Regresi berganda dengan variabel independen yang diukur berulang kali?

Desain dan hipotesis : kami mengukur wellbeingpada Waktu-1 dan Waktu-2, kami ingin melihat apakah faktor A(diukur pada Waktu-1 dan seharusnya menjadi faktor yang stabil dari waktu ke waktu) adalah prediktor faktor yang signifikan B(diukur pada Waktu-2) . Kami juga berharap wellbeing, saat ini atau masa lalu, akan berkontribusi B.

Pertanyaan : apakah tepat untuk melakukan regresi berganda dengan wellbeingdiukur pada kedua titik waktu (menggunakan instrumen yang sama) sebagai prediktor simultan? - ada korelasi signifikan di antara para prediktor, tetapi diagnostik multikolinieritas tampak baik-baik saja ... adakah cara yang lebih baik untuk menguji hipotesis yang akan memanfaatkan desain longitudinal dengan baik ?

Terimakasih banyak!

— Sootica
sumber

Saya tidak terbiasa melihat desain yang disebut longitudinal ketika variabel dependen diukur hanya pada satu titik waktu. Saya mungkin akan memperlakukan ini sebagai masalah cross-sectional, tetapi Anda mungkin melihat analisis jalur atau pemodelan persamaan struktural untuk mengambil keuntungan dari apa yang tampaknya menjadi rantai sebab dan akibat potensial.

— rolando2

Terima kasih @ rolando2. Pertanyaan yang ingin kami jawab adalah apakah Amerupakan prediksi B, melebihi dan di atas kontribusi yang wellbeingdiukur pada kedua titik waktu tersebut. Regresi berganda tampaknya dapat menjawabnya, tetapi tidak yakin apakah itu pendekatan terbaik ...

— Sootica

Regresi berganda tidak akan banyak menggunakan aspek longitudinal; itu akan (jika diatur dengan benar) hanya memperlakukan setiap variabel kesejahteraan sebagai kovariat untuk menyesuaikan. Metode lain yang saya sebutkan akan pergi lebih jauh, untuk mengingkari urutan hubungan sebab akibat.

— rolando2

Setelah berkonsultasi dengan banyak orang, berikut adalah beberapa saran yang saya terima yang membantu saya memutuskan pendekatan mana yang harus diambil. Pada akhirnya, kembali ke pertanyaan penelitian dan hipotesis yang dibuat.

Jika kami tertarik pada kontribusi unik Auntuk B, melebihi dan di atas saat ini dan masa lalu wellbeing, kami dapat menjalankan regresi hirarkis. Akan ada banyak varian yang tumpang tindih dijelaskan oleh saat ini dan masa lalu wellbeing, tetapi memasukkan mereka dalam langkah-langkah terpisah dapat membantu kita memahami kontribusi unik dari keduanya B. Dalam kasus kami, kami pertama kali masuk wellbeingpada Waktu-1, diikuti oleh wellbeingpada Waktu-2. Meskipun Time-1 wellbeingmenjelaskan banyak perbedaan B, itu tidak lagi menjadi prediktor yang signifikan ketika kami memasuki Time-2 wellbeing. Ini menunjukkan bahwa saat ini, daripada masa lalu wellbeingadalah faktor yang lebih penting. Kami memasukiApada langkah terakhir, dan itu membuat peningkatan yang signifikan pada model dengan Waktu-1 dan Waktu-2 wellbeingdi dalamnya, dan ini mendukung hipotesis awal kami.

Jika kita tertarik pada bagaimana perubahan dalam wellbeingdari Time-1 untuk Time-2 memprediksi B, kita bisa menghitung nilai perbedaan, atau menggunakan lebih rumit model perubahan skor laten ke akun untuk sifat berulang kali diukur dari wellbeing. Beberapa sumber daya yang berguna untuk pendekatan ini: makalah tinjauan McArdle 2009 , Cambridge Powerpoint slide dengan contoh dan sintaksis Mplus

— Sootica
sumber

Banyak pemikiran bagus datang ke sini. Namun: 1. Anda ingin mengubah "bertahap" menjadi "dalam urutan" atau "dalam langkah terpisah." "Stepwise" memiliki arti lain. 2. Fakta bahwa Time-2 tampaknya melampaui Time-1 mungkin menyesatkan. Topik rumit yang melibatkan kontrol statistik, korelasi parsial, kolinearitas, dan kepentingan variabel. 3. Ada untaian menarik dalam literatur yang memperdebatkan apakah dan kapan harus menggunakan ANCOVA sebagai lawan untuk mendapatkan analisis skor. misalnya, stats.stackexchange.com/questions/26529/…

— rolando2

Terima kasih @ rolando2. 1. Saya mengubah kata-katanya; 2. Ya. Ketika diagnostik multikolinieritas keluar cukup sehat, saya berasumsi secara statistik tidak masalah menempatkan Waktu-1 dan Waktu-2 dalam satu model. Ketika saya mengganti urutan dan memasukkan Time-2 terlebih dahulu, Time-1 tidak menambah secara signifikan pada model, yang juga sepertinya mendukung bahwa Time-2 adalah faktor yang lebih penting. 3. Menarik, terima kasih!

— Sootica

@Sootica - tautan luar biasa, terima kasih telah berbagi

— BGreene