Multiple Regression mit wiederholt gemessenen unabhängigen Variablen?

9

Design und Hypothese : Wir haben wellbeingzum Zeitpunkt 1 und 2 gemessen und wollen sehen, ob der Faktor A(gemessen zum Zeitpunkt 1 und angenommen, dass er über die Zeit ein stabiler Faktor ist) ein signifikanter Prädiktor für den Faktor ist B(gemessen zum Zeitpunkt 2). . Wir erwarten auch, dass wellbeingaktuelle oder vergangene Beiträge dazu beitragen werden B.

Frage : Ist es angebracht, eine multiple Regression wellbeingdurchzuführen, die zu beiden Zeitpunkten (mit demselben Instrument) als simultaner Prädiktor gemessen wird? - Es gibt signifikante Korrelationen zwischen Prädiktoren, aber die Multikollinearitätsdiagnostik schien in Ordnung zu sein. Gibt es eine bessere Möglichkeit, die Hypothese zu testen, die das longitudinale Design gut nutzen würde ?

Danke vielmals!

Sootica
quelle
Ich bin es nicht gewohnt, Designs zu sehen, die als longitudinal bezeichnet werden, wenn die abhängige Variable nur zu einem Zeitpunkt gemessen wird. Ich würde dies wahrscheinlich als Querschnittsproblem behandeln, aber Sie könnten sich mit Pfadanalyse oder Strukturgleichungsmodellierung befassen, um eine Kette möglicher Ursachen und Auswirkungen auszunutzen.
Rolando2
Danke @ rolando2. Die Frage, die wir beantworten möchten, ist, ob Aes sich um einen Prädiktor für Bden Beitrag handelt, der wellbeingzu beiden Zeitpunkten gemessen wird. Multiple Regression scheint in der Lage zu sein, das zu beantworten, aber nicht sicher, ob es der beste Ansatz ist ...
Sootica
Die multiple Regression würde den longitudinalen Aspekt nicht stark nutzen. es würde (wenn es richtig eingerichtet ist) einfach jede Wohlfühlvariable als eine Kovariate behandeln, an die man sich anpassen muss. Die anderen Methoden, die ich erwähnte, würden jedoch weiter gehen, um die Abfolge der Kausalzusammenhänge zu entwirren.
Rolando2

Antworten:

6

Nach Rücksprache mit mehreren Personen habe ich einige Ratschläge erhalten, die mir bei der Entscheidung für einen Ansatz geholfen haben. Letztendlich geht es zurück auf die Forschungsfrage und die gemachten Hypothesen.

Wenn wir in dem einzigartigen Beitrag von interessierten , Aan B, die über aktuelle und vergangene wellbeing, könnten wir hierarchische Regression laufen. Es wird viele überlappende Varianzen geben, die durch aktuelle und vergangene Zeiten erklärt werden. Die wellbeingEingabe in getrennten Schritten kann uns jedoch helfen, den einzigartigen Beitrag von beiden zu verstehen B. In unserem Fall haben wir zuerst wellbeingum Zeit 1 eingegeben , gefolgt von wellbeingZeit 2. Obwohl Time-1 wellbeingeinen großen Teil der Varianz in Berklärte, war es kein signifikanter Prädiktor mehr, als wir Time-2 betraten wellbeing. Dies deutet darauf hin, dass eher die Gegenwart als die Vergangenheit wellbeingein wichtigerer Faktor ist. Wir traten einAim letzten Schritt, und es hat das Modell mit Time-1 und Time-2 signifikant verbessert wellbeing, und dies unterstützt unsere anfängliche Hypothese.

Wenn wir interessiert waren , wie sich die Änderung in wellbeingvon Time-1 - Zeit-2 prognostiziert B, könnten wir die Differenzwerte berechnen, oder verwenden Sie aufwändigere Score latent Änderung Modelle Rechnung für die wiederholt gemessen Natur wellbeing. Einige nützliche Ressourcen für diesen Ansatz: McArdles Übersichtsartikel 2009 , Cambridge Powerpoint-Folien mit Beispielen und Mplus-Syntax

Sootica
quelle
2
Hier kommt viel gutes Denken durch. Allerdings: 1. Sie möchten "schrittweise" in "nacheinander" oder "in separaten Schritten" ändern. "Schrittweise" hat eine andere Bedeutung. 2. Die Tatsache, dass Zeit-2 Zeit-1 in den Schatten zu stellen scheint, kann irreführend sein. Ein kniffliges Thema, das statistische Kontrolle, partielle Korrelation, Kollinearität und variable Bedeutung umfasst. 3. In der Literatur gibt es einen interessanten Strang, in dem diskutiert wird, ob und wann ANCOVA verwendet werden soll, anstatt eine Score-Analyse durchzuführen. zB stats.stackexchange.com/questions/26529/…
rolando2
Vielen Dank @ rolando2. 1. Ich habe den Wortlaut geändert. 2. Ja. Da die Multikollinearitätsdiagnostik recht gut ausfiel, ging ich statistisch davon aus, dass es in Ordnung ist, Time-1 und Time-2 in einem Modell zu platzieren. Als ich die Reihenfolge vertauschte und zuerst Time-2 einfügte, fügte Time-1 dem Modell nicht wesentlich hinzu, was auch zu unterstützen schien, dass Time-2 ein wichtigerer Faktor ist. 3. Interessant, danke!
Sootica
@Sootica - ausgezeichneter Link, danke für das Teilen
BGreene