Conceitos em Regressão Linear Você Precisa Saber Antes de Aprendizagem multinível Modelos

Parece muito muitos pesquisadores estão a necessidade de aprender modelos multinível e mistos, e eu tenho que dizer, não é tão fácil em seu próprio país.

Eu também fui para a faculdade antes de ter sido ensinado em classes: -Nós não aprendeu modelos mistos, como em projetos de parcelas subdivididas, mas as coisas têm progredido um pouco desde então. Então, eu também tive de aprender-los sem o benefício de uma classe, ou professor. Então, eu sinto a sua dor. Mas eu tenho lutado por e aprendi muito, embora eu tivesse a vantagem de ver muito, muito muitos exemplos como eu trabalhei com clientes ao longo dos anos, e de ter colegas experientes para refletir e aprender com. Então, se a leitura Cantor faz você se sentir estúpido, você não está sozinho.

Eu também tive a vantagem de ter realmente uma boa formação no modelo linear geral. Isso veio não só de numerosas classes na escola de pós-graduação, mas mais uma vez, de ver tantos exemplos em consultoria, e ter que explicar isso tantas vezes. (Ensinar é quando você aprende melhor).

Por que isso é importante? Porque os modelos multinível são apenas modelos lineares gerais com fontes extras de variação. É muito mais difícil de aprender modelos multinível se você ainda não tiver certeza sobre alguns dos conceitos em regressão linear. Você quer se concentrar em descobrir o que uma inclinação aleatório realmente significa, não um preditor centrado.

Então, aqui estão 4 conceitos de regressão linear que você realmente, realmente deve ficar claro sobre antes de tentar ler o artigo Cantor . Ele não vai fazer isso
fácil, mas vai fazê-lo mais fácil
.

1. O que faz a centralização suas variáveis. Intercepta são muito importantes em modelos multinível, então centragem é muitas vezes necessária para fazer intercepta significativa.

2. Trabalhando com preditores categóricas e contínuas. Você vai querer usar codificação tanto manequim e efeito em situações diferentes. Da mesma forma, você quer ser capaz de entender o que significa se você fizer uma variável contínua ou categórica. Que informação diferente para você obter a partir dele eo que ele significa? Mesmo se você for um usuário regular ANOVA, pode fazer sentido para tratar o tempo como contínua, não categórico.

3. Interações. Eu sei que você sabe que você tem que deixar em termos de ordem mais baixos para cada interação (certo?). Certifique-se de que você pode interpretar interações, independentemente de quantos categórica e variáveis ​​contínuas que eles contêm. E certifique-se de compreender

4. Termos polinomiais. Pistas aleatórias podem ser bastante difícil de entender (e manter em linha reta a partir de interceptações aleatórias). Curvatura aleatório é pior. Conheço as tuas polinômios.

E, finalmente, entender como eles se encaixam. Estes 4 conceitos realmente vir para baixo para a compreensão do que as estimativas em seu modelo de dizer. Como interpretá-los. E que virá em grande parte da prática, fazendo perguntas e reaprender o básico no contexto de seus dados

A vantagem é que a compreensão desses conceitos caberá a você em aprender qualquer modelagem avançada -. Modelos não lineares, regressão logística .., de regressão de Cox, e assim por diante Restaurant