Moto è vita

Modele nested

on 20.02.2019

Très simplement, «imbriqué» signifie qu`un modèle est un sous-ensemble d`un autre. Par exemple, prenez un modèle pour les résultats de grossesse qui comprend quatre variables indépendantes catégorielles: afin d`effectuer une analyse de modèle à plusieurs niveaux, on commencerait par des coefficients fixes (pentes et intercepts). Un aspect serait autorisé à varier à la fois (c`est-à-dire, serait changé), et comparé avec le modèle précédent afin d`évaluer la meilleure forme de modèle. [1] il y a trois questions différentes qu`un chercheur demanderait dans l`évaluation d`un modèle. Premièrement, est-ce un bon modèle? Deuxièmement, un modèle plus complexe est-il meilleur? Troisièmement, quelle contribution les prédicteurs individuels font-ils au modèle? Les modèles non imbriqués peuvent expliquer des portions entièrement différentes de variance dans les données. Un modèle complexe peut même expliquer moins de variance qu`un simple, si le complexe n`inclut pas les «bonnes choses» que le simple n`a. Donc, dans ce cas, il est un peu plus difficile de prédire ce qui se passerait sous l`hypothèse nulle que les deux modèles expliquent les données aussi bien. À peu près tous les modèles statistiques communs que nous utilisons, à l`exception des modèles linéaires OLS, utilisez l`estimation de la probabilité maximale. Les modèles à plusieurs niveaux ont les mêmes hypothèses que les autres grands modèles linéaires généraux (par exemple, ANOVA, régression), mais certaines hypothèses sont modifiées pour la nature hiérarchique de la conception (c.-à-d. les données imbriquées). Dans le contexte des modèles à plusieurs niveaux, je pense qu`il est préférable de parler de facteurs imbriqués et non imbriqués.

La différence réside dans la façon dont les différents facteurs sont liés les uns aux autres. Dans une conception imbriquée, les niveaux d`un facteur n`ont de sens que dans les niveaux d`un autre facteur. Le modèle d`intervalle imbriqué ne souffre pas de ce problème, mais il est plus complexe à implémenter, et n`est pas aussi bien connu. Il souffre encore du problème relationnel de table de clé étrangère. Le modèle d`intervalle imbriqué stocke la position des nœuds en tant que nombres rationnels exprimés en quotients (n/d). [1] Bentler, P. & Satorra, A. (2010). Test de l`imbrication et de l`équivalence des modèles. Méthodes Psychol. 2010 juin; 15 (2): 111 – 123. Récupérée 9/19/2016 de http://www.ncbi.nlm.nih.gov/pmc/articles/PMC2929578/.

Carriquiry, A. régression multiple. Extrait 9/19/2016 de: http://www.public.iastate.edu/~alicia/stat328/Multiple%20regression%20-%20nested%20models.pdf Doncaster & Davey (2007). Analyse de la variance et de la covariance: Comment choisir et construire des modèles pour les sciences de la vie. Cambridge University Press. Statistiques de Purdue. Un regard sur les facteurs imbriqués. (Consulté le 17 septembre 2017 à partir de: http://www.stat.purdue.edu/~bacraig/notes1/topic19.pdf Rigdon, E.E. (1999). Utilisant la méthode de Friedman des rangs pour la comparaison de modèle dans la modélisation d`équation structurelle. Modélisation d`équation structurelle, 6 (3), 219-232 modèle II ANOVAs sont où les traitements sont aléatoires et non fixes.

Par exemple, au lieu du chercheur choisissant des poids, ils seraient choisis au hasard. Si une ANOVA imbriquée a un niveau plus élevé de modèle II, elle s`appelle une ANOVA imbriquée pure du modèle II. La puissance statistique pour les modèles à plusieurs niveaux diffère selon qu`il s`agit des effets de niveau 1 ou de niveau 2 qui sont examinés. La puissance pour les effets de niveau 1 dépend du nombre d`observations individuelles, tandis que la puissance pour les effets de niveau 2 dépend du nombre de groupes. [9] pour mener des recherches avec une puissance suffisante, de grandes tailles d`échantillon sont exigées dans les modèles à plusieurs niveaux.