重要性
首先要做的是操作“预测变量的重要性”。我认为这意味着“平均结果对预测值变化的敏感性”。由于将预测变量分组,因此平均结果对预测变量组的敏感性比通过变量分析的变量更有趣。无论是否因果理解敏感性,我都会公开。该问题稍后再讨论。
三个版本的重要性
解释了很多方差:我猜想,心理学家的第一个介入点可能是方差分解,从而导致通过每个预测变量组中的方差-协方差结构来解释多少结果方差。作为一名实验主义者,我在这里不能提出太多建议,除非要注意,整个“方差解释”的概念对于我的品味来说是没有根据的,即使没有“哪个平方和”的问题。欢迎其他人不同意并进一步发展。
较大的标准化系数:SPSS提供了(错误命名的)Beta来以可比的变量来衡量影响。Fox的回归教科书,此处和其他地方讨论了一些不使用它的原因。全部适用于此处。它还忽略了组结构。
另一方面,我认为可以将组中的预测变量标准化,并使用协方差信息来判断一个标准偏差对所有预测变量的影响。我个人的座右铭是:“如果一件事情不值得做,那就不值得做好”,这挫败了我的兴趣。
较大的边际效应:另一种方法是保持测量的规模,并计算精心选择的样本点之间的边际效应。因为您对组感兴趣,所以选择点来改变变量组而不是单个变量是很有用的,例如,一次操纵两个认知变量。(这里有很多机会提供有趣的地块)。基本文件在这里。effects
R中的软件包可以很好地做到这一点。
这里有两个警告:
如果这样做,您将要注意自己并没有选择两个认知变量,尽管它们各自看来合理,例如中位数,但与任何受试者的观察结果相距甚远。
有些变量在理论上甚至是不可操纵的,因此将边际效应解释为因果关系虽然更为有用,但更为微妙。
不同数量的预测变量
由于分组变量协方差结构而产生了问题,我们通常试着不用担心,但对此任务应该这样做。
特别是在计算群体而不是单个变量的边际效应(或该问题的标准系数)时,较大群体的维数诅咒将使比较更容易误入没有案例的区域。一组中的预测变量越多,导致人烟稀少的空间越多,因此,任何重要度量都将更多地取决于模型假设,而较少取决于观察值(但不会告诉您...),但是这些问题与模型拟合阶段相同真。当然,与基于模型的因果影响评估中会出现的情况相同。