ، يجب أن يكون حجم معاملات الارتباط أقل من 80.

2) عامل تضخم التباين (VIF) - تشير VIFs للانحدار الخطي إلى درجة زيادة الفروق في تقديرات الانحدار بسبب تعدد الخطوط. تشير قيم VIF الأعلى من 10 إلى أن العلاقة الخطية المتعددة تمثل مشكلة.

إذا تم العثور على علاقة خطية متعددة في البيانات ، فإن أحد الحلول الممكنة هو توسيط البيانات. لتوسيط البيانات ، اطرح متوسط ​​الدرجة من كل ملاحظة لكل متغير مستقل. ومع ذلك ، فإن أبسط حل هو تحديد المتغيرات التي تسبب مشكلات متعددة الخطية (أي من خلال الارتباطات أو قيم VIF) وإزالة تلك المتغيرات من الانحدار.

الافتراض الأخير للانحدار الخطي المتعدد هو المثلية الجنسية. يعد مخطط التشتت للقيم المتبقية مقابل القيم المتوقعة طريقة جيدة للتحقق من التشابه الجنسي. يجب ألا يكون هناك نمط واضح في التوزيع إذا كان هناك نمط مخروطي الشكل (كما هو موضح أدناه) ، والبيانات غير متجانسة.

إذا كانت البيانات غير متجانسة ، فقد يؤدي تحويل البيانات غير الخطي أو إضافة مصطلح تربيعي إلى حل المشكلة.

يسمح لك Intellectus بإجراء وتفسير تحليلك في دقائق. يتم تحميل الافتراضات مسبقًا ويتضمن التفسير السردي لنتائجك جداول وأرقام APA. انقر فوق الارتباط أدناه لإنشاء حساب مجاني ، وابدأ في تحليل بياناتك الآن!

يمكن أن تساعدك الحلول الإحصائية في التحليل الكمي الخاص بك من خلال مساعدتك في تطوير منهجيتك وفصول النتائج. تشمل الخدمات التي نقدمها ما يلي:

قم بتحرير أسئلة البحث الخاصة بك والفرضيات الباطلة / البديلة

اكتب خطة تحليل البيانات الخاصة بك ، وحدد إحصائيات محددة لمعالجة أسئلة البحث ، وافتراضات الإحصائيات ، وتبرير سبب كونها الإحصائيات المناسبة توفر المراجع

قم بتبرير حجم العينة / تحليل الطاقة ، وقدم المراجع

اشرح خطة تحليل البيانات الخاصة بك حتى تشعر بالراحة والثقة

ساعتان من الدعم الإضافي مع الإحصائي الخاص بك

قسم النتائج الكمية (الإحصاء الوصفي ، التحليلات ثنائية المتغيرات ومتعددة المتغيرات ، نمذجة المعادلات الهيكلية ، تحليل المسار ، HLM ، تحليل الكتلة)

إجراء الإحصاء الوصفي (أي ، المتوسط ​​، الانحراف المعياري ، التكرار والنسبة المئوية ، حسب الاقتضاء)

قم بإجراء التحليلات لفحص كل سؤال من أسئلة البحث الخاصة بك

توفير جداول وأشكال الطبعة السادسة من APA

اشرح نتائج الفصل 4

دعم مستمر لإحصائيات فصل النتائج بالكامل

يرجى الاتصال على 727-442-4290 لطلب عرض أسعار بناءً على تفاصيل البحث الخاص بك ، أو الجدول الزمني باستخدام التقويم الموجود في هذه الصفحة ، أو البريد الإلكتروني [البريد الإلكتروني & # 160 محمي]


الملخص

استخدمنا نهجًا جديدًا لتحليل الانحدار التلوي لفحص فعالية التدريب على المهارات النفسية والتدخلات السلوكية في الرياضة التي تم تقييمها باستخدام التصاميم التجريبية أحادية الحالة (SCEDs). حققت مائة وواحد وعشرون بحثًا معايير التضمين المطبقة على ثماني عمليات بحث في قاعدة البيانات ومجلات رئيسية في علم النفس الرياضي. أبلغت 71 دراسة عن تفاصيل كافية لحساب أحجام التأثير لتأثيرات تدريب المهارات النفسية على المتغيرات النفسية والسلوكية والأداء. اقترح حجم التأثير المتوسط ​​غير المشروط للنماذج الموزونة (= 2.40) وغير الموزونة (= 2.83) تحسينات كبيرة في النتائج النفسية والسلوكية والأداء المرتبطة بتنفيذ التدريب على المهارات النفسية المعرفية السلوكية والتدخلات السلوكية باستخدام SCED. ومع ذلك ، كشف تحليل الانحدار التلوي عن تغايرات مهمة ومصادر تحيز ضمن هذه الأدبيات. أولاً ، أبلغت الدراسات التي تستخدم نهجًا جماعيًا عن أحجام تأثير أقل مقارنة بالدراسات التي تستخدم مناهج الحالة الفردية. ثانيًا ، كشفت دراسات الحالة الفردية ، (أكثر من 90 في المائة من أحجام التأثير) ، عن أحجام تأثير متحيزة تصاعديًا ناشئة عن: (1) تحيز النشر الإيجابي مثل أن الدراسات التي تستخدم أعدادًا أقل من الملاحظات الأساسية أبلغت عن تأثيرات أكبر ، في حين أن الدراسات التي تستخدم أعدادًا أكبر من الملاحظات الأساسية أبلغت عن تأثيرات أصغر - لكنها لا تزال جوهرية - (2) عدم اعتماد تصميم أساسي متعدد و (3) عدم إنشاء موثوقية إجرائية. نوصي بأن الباحثين المستقبليين الذين يستخدمون SCED يجب أن يأخذوا في الاعتبار هذه القضايا المنهجية.


مقدمة

تشير الوساطة إلى علاقات التغاير بين ثلاثة متغيرات: متغير مستقل (1) ومتغير وسيط مفترض (2) ومتغير تابع (3). يفحص تحليل الوساطة ما إذا كان المتغير الوسيط يمثل قدرًا كبيرًا من التباين المشترك بين المتغير المستقل والمتغير التابع - يتغير الوسيط فيما يتعلق بالمتغير المستقل ، بدوره ، الذي يؤثر على المتغير التابع [1] ، [2]. من ناحية أخرى ، يشير الاعتدال إلى فحص التفاعل الإحصائي بين المتغيرات المستقلة في التنبؤ بمتغير تابع [1] ، [3]. على عكس الوسيط ، ليس من المتوقع أن يكون الوسيط مرتبطًا بكل من المتغير المستقل والمتغير التابع - يوصي بارون وكيني [1] في الواقع أنه من الأفضل إذا كان الوسيط غير مرتبط بالمتغير المستقل وإذا كان الوسيط مستقر نسبيًا ، مثل المتغير الديموغرافي (على سبيل المثال ، الجنس ، والوضع الاجتماعي والاقتصادي) أو سمة شخصية (على سبيل المثال ، العاطفة).

على الرغم من أن كلا النوعين من التحليل يؤديان إلى استنتاجات مختلفة [3] وأن التمييز بين الإجراءات الإحصائية هو جزء من الأدبيات الحالية [2] ، فلا يزال هناك ارتباك حول استخدام تحليلات الاعتدال والوساطة باستخدام البيانات المتعلقة بالتنبؤ بالاكتئاب. هناك ، على سبيل المثال ، تناقضات بين الدراسات التي تبحث في التأثيرات الوسيطة والمعتدلة للقلق والتوتر واحترام الذات والتأثير على الاكتئاب. يُقترح الاكتئاب والقلق والتوتر للتأثير على العلاقات والأنشطة الاجتماعية للأفراد ، وعملهم ، ودراساتهم ، فضلاً عن التنازل عن استراتيجيات صنع القرار والتأقلم [4] ، [5] ، [6]. قد يساهم التعامل الناجح مع القلق والاكتئاب والمواقف المجهدة في رفع مستويات احترام الذات والثقة بالنفس ، بالإضافة إلى زيادة الرفاهية والصحة النفسية والجسدية [6]. وبالتالي ، من المهم فصل كيفية ارتباط هذه المتغيرات ببعضها البعض. ومع ذلك ، بينما يقوم بعض الباحثين بإجراء تحليل الوساطة مع بعض المتغيرات المذكورة هنا ، يقوم باحثون آخرون بإجراء تحليل معتدل باستخدام نفس المتغيرات. نادرًا ما يتم إجراء كل من الإشراف والوساطة على نفس مجموعة البيانات. قبل فصل تأثيرات الوساطة والاعتدال على الاكتئاب في الأدبيات الحالية ، نقدم بإيجاز المنهجية الكامنة وراء التحليل الذي تم إجراؤه في هذه الدراسة.

الوساطة والاعتدال

افترض بارون وكيني [1] عدة معايير لتحليل تأثير الوسيط: ارتباط كبير بين المتغير المستقل والمتغير التابع ، يجب أن يرتبط المتغير المستقل بشكل كبير بالوسيط ، ويتنبأ الوسيط بالمتغير التابع حتى عندما يكون المتغير المستقل يتم التحكم فيه ، ويجب إزالة الارتباط بين المتغير المستقل والمتغير التابع أو تقليله عندما يتم التحكم في الوسيط. يتم بعد ذلك اختبار جميع المعايير باستخدام اختبار سوبل الذي يوضح ما إذا كانت التأثيرات غير المباشرة مهمة أم لا [1] ، [7]. يحدث تأثير الوسيط الكامل عندما يتم التخلص من الارتباط بين المتغير المستقل والمتغير التابع عندما يتم التحكم في الوسيط لـ [8]. يمكن لتحليلات الوساطة ، على سبيل المثال ، أن تساعد الباحثين على تجاوز الإجابة عما إذا كانت المستويات العالية من التوتر تؤدي إلى مستويات عالية من الاكتئاب. مع تحليل الوساطة قد يجيب الباحثون بدلاً من ذلك كيف الإجهاد مرتبط بالاكتئاب.

على عكس الوساطة ، يبحث الاعتدال في الظروف الفريدة التي يرتبط فيها متغيرين [3]. المتغير الثالث هنا ، الوسيط ، ليس متغيرًا وسيطًا في التسلسل السببي من المتغير المستقل إلى المتغير التابع. لتحليل تأثيرات الاعتدال ، يجب أن تكون العلاقة بين المتغير المستقل والمتغير التابع مختلفة على مستويات مختلفة من الوسيط [3]. يتم تضمين الوسطاء في التحليل الإحصائي كمصطلح تفاعل [1]. عند تحليل تأثيرات الاعتدال ، يجب أن تتمركز المتغيرات أولاً (أي حساب يقصد لتصبح 0 والانحراف المعياري ليصبح 1) لتجنب مشاكل العلاقة الخطية المتعددة [8]. يمكن حساب تأثيرات الاعتدال باستخدام العديد من الانحدارات الخطية الهرمية حيث يتم عرض التأثيرات الرئيسية في الخطوة الأولى والتفاعلات في الخطوة الثانية [1]. تحليل الاعتدال ، على سبيل المثال ، يساعد الباحثين على الإجابة متي أو تحت أي شروط الإجهاد مرتبط بالاكتئاب.

الوساطة والاعتدال آثارا على الاكتئاب

تشير نماذج الضعف المعرفي إلى أن المخطط الذاتي غير التكيفي الذي يعكس العجز وانخفاض تقدير الذات يفسر تطور الاكتئاب والحفاظ عليه (للمراجعة ، انظر [9]). يتم تنشيط عوامل الضعف الإدراكي هذه عن طريق أحداث الحياة السلبية أو المزاج السلبي [10] ويقترح أن تتفاعل مع الضغوطات البيئية لزيادة خطر الإصابة بالاكتئاب والاضطرابات العاطفية الأخرى [11] ، [10]. في هذا الخط من التفكير ، يمكن أن تسبب تجربة التوتر وتدني احترام الذات والمشاعر السلبية الاكتئاب ، ولكن يمكن استخدامها أيضًا للتفسير. كيف (أي الوساطة) و تحت أي شروط (أي الاعتدال) متغيرات محددة تؤثر على الاكتئاب.

باستخدام التحليلات الوسيطة للتحقيق في كيفية تقليل تدخلات العلاج المعرفي للاكتئاب ، أظهر الباحثون أن التدخل قلل من القلق ، والذي كان بدوره مسؤولًا عن 91٪ من انخفاض الاكتئاب [12]. في نفس الدراسة ، كان انخفاض الاكتئاب ، من خلال التدخل ، مسؤولاً فقط عن 6٪ من انخفاض القلق. وبالتالي ، يبدو أن القلق يؤثر على الاكتئاب أكثر من الاكتئاب الذي يؤثر على القلق ، وإلى جانب التوتر ، يعد سببًا ووسيطًا قويًا يؤثر على الاكتئاب (انظر أيضًا [13]). في الواقع ، هناك علاقات إيجابية بين الاكتئاب والقلق والتوتر في مختلف الثقافات [14]. علاوة على ذلك ، بينما تُظهر بعض الدراسات أن الإجهاد (المتغير المستقل) يزيد من القلق (الوسيط) ، والذي بدوره يزيد الاكتئاب (المتغير التابع) [14] ، تظهر دراسات أخرى أن الإجهاد (الوسيط) يتفاعل مع المخطط الذاتي غير المتكيف (المتغير التابع) زيادة الاكتئاب (متغير مستقل) [15] ، [16].

الدراسة الحالية

من أجل توضيح كيف يمكن استخدام الوساطة والاعتدال لمعالجة أسئلة بحثية مختلفة ، نركز أولاً اهتمامنا على القلق والتوتر كوسيطين لمتغيرات مختلفة ثبت في وقت سابق أنها مرتبطة بالاكتئاب. ثانيًا ، نستخدم جميع المتغيرات للعثور على أي من هذه المتغيرات يخفف التأثيرات على الاكتئاب.

الأهداف المحددة للدراسة الحالية هي:

  1. للتحقق مما إذا كان القلق هو الوسيط في تأثير التوتر واحترام الذات والتأثير على الاكتئاب.
  2. لمعرفة ما إذا كان التوتر هو الوسيط في آثار القلق واحترام الذات والتأثير على الاكتئاب.
  3. لفحص تأثيرات الاعتدال بين القلق والتوتر واحترام الذات والتأثير على الاكتئاب.

مقدمة في تحليل الوساطة

لنفترض أن الدراسات السابقة قد اقترحت أن الدرجات العليا تتنبأ بسعادة أعلى: X (الدرجات) ← Y (السعادة). (تم إنشاء مثال البحث هذا لأغراض التوضيح. يُرجى عدم اعتباره بيانًا علميًا.)

أعتقد ، مع ذلك ، أن الدرجات ليست السبب الحقيقي لزيادة السعادة. أفترض أن الدرجات الجيدة تعزز احترام الذات ومن ثم يعزز تقدير الذات المرتفع سعادة الفرد: X (الدرجات) → M (تقدير الذات) → Y (السعادة).

هذه حالة نموذجية لتحليل الوساطة. تقدير الذات هو وسيط يشرح الآلية الكامنة وراء العلاقة بين الدرجات (IV) والسعادة (DV).

كيف تحلل تأثيرات الوساطة؟

قبل أن نبدأ ، يرجى أن تضع في اعتبارك أنه ، مثل أي تحليل انحدار آخر ، فإن تحليل الوساطة لا يعني وجود علاقات سببية ما لم يكن مبنيًا على تصميم تجريبي.

لتحليل الوساطة:
1. اتبع خطوات بارون وأمب كيني
2. استخدم إما اختبار Sobel أو bootstrapping لاختبار الأهمية.

يوضح ما يلي الخطوات الأساسية لتحليل الوساطة التي اقترحها Baron & amp Kenny (1986). يتكون تحليل الوساطة من ثلاث مجموعات من الانحدار: X → Y و X → M و X + M → Y. سيعرض هذا المنشور أمثلة باستخدام R ، ولكن يمكنك استخدام أي برنامج إحصائي. إنها مجرد ثلاثة تحليلات للانحدار!

هل (b_ <1> ) مهم؟ نريد أن يؤثر X على Y. إذا لم تكن هناك علاقة بين X و Y ، فلا يوجد شيء للتوسط.

على الرغم من أن هذا هو ما اقترحه بارون وكيني في الأصل ، إلا أن هذه الخطوة مثيرة للجدل. حتى إذا لم نجد ارتباطًا كبيرًا بين X و Y ، يمكننا المضي قدمًا إلى الخطوة التالية إذا كانت لدينا خلفية نظرية جيدة حول علاقتهما. انظر Shrout & amp Bolger (2002) للحصول على التفاصيل.

هل (b_ <2> ) مهم؟ نريد أن يؤثر X على M. إذا لم يكن هناك علاقة بين X و M ، فإن M هو مجرد متغير ثالث قد يرتبط أو لا يكون مرتبطًا بـ Y. يكون التوسط منطقيًا فقط إذا كان X يؤثر على M.

هل (b_ <4> ) غير مهم أم أصغر من ذي قبل؟ نريد أن يؤثر M على Y ، لكن لن يؤثر X على Y (أو يظل X يؤثر على Y ولكن بحجم أصغر). في حالة وجود تأثير وساطة ، سيختفي تأثير X على Y (أو على الأقل يضعف) عندما يتم تضمين M في الانحدار. يمر تأثير X على Y عبر M.

إذا اختفى تأثير X على Y تمامًا ، فإن M يتوسط تمامًا بين X و Y (وساطة كاملة). إذا كان تأثير X على Y لا يزال موجودًا ، ولكن بحجم أصغر ، فإن M يتوسط جزئيًا بين X و Y (وساطة جزئية). يوضح المثال وساطة كاملة ، ومع ذلك نادرًا ما تحدث وساطة كاملة في الممارسة العملية.

بمجرد العثور على هذه العلاقات ، نريد معرفة ما إذا كان تأثير الوساطة ذا دلالة إحصائية (يختلف عن الصفر أم لا). للقيام بذلك ، هناك طريقتان رئيسيتان: اختبار Sobel (Sobel ، 1982) و bootstrapping (Preacher & amp Hayes ، 2004). في R ، يمكنك استخدام sobel () في الحزمة "متعددة المستويات" لاختبار Sobel والتوسط () في حزمة "التوسط" للتمهيد. نظرًا لأن bootstrapping موصى به بشدة في السنوات الأخيرة (على الرغم من استخدام اختبار Sobel على نطاق واسع من قبل) ، فسوف أعرض طريقة bootstrapping فقط في هذا المثال.

الوسيط () يأخذ كائنين نموذجيين كمدخلات (X → M و X + M → Y) ونحتاج إلى تحديد أي متغير هو IV (علاج) وسيط (وسيط). بالنسبة إلى bootstrapping ، اضبط boot = TRUE و sims على 500 على الأقل. بعد تشغيله ، ابحث عن ACME (متوسط ​​تأثيرات الوساطة السببية) في النتائج ومعرفة ما إذا كان مختلفًا عن الصفر. للحصول على تفاصيل حول الوسيط () ، يرجى الرجوع إلى Tingley و Yamamoto و Hirose و Keele و amp Imai (2014).

لاحظ أن إجمالي التأثير في الملخص (0.3961) هو (b_ <1> ) في الخطوة الأولى: التأثير الكلي لـ X على Y (بدون M). التأثير المباشر (ADE ، 0.0396) هو (b_ <4> ) في الخطوة الثالثة: تأثير مباشر لـ X على Y بعد مراعاة تأثير الوساطة (غير المباشر) لـ M. أخيرًا ، تأثير الوساطة (ACME) هو التأثير الكلي مطروحًا منه التأثير المباشر ( (b_ <1> & # 8211 b_ <4> ) ، أو 0.3961 - 0.0396 = 0.3565) ، وهو ما يساوي منتج معامل X في الخطوة الثانية ومعامل من M في الخطوة الأخيرة ( (b_ <2> times b_ <3> ) ، أو 0.56102 * 0.6355 = 0.3565). الهدف من تحليل التوسط هو الحصول على هذا التأثير غير المباشر ومعرفة ما إذا كان مهمًا من الناحية الإحصائية.

بالمناسبة ، لا يتعين علينا اتباع جميع الخطوات الثلاث كما اقترح بارون وكيني. يمكننا ببساطة إجراء عمليتي انحدار (X → M و X + M → Y) واختبار أهميتها باستخدام النموذجين. ومع ذلك ، فإن الخطوات المقترحة تساعدك على فهم كيفية عملها!

لا يقتصر تحليل الوساطة على الانحدار الخطي ، يمكننا استخدام الانحدار اللوجستي أو الانحدار متعدد الحدود والمزيد. أيضًا ، يمكننا إضافة المزيد من المتغيرات والعلاقات ، على سبيل المثال ، الوساطة الخاضعة للإشراف أو الإشراف الوسيط. ومع ذلك ، إذا كان نموذجك شديد التعقيد ولا يمكن التعبير عنه كمجموعة صغيرة من الانحدارات ، فقد ترغب في التفكير في نمذجة المعادلة الهيكلية بدلاً من ذلك.

باختصار ، إليك مخطط انسيابي لتحليل الوساطة!

  • بارون ، آر إم ، وأمبير كيني ، دي إيه (1986). تميز متغير الوسيط والوسيط في البحث النفسي الاجتماعي: الاعتبارات المفاهيمية والاستراتيجية والإحصائية. مجلة الشخصية وعلم النفس الاجتماعي ، 5 ، 1173-1182.
  • شروت ، بي إي ، وأمبير بولجر ، إن. (2002). الوساطة في الدراسات التجريبية وغير التجريبية: إجراءات وتوصيات جديدة. الطرق النفسية ، 7 ، 422-445.
  • تينجلي ، د. ، ياماموتو ، ت. ، هيروس ، ك. ، كيلي ، إل. ، & أمبير إيماي ، ك. (2014). الوساطة: حزمة R لتحليل الوساطة السببية.

للأسئلة أو التوضيحات المتعلقة بهذه المقالة ، اتصل بمكتبة UVA StatLab: [email protected]

عرض المجموعة الكاملة من مقالات مكتبة UVA StatLab.


بوما كيم
معاون استشارات إحصائية
مكتبة جامعة فيرجينيا
18 أبريل 2016 (تم النشر)
12 يوليو 2016 (تصحيح الأخطاء المطبعية في المخطط الانسيابي)


ما هي النماذج متعددة المستويات ولماذا يجب علي استخدامها؟

العديد من أنواع البيانات ، بما في ذلك بيانات الرصد التي تم جمعها في العلوم البشرية والبيولوجية ، لها هيكل هرمي أو متجمع. على سبيل المثال ، يميل الأطفال الذين لديهم نفس الوالدين إلى أن يكونوا أكثر تشابهًا في خصائصهم الجسدية والعقلية من الأفراد الذين يتم اختيارهم عشوائيًا من السكان عمومًا. قد يتم تداخل الأفراد بشكل أكبر داخل مناطق جغرافية أو مؤسسات مثل المدارس أو أرباب العمل. تنشأ أيضًا هياكل البيانات متعددة المستويات في الدراسات الطولية حيث ترتبط استجابات الفرد و rsquos بمرور الوقت ببعضها البعض.

تتعرف النماذج متعددة المستويات على وجود مثل هذه التسلسلات الهرمية للبيانات من خلال السماح بالمكونات المتبقية في كل مستوى في التسلسل الهرمي. على سبيل المثال ، قد يشتمل نموذج من مستويين يسمح بتجميع نتائج الأطفال داخل المدارس على المخلفات على مستوى الطفل والمدرسة. وبالتالي يتم تقسيم التباين المتبقي إلى مكون بين المدرسة (التباين في المخلفات على مستوى المدرسة) ومكون داخل المدرسة (التباين في المخلفات على مستوى الطفل). تمثل مخلفات المدرسة ، التي يطلق عليها غالبًا & lsquoschool effects & rsquo ، خصائص مدرسية غير ملحوظة تؤثر على نتائج الأطفال. هذه المتغيرات غير الملحوظة هي التي تؤدي إلى الارتباط بين النتائج للأطفال من نفس المدرسة.

يمكن أيضًا تركيب النماذج متعددة المستويات في الهياكل غير الهرمية. على سبيل المثال ، قد يتم دمج الأطفال ضمن تصنيف شامل لأحياء الإقامة والمدارس.


استخدام تحليل الانحدار في الأعمال

يمكن أن يكون تحليل الانحدار مفيدًا جدًا للأعمال التجارية وقد ناقشنا أدناه بعض الاستخدامات الرئيسية.

التحليلات التنبؤية

يساعد في تحديد المخاطر والفرص المستقبلية. إنه التطبيق الأكثر استخدامًا لتحليل الانحدار في الأعمال.

يزيد الكفائة

يمكن أن يساعدك الانحدار على تحسين عملية الأعمال. لأنه من خلال هذا يمكنك إنشاء قرارات تعتمد على البيانات والتي تقضي على التخمين وسياسة الشركة والفرضية من عملية صنع القرار.

قرارات الدعم

في الوقت الحاضر ، تزخر الشركات ببيانات التمويل والشراء والبيانات الأخرى المتعلقة بالشركة. لذلك ، من الصعب جدًا الحصول على بعض المعلومات المفيدة منه. ولكن بمساعدة تحليل الانحدار ، يمكنك الحصول على المعلومات القابلة للتنفيذ من البيانات الأولية الضخمة.


الانحدار الخطي الهرمي

يعد الانحدار الهرمي طريقة لإظهار ما إذا كانت المتغيرات التي تهمك تفسر قدرًا مهمًا من الناحية الإحصائية من التباين في المتغير التابع (DV) بعد حساب جميع المتغيرات الأخرى. هذا إطار لمقارنة النماذج وليس طريقة إحصائية. في هذا الإطار ، يمكنك إنشاء العديد من نماذج الانحدار عن طريق إضافة متغيرات إلى نموذج سابق في كل خطوة لاحقًا ، تتضمن النماذج دائمًا نماذج أصغر في الخطوات السابقة. في كثير من الحالات ، ينصب اهتمامنا على تحديد ما إذا كانت المتغيرات المضافة حديثًا تُظهر تحسنًا كبيرًا في (R ^ 2 ) (نسبة التباين الموضح في DV بواسطة النموذج).

لنفترض أننا مهتمون بعلاقات التفاعل الاجتماعي والسعادة. في هذا الخط من البحث ، كان عدد الأصدقاء مؤشرًا معروفًا بالإضافة إلى الخصائص الديموغرافية. ومع ذلك ، نود التحقق مما إذا كان عدد الحيوانات الأليفة يمكن أن يكون مؤشرًا مهمًا على السعادة.

يتضمن النموذج الأول (النموذج 1) عادةً معلومات ديموغرافية مثل العمر والجنس والعرق والتعليم. في الخطوة التالية (النموذج 2) ، يمكننا إضافة متغيرات مهمة معروفة في هذا الخط من البحث. هنا نكرر البحث السابق في هذا الموضوع. في الخطوة التالية (النموذج 3) ، يمكننا إضافة المتغيرات التي تهمنا.

النموذج 1: السعادة = التقاطع + العمر + الجنس ( (R ^ 2 ) = .029)
النموذج 2: السعادة = اعتراض + العمر + الجنس + عدد الأصدقاء ( (R ^ 2 ) = .131)
النموذج 3: السعادة = اعتراض + العمر + الجنس + # الأصدقاء + عدد الحيوانات الأليفة ( (R ^ 2 ) = .197 ، ( Delta R ^ 2 ) = .066)

اهتمامنا هو ما إذا كان النموذج 3 يشرح DV بشكل أفضل من النموذج 2. إذا كان الفرق بين (R ^ 2 ) بين النموذج 2 و 3 ذو دلالة إحصائية ، فيمكننا القول أن المتغيرات المضافة في النموذج 3 تشرح DV أعلاه وما بعده المتغيرات في النموذج 2. في هذا المثال ، نود معرفة ما إذا كانت الزيادة (R ^ 2 ) .066 (.197 & # 8211 .131 = .066) ذات دلالة إحصائية. إذا كان الأمر كذلك ، فيمكننا القول أن عدد الحيوانات الأليفة يفسر 6٪ إضافية من التباين في السعادة وهو ذو دلالة إحصائية.

هناك العديد من الطرق المختلفة لفحص أسئلة البحث باستخدام الانحدار الهرمي. يمكننا إضافة متغيرات متعددة في كل خطوة. يمكن أن يكون لدينا نموذجان فقط أو أكثر من ثلاثة نماذج اعتمادًا على أسئلة البحث. يمكننا إجراء عمليات الانحدار على عدة DVs مختلفة ومقارنة النتائج لكل DV.

اعتمادًا على البرامج الإحصائية ، يمكننا تشغيل الانحدار الهرمي بنقرة واحدة (SPSS) أو القيام بذلك يدويًا خطوة بخطوة (R). بغض النظر ، من الجيد فهم كيفية عمل ذلك من الناحية المفاهيمية.

  1. بناء نماذج انحدار متسلسلة (متداخلة) عن طريق إضافة متغيرات في كل خطوة.
  2. قم بتشغيل ANOVAs (لحساب (R ^ 2 )) والانحدارات (للحصول على المعاملات).
  3. قارن مجموع المربعات بين النماذج من نتائج ANOVA.
    1. احسب فرقًا في مجموع المربعات ( (SS )) في كل خطوة.
    2. ابحث عن إحصائيات F وقيم p مقابلة للاختلافات (SS ).
    1. (R ^ 2 = frac<>><>>)

    في R ، يمكننا إيجاد مجموع المربعات وإحصائيات F المقابلة وقيم p باستخدام anova (). عندما نستخدم anova () مع نموذج واحد ، فإنه يظهر تحليل التباين لكل متغير. ومع ذلك ، عندما نستخدم anova () مع نماذج متعددة ، فإنه يقوم بإجراء مقارنات نموذجية. في كلتا الحالتين ، لاستخدام anova () ، نحتاج إلى تشغيل الانحدارات الخطية أولاً.

    بعد إجراء عمليات الانحدار (الحصول على كائنات lm) ، يتم تشغيل anova () باستخدام الكائنات lm. عندما نتراجع عن DV على اعتراض بدون تنبؤات (m0 في هذا المثال) ، تظهر نتائج anova () المجموع (SS ).

    المجموع (SS ) هو 240.84. سنستخدم هذه القيمة لحساب (R ^ 2 ) لاحقًا. Next, compare (SS) of the three models that we have built.

    Model 0: (SS_) = 240.84 (no predictors)
    Model 1: (SS_) = 233.97 (after adding age and gender)
    Model 2: (SS_) = 209.27, (SS_) = 24.696, (F)(1,96) = 12.1293, (p) = 0.0007521 (after adding friends)
    Model 3: (SS_) = 193.42, (SS_) = 15.846, (F)(1,95) = 7.7828, (p) = 0.0063739 (after adding pets)

    By adding friends, the model accounts for additional (SS) 24.696 and it was a statistically significant change according to the corresponding F-statistic and p-value. The (R^2) increased by .103 (24.6957 / 240.84 = 0.1025399) in Model 2. By adding pets, the model accounts for additional (SS) 15.846 and it was statistically significant again. The (R^2) increased by .066 (15.8461 / 240.84 = 0.06579513) in Model 3.

    summary() of an lm object shows coefficients of variables:

    Aside from the coefficients of variables, let’s take a look at (R^2)s of Model 1, 2, and 3, which are 0.02855, 0.1311, and 0.1969 respectively. The (R^2) changes computed using anova() results correspond to differences in (R^2)s in lm() results for each model: 0.1311 – 0.02855 = 0.10255 for Model 2 and 0.1969 – 0.1311 = 0.0658 for Model 3 (with rounding errors). Although we can compute (R^2) differences between models using lm() results, lm() results don’t provide corresponding F-statistics and p-values to an increased (R^2). And it’s important to remember that adding variables always increases (R^2), whether or not it actually explains additional variation in the DV. That’s why it’s crucial to perform F-tests and not just rely on the difference in (R^2) between models.

    What to report as the results?

    It is common to report coefficients of all variables in each model and differences in (R^2) between models. In research articles, the results are typically presented in tables as below. Note that the second example (Lankau & Scandura, 2002) had multiple DVs and ran hierarchical regressions for each DV.

    For questions or clarifications regarding this article, contact the UVA Library StatLab: [email protected]rginia.edu

    View the entire collection of UVA Library StatLab articles.


    Bommae Kim
    Statistical Consulting Associate
    University of Virginia Library
    May 20, 2016


    شاهد الفيديو: الاقتصاد القياسي. الدرس الرابع:- طريقة الانحرافات (قد 2022).