包含类别变量的中介模型检验方法
process可以直接设定自变量时分类变量(中介变量不行)
包含类别变量的中介模型,考虑自变量、中介变量和/或因变量分别为分类变量的情况。
“在阐述类别自变量中介分析方法的基础上,我们建议使用整体中介和相对中介分析相结合的方法进行多类别自变量的中介分析。以二分因变量为例,讨论了中介变量或 ( 和 ) 因变量为类别变量的中介
分析方法的发展过程——即尺度统一的过程,建议通过检验 的显著性来判断中介效应的显著性。”
自变量为分类变量,只是要注意表述中介效应时,区分是整体中介还是相对中介。
自变量为多分类变量,
- 首先检验整体中介效应。要求:
控制变量+自变量(虚拟变量)到中介变量的回归(方程2),至少有一个虚拟变量回归系数显著不为0;
且控制变量+自变量(虚拟变量)+ 中介变量到因变量的回归(方程3),中介变量回归系数显著不为0
得出 k-1 个相对中介效应不全为 0 的结论。(由于检验统计量 在绝大多数情况下都不是正态分布,建议使用 Bootstrap法对统计量进行检验,根据 Bootstrap 置信区间不包含 0来确定系数显著) - 整体直接效应的检验统计量为(n-k-1) △ R 2/(k-1)(1-R 2), 如果检验统计量显著不为 0,则k-1个相对直接效应不全为 0 (即要求△ R2和1-R2均不为0)
R 2 是回归方程 (3) 的测定系数,
△R 2 是回归方程 (3) 与 控制变量+中介变量到因变量的回归(方程4)测定系数之差。 - 整体总效应的检验统计量为 (n-k)R2/k(1-R2),如果检验统计量显著不为 0,则 k-1 个相对总效应不全为 0(即要求R2和1-R2均不为0)
R2是控制变量+自变量(虚拟变量)到因变量的回归(方程1)的测定系数 - 相对中介分析,弄清具体哪一个或哪一些相对中介效应显著。如果相对中介效应不显著,则分析结束;否则进入步骤 3。(相对中介的回归模型应该是自变量只加入要比较的那个虚拟变量)
- 报告相应的相对直接效应检验的显著性结果。即使直接效应不显著,也避免使用完全中介的概念
中介变量和/或因变量为分类变量时的检验步骤
1检验步骤与逐步检验类似,根据模型因变量选择使用线性回归还是逻辑回归。
2中介效应是否显著的判断方式有所改变。
(如果全部是连续变量,则只要ab都显著即可表示中介效应显著)
由上述公式计算的Z>1.96则中介效应显著。
其中
Za/b计算公式中的具体组成为:
逻辑回归即
线性回归即
步骤应该是分别选择线性/逻辑回归模型后,根据Za/b计算得出其值,然后根据Sobel法计算出Z的值,与1.96相比,Z>1.96则中介效应显著。
以上根据《类别变量的中介效应分析》整理而成
包含类别变量的中介模型检验方法相关推荐
- 在R中做含有哑变量的gam模型并可视化
R中建立包含哑变量的gam模型需要使用mgcv包.下面是一个例子: library(mgcv) set.seed(1) # 生成模拟数据 n <- 100 x1 <- rnorm(n) x ...
- python基于pingouin包进行统计分析:使用mediation_analysis函数构建包含协变量的mediation analysis(中介分析)模型、covar参数指定协变量
python基于pingouin包进行统计分析:使用mediation_analysis函数构建包含协变量的mediation analysis(中介分析)模型.covar参数指定协变量.以dataf ...
- 树模型对类别变量的 7 种处理方法(Python代码)
在数据挖掘项目的数据中,数据类型可以分为两种:有序的连续数值 和 无序的类别型特征. 对于xgboost.GBDT等boosting树模型,基学习通常是cart回归树,而cart树的输入通常只支持连续 ...
- 【数据竞赛】Kaggle实战之单类别变量特征工程总结!
作者:尘沙杰少.樱落.新峰.DOTA.谢嘉嘉 特征工程--类别变量完结篇! 前 言 这是一个系列篇,后续我们会按照我们第一章中的框架进行更新,因为大家平时都较忙,不会定期更新,如有兴趣欢迎长期关注我们 ...
- 机器学习数据中类别变量(categorical variable)的处理方法
类别变量(categorical variable):只有有限个值得变量,如性别就是一个类别变量,类似于这种. 如果不对这些变量做预处理,训练出来的模型可能是错误的. 主要有三种方法来处理这个变量. ...
- 【机器学习基础】机器学习中类别变量的编码方法总结
机器学习 Author:louwill Machine Learning Lab 在做结构化数据训练时,类别特征是一个非常常见的变量类型.机器学习中有多种类别变量编码方式,各种编码方法都有各自的适用场 ...
- toarray方法_机器学习中类别变量的编码方法总结
作者:louwill:转载自:机器学习实验室 在做结构化数据训练时,类别特征是一个非常常见的变量类型.机器学习中有多种类别变量编码方式,各种编码方法都有各自的适用场景和特点.本文就对机器学习中常见的类 ...
- R数据分析:纵向数据如何做中介,交叉滞后中介模型介绍
看似小小的中介,废了我好多脑细胞,这个东西真的不简单,从7月份有人问我,我多重中介,到现在的纵向数据中介,从一般的回归做法,到结构方程框架下的路径分析法,到反事实框架做法,从中介变量和因变量到是连续变 ...
- 机器学习中类别变量的编码方法总结
机器学习 Author:louwill Machine Learning Lab 在做结构化数据训练时,类别特征是一个非常常见的变量类型.机器学习中有多种类别变量编码方式,各种编码方法都有各自的适用场 ...
- 机器学习常见问题 - 类别变量处理
类别变量类型: Nominal: 红,黄,蓝 Ordinal,高,中,低 连续变量:1.1,2.1,1.3,1.4 类别变量问题的一些挑战 类别数量很多,但是每个类别的样本不多,例如"城市& ...
最新文章
- FisherFace 进行人脸分裂
- ActiveMQ实战篇之 java和spring xml创建Broker(一)
- leetcode--114 二叉树展开为链表
- Android之混淆代码总结
- redis有序集合sorted set详解
- Spring 注解方式实现 事务管理
- 我的世界java版使用剑_我的世界:JAVA版藏“私货”内置绝世好剑与神功,你玩的版本有吗...
- jqGrid获取数据库数据的方式
- Oracle Sql优化一例---利用函数索引
- python常用字符串方法_python基础之字符串常用方法
- 复杂json解析(json里面嵌套json)
- 深度学习-图解反向传播算法
- 土地利用转移矩阵图怎么做_如何用Arcgis做土地利用转移矩阵?求教各位..._土地估价师_帮考网...
- 关于c# naudio的几个注意事项
- 状态机和UCOSII编程的比较
- 百度蜘蛛爬行日志分析
- Apriori算法学习和java实现
- Python爬虫---影评的爬取
- 阿里宣布史上最大调整:加强敏捷,做薄中台,“大中台” 将何去何从?
- 分享一个电气仿真软件
热门文章
- 简易上手的开源校园小程序源码
- 软件测试实验课ppt,实验十 团队作业6:团队项目用户验收Beta冲刺
- npm i 安装依赖 报错 npm ERR! code EINTEGRITY npm ERR! sha512-*****==.(12008 bytes) 问题处理
- 眼睛干涩胀痛:得了干眼症该怎么办?
- php 更换外网ip,WordPress站点更换公网IP后不能正常访问的解决过程
- 当当购书额外优惠,还有想看的书未入手?这次不要再错过了!
- vue中在哪个生命周期中dom被渲染_Vue生命周期说明
- DCMP2.0项目总结_页面
- hive on spark报错:Client closed before SASL negotiation finished
- 时间序列复杂性的度量—近似熵和样本熵