拓端tecdat|用SPSS估计HLM多层(层次)线性模型
原文链接:http://tecdat.cn/?p=3230
原文出处:拓端数据部落公众号
作为第一步,从一个不包含协变量的空模型开始。
每所学校的截距,β 0J,然后设置为平均,γ 00,和随机误差ü 0J。
将(2)代入(1)产生
要在SPSS中进行估算,请转至分析→混合模型→线性...
出现“ 指定主题”和“重复”菜单。在此示例中,分组变量是id,因此应将其放在“ 主题”框中。
在反复框保持为空。它仅在分析人员想要为重复测量指定协方差模式时使用 。单击继续。
弹出一个新菜单,用于指定模型中的变量。空模型没有自变量,因此将因变量mathach放在适当的框中。
空模型中的截距被视为随机变化。这不是默认设置,因此单击“ 随机”以获取以下菜单:
检查“ 包含截距”选项。另外,将id变量带到组合框中。的协方差类型无关时,只有一个随机效应,在这种情况下,随机截距。单击继续。
接下来,单击Statistics以选择其他菜单以选择在输出中报告哪些结果。
选择参数估计值以报告固定效应的估计值。单击继续,然后单击确定。部分结果如下:
这些结果对应于R&B中的表4.2。
下一步是估计一种平均数- 结果模型。
平均数之结果变项的回归模型
在估计空模型之后,R&B开发了一种“平均数结果变项的回归”模型,其中将学校级变量meanses添加到截距模型中。该变量反映了每所学校的学生SES平均水平。方程式(1):
截距可以模拟成一个大平均γ 00,再加上平均得分SES的效应γ 01,加上随机误差ü 0J。
将(4)代入(1)得到
要在SPSS估计这个,再去分析→混合模型→直线...。再次出现“ 指定主题”和“重复菜单 ”。将id放在“ 主题”框中,并将“ 重复”框保留为空。
单击继续。在下一个菜单中,指定依赖变量和独立变量。因变量将是mathach,单个协变量将是均值。
该meanses变量输入作为固定效应,所以点击固定按钮拉起固定效应菜单。将meanses变量带入Model框并确保选中Include Intercept。
单击继续。接下来,单击“ 随机”以打开“ 随机效应”菜单。选中“ 包括截距”以将截距指定为随机,并将分组变量id放在“ 组合”框中。它仅被视为固定效应。该协方差类型又是无关紧要,因为只有一个随机效应,随机截距。
最后,单击Statistics以选择在输出中报告的内容。选中参数估计值旁边的复选框。
单击继续,然后单击确定。输出的一部分如下:
这与R&B中的表4.3相对应。
下一步是估计随机系数模型。
随机系数模型
接下来,R&B提供了一个模型,其中包括学生级别的SES而不是平均SES,并且他们将学生SES的斜率视为随机的。一个复杂因素是R&B以小组平均为中心的学生SES后呈现结果。群体平均中心意味着从每个学生的个人SES中减去每个学生的学校的平均SES。不幸的是,meanses变量编码为-1,0,1,因此只是每个学校平均值的粗略指标。为了更好地估计学校平均值,可以利用SPSS 中的Aggregate命令。
分组中心变量的第一步是找到每个群集的平均值。转到数据→聚合
出现“ 聚合数据”菜单。表示每个组的变量称为“中断”变量; 将id放入Break Variable(s)框中。目标是从每所学校获得学生的平均SES分数,因此将ses变量带到“ 变量摘要”框中。默认情况下,SPSS假定用户有兴趣获取每个组的均值,因此无需更改功能。最后,确保选中“ 将聚合变量添加到活动数据集”单选按钮。
现在,数据中添加了一个新变量ses_mean(不要与三分法混淆)。要完成组平均居中,请从每个ses变量中减去ses_mean。转到变换→计算变量。
在出现的菜单中,创建一个名为grp_ses的目标变量,该变量等于ses减去ses_mean。
单击确定。现在可以使用以组为中心的SES变量。
1级方程式如下:
截距β 0J可以模拟成一个大平均γ 00加上随机误差,ü 0J。类似地,倾斜β 1J可以被建模为具有总平均值γ 10加上随机误差Ú 1J。
将(7)和(8)组合成(6)产生:
要在SPSS中估算(9),请转到分析→混合模型→线性。再次出现“ 指定主题”和“重复”菜单。和以前一样,将id放在“ 主题”框中,并将“ 重复”留空。
单击继续。在下一个菜单中,指定依赖变量和独立变量。因变量是mathach,单个协变量将是grp_ses。
要指定模型的固定效应,请单击“ 固定”。在“ 固定效应”菜单中,将grp_ses变量置于“ 模型”框中,并确保选中“ 包括截距”。
单击继续,然后单击随机。
在“ 随机效应”菜单中,将分组变量id放在“ 组合”框中。此外,因为grp_ses将具有随机斜率,所以必须将其放置在“ 模型”框中。接下来,确保选中Include Intercept,以便允许截距随机变化。最后,存在两个随机效应意味着协方差矩阵G的维数现在是2×2。SPSS中的默认值是假设一个方差分量结构,这意味着随机截距和随机斜率之间没有协方差(参见随机效应ANOVA模型综述中的协方差结构表))。可以放宽该假设,使得协方差是从数据估计的自由参数。为协方差类型指定Unstructured。
单击继续。然后单击“ 统计”以指定输出中显示的内容。检查参数估计值以获得固定效应的结果。
单击继续,然后单击确定。部分结果如下:
这些结果对应于R&B中的表4.4。
最终的模型R&B呈现的是截距和斜率外部模型。
非常感谢您阅读本文,有任何问题请在下方留言!
参考文献
1.用SPSS估计HLM层次线性模型模型
2.R语言线性判别分析(LDA),二次判别分析(QDA)和正则判别分析(RDA)
3.基于R语言的lmer混合线性回归模型
4.R语言Gibbs抽样的贝叶斯简单线性回归仿真分析
5.在r语言中使用GAM(广义相加模型)进行电力负荷时间序列分析
6.使用SAS,Stata,HLM,R,SPSS和Mplus的分层线性模型HLM
7.R语言中的岭回归、套索回归、主成分回归:线性模型选择和正则化
8.R语言用线性回归模型预测空气质量臭氧数据
9.R语言分层线性模型案例
拓端tecdat|用SPSS估计HLM多层(层次)线性模型相关推荐
- 用SPSS估计HLM多层(层次)线性模型模型
原文链接:http://tecdat.cn/?p=3230 作为第一步,从一个不包含协变量的空模型开始(点击文末"阅读原文"获取完整代码数据). 每所学校的截距,β 0J,然后设置 ...
- 拓端tecdat荣获掘金社区入驻新人奖
2021年7月,由掘金发起了"入驻成长礼"颁奖活动.本次活动邀请到知名开发者.服务机构代表等业界人士. 据了解,掘金社区"新入驻创作者礼"主要对已经积累了一定历 ...
- 拓端tecdat荣获2022年度51CTO博主之星
相信技术,传递价值,这是51CTO每一个技术创作者的动力与信念,2022 年度,拓端tecdat 作为新锐的数据分析咨询公司,在51CTO平台上,不断的输出优质的技术文章,分享前沿创新技术,输出最佳生 ...
- 拓端tecdat|bilibili视频流量数据潜望镜
最近我们被客户要求撰写关于bilibili视频流量的研究报告,包括一些图形和统计输出. 最新研究表明,中国有超过7亿人在观看在线视频内容.Bilibili,被称为哔哩哔哩或简称为B站,是中国大陆第二个 ...
- 拓端tecdat|R语言向量误差修正模型 (VECMs)分析长期利率和通胀率影响关系
最近我们被客户要求撰写关于向量误差修正模型的研究报告,包括一些图形和统计输出. 向量自回归模型估计的先决条件之一是被分析的时间序列是平稳的.但是,经济理论认为,经济变量之间在水平上存在着均衡关系,可以 ...
- 拓端tecdat|R语言逻辑回归(Logistic回归)模型分类预测病人冠心病风险
最近我们被客户要求撰写关于冠心病风险的研究报告,包括一些图形和统计输出. 相关视频:R语言逻辑回归(Logistic回归)模型分类预测病人冠心病风险 逻辑回归Logistic模型原理和R语言分类预测冠 ...
- 拓端tecdat|R语言用LOESS(局部加权回归)季节趋势分解(STL)进行时间序列异常检测
最近我们被客户要求撰写关于LOESS(局部加权回归)的研究报告,包括一些图形和统计输出. 这篇文章描述了一种对涉及季节性和趋势成分的时间序列的中点进行建模的方法.我们将对一种叫做STL的算法进行研究, ...
- 拓端tecdat|R语言线性回归和时间序列分析北京房价影响因素可视化案例
最近我们被客户要求撰写关于北京房价影响因素的研究报告,包括一些图形和统计输出. 目的 房价有关的数据可能反映了中国近年来的变化: 人们得到更多的资源(薪水),期望有更好的房子 人口众多 独生子女政策: ...
- HLM(分层线性模型)处理“聚集性”问题!
HLM模型(hierarchical linear model,分层线性模型)有着多种稀少,可称作多水平模型,层次线性模型,或者混合效应模型,随机效应模型等.普通的线性回归模型研究X对于Y的影响,而H ...
- 非线性混合效应 NLME模型对抗哮喘药物茶碱动力学研究
全文下载链接:http://tecdat.cn/?p=24074 茶碱数据文件报告来自抗哮喘药物茶碱动力学研究的数据.给 12 名受试者口服茶碱,然后在接下来的 25 小时内在 11 个时间点测量血清 ...
最新文章
- 引燃AI社区,OpenAI新模型打破自然语言与视觉次元壁
- asp.net .ashx文件使用server.mappath解决方法
- 华为在线题--计算字符个数
- 从认证到调度,K8s 集群上运行的小程序到底经历了什么?
- java 有哪些反射机制_Java 的反射机制你了解多少?
- 使用AutoMapper 处理DTO数据对象的转换
- C语言实现寻找极值点,九之再续:教你一步一步用c语言实现sift算法、上
- Android性能优化之内存篇
- 原版英文书籍《Linux命令行》阅读记录1 | 什么是shell?
- 利用中值滤波而不是均值滤波去除椒盐噪声(脉冲噪声)
- Java获取当前时间(二)
- Linux网络配置与远程连接
- Scikit-learn:分类classification
- 如何通过IDEA看Java源码
- 地图坐标转换-火星坐标
- OpenLayers 静态图(雷达拼图)叠加
- GitHub 上100个优质前端项目整理,非常全面!
- 学习纯软件开发(如Java/Python...)还是C语言、嵌入式、物联网呢?
- spring的task和quartz的区别
- selenium自动化爬取Boss直聘职位数据 按照热门城市