Soumettre la recherche
Mettre en ligne
重回帰分析で交互作用効果
•
Télécharger en tant que PPTX, PDF
•
17 j'aime
•
35,821 vues
M
Makoto Hirakawa
Suivre
2014.11.29 Hijiyama.R #1 での発表資料です。
Lire moins
Lire la suite
Logiciels
Signaler
Partager
Signaler
Partager
1 sur 16
Télécharger maintenant
Recommandé
媒介分析について
媒介分析について
Hiroshi Shimizu
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
心理学者のためのGlmm・階層ベイズ
心理学者のためのGlmm・階層ベイズ
Hiroshi Shimizu
Mplusの使い方 初級編
Mplusの使い方 初級編
Hiroshi Shimizu
ベイズモデリングで見る因子分析
ベイズモデリングで見る因子分析
Shushi Namba
一般化線形混合モデル入門の入門
一般化線形混合モデル入門の入門
Yu Tamura
マルチレベルモデル講習会 理論編
マルチレベルモデル講習会 理論編
Hiroshi Shimizu
ベイズファクターとモデル選択
ベイズファクターとモデル選択
kazutantan
Recommandé
媒介分析について
媒介分析について
Hiroshi Shimizu
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
心理学者のためのGlmm・階層ベイズ
心理学者のためのGlmm・階層ベイズ
Hiroshi Shimizu
Mplusの使い方 初級編
Mplusの使い方 初級編
Hiroshi Shimizu
ベイズモデリングで見る因子分析
ベイズモデリングで見る因子分析
Shushi Namba
一般化線形混合モデル入門の入門
一般化線形混合モデル入門の入門
Yu Tamura
マルチレベルモデル講習会 理論編
マルチレベルモデル講習会 理論編
Hiroshi Shimizu
ベイズファクターとモデル選択
ベイズファクターとモデル選択
kazutantan
MCMCでマルチレベルモデル
MCMCでマルチレベルモデル
Hiroshi Shimizu
混合モデルを使って反復測定分散分析をする
混合モデルを使って反復測定分散分析をする
Masaru Tokuoka
社会心理学とGlmm
社会心理学とGlmm
Hiroshi Shimizu
相関と因果について考える:統計的因果推論、その(不)可能性の中心
相関と因果について考える:統計的因果推論、その(不)可能性の中心
takehikoihayashi
SEMを用いた縦断データの解析 潜在曲線モデル
SEMを用いた縦断データの解析 潜在曲線モデル
Masaru Tokuoka
Rで因子分析 商用ソフトで実行できない因子分析のあれこれ
Rで因子分析 商用ソフトで実行できない因子分析のあれこれ
Hiroshi Shimizu
『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会
takehikoihayashi
(実験心理学徒だけど)一般化線形混合モデルを使ってみた
(実験心理学徒だけど)一般化線形混合モデルを使ってみた
Takashi Yamane
03 「重回帰分析」の入門
03 「重回帰分析」の入門
Shuhei Ichikawa
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
StanとRでベイズ統計モデリング読書会(Osaka.stan) 第6章
StanとRでベイズ統計モデリング読書会(Osaka.stan) 第6章
Shushi Namba
第4回DARM勉強会 (構造方程式モデリング)
第4回DARM勉強会 (構造方程式モデリング)
Yoshitake Takebayashi
Rで階層ベイズモデル
Rで階層ベイズモデル
Yohei Sato
SEMのやり方 改訂版
SEMのやり方 改訂版
Shota Yuasa
関数データ解析の概要とその方法
関数データ解析の概要とその方法
Hidetoshi Matsui
負の二項分布について
負の二項分布について
Hiroshi Shimizu
傾向スコア:その概念とRによる実装
傾向スコア:その概念とRによる実装
takehikoihayashi
GEE(一般化推定方程式)の理論
GEE(一般化推定方程式)の理論
Koichiro Gibo
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
Takashi J OZAKI
これからの仮説検証・モデル評価
これからの仮説検証・モデル評価
daiki hojo
今日は何回やればいいのか―状態空間モデルで最大挙上重量を推定し、挙上回数を決める―
今日は何回やればいいのか―状態空間モデルで最大挙上重量を推定し、挙上回数を決める―
Makoto Hirakawa
Osaka.stan#2 chap5-1
Osaka.stan#2 chap5-1
Makoto Hirakawa
Contenu connexe
Tendances
MCMCでマルチレベルモデル
MCMCでマルチレベルモデル
Hiroshi Shimizu
混合モデルを使って反復測定分散分析をする
混合モデルを使って反復測定分散分析をする
Masaru Tokuoka
社会心理学とGlmm
社会心理学とGlmm
Hiroshi Shimizu
相関と因果について考える:統計的因果推論、その(不)可能性の中心
相関と因果について考える:統計的因果推論、その(不)可能性の中心
takehikoihayashi
SEMを用いた縦断データの解析 潜在曲線モデル
SEMを用いた縦断データの解析 潜在曲線モデル
Masaru Tokuoka
Rで因子分析 商用ソフトで実行できない因子分析のあれこれ
Rで因子分析 商用ソフトで実行できない因子分析のあれこれ
Hiroshi Shimizu
『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会
takehikoihayashi
(実験心理学徒だけど)一般化線形混合モデルを使ってみた
(実験心理学徒だけど)一般化線形混合モデルを使ってみた
Takashi Yamane
03 「重回帰分析」の入門
03 「重回帰分析」の入門
Shuhei Ichikawa
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
StanとRでベイズ統計モデリング読書会(Osaka.stan) 第6章
StanとRでベイズ統計モデリング読書会(Osaka.stan) 第6章
Shushi Namba
第4回DARM勉強会 (構造方程式モデリング)
第4回DARM勉強会 (構造方程式モデリング)
Yoshitake Takebayashi
Rで階層ベイズモデル
Rで階層ベイズモデル
Yohei Sato
SEMのやり方 改訂版
SEMのやり方 改訂版
Shota Yuasa
関数データ解析の概要とその方法
関数データ解析の概要とその方法
Hidetoshi Matsui
負の二項分布について
負の二項分布について
Hiroshi Shimizu
傾向スコア:その概念とRによる実装
傾向スコア:その概念とRによる実装
takehikoihayashi
GEE(一般化推定方程式)の理論
GEE(一般化推定方程式)の理論
Koichiro Gibo
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
Takashi J OZAKI
これからの仮説検証・モデル評価
これからの仮説検証・モデル評価
daiki hojo
Tendances
(20)
MCMCでマルチレベルモデル
MCMCでマルチレベルモデル
混合モデルを使って反復測定分散分析をする
混合モデルを使って反復測定分散分析をする
社会心理学とGlmm
社会心理学とGlmm
相関と因果について考える:統計的因果推論、その(不)可能性の中心
相関と因果について考える:統計的因果推論、その(不)可能性の中心
SEMを用いた縦断データの解析 潜在曲線モデル
SEMを用いた縦断データの解析 潜在曲線モデル
Rで因子分析 商用ソフトで実行できない因子分析のあれこれ
Rで因子分析 商用ソフトで実行できない因子分析のあれこれ
『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会
(実験心理学徒だけど)一般化線形混合モデルを使ってみた
(実験心理学徒だけど)一般化線形混合モデルを使ってみた
03 「重回帰分析」の入門
03 「重回帰分析」の入門
Stan超初心者入門
Stan超初心者入門
StanとRでベイズ統計モデリング読書会(Osaka.stan) 第6章
StanとRでベイズ統計モデリング読書会(Osaka.stan) 第6章
第4回DARM勉強会 (構造方程式モデリング)
第4回DARM勉強会 (構造方程式モデリング)
Rで階層ベイズモデル
Rで階層ベイズモデル
SEMのやり方 改訂版
SEMのやり方 改訂版
関数データ解析の概要とその方法
関数データ解析の概要とその方法
負の二項分布について
負の二項分布について
傾向スコア:その概念とRによる実装
傾向スコア:その概念とRによる実装
GEE(一般化推定方程式)の理論
GEE(一般化推定方程式)の理論
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
これからの仮説検証・モデル評価
これからの仮説検証・モデル評価
Plus de Makoto Hirakawa
今日は何回やればいいのか―状態空間モデルで最大挙上重量を推定し、挙上回数を決める―
今日は何回やればいいのか―状態空間モデルで最大挙上重量を推定し、挙上回数を決める―
Makoto Hirakawa
Osaka.stan#2 chap5-1
Osaka.stan#2 chap5-1
Makoto Hirakawa
いいからベイズ推定してみる
いいからベイズ推定してみる
Makoto Hirakawa
ベータ分布
ベータ分布
Makoto Hirakawa
Rで架空データの発生
Rで架空データの発生
Makoto Hirakawa
重回帰分析で交互作用効果
重回帰分析で交互作用効果
Makoto Hirakawa
Plus de Makoto Hirakawa
(6)
今日は何回やればいいのか―状態空間モデルで最大挙上重量を推定し、挙上回数を決める―
今日は何回やればいいのか―状態空間モデルで最大挙上重量を推定し、挙上回数を決める―
Osaka.stan#2 chap5-1
Osaka.stan#2 chap5-1
いいからベイズ推定してみる
いいからベイズ推定してみる
ベータ分布
ベータ分布
Rで架空データの発生
Rで架空データの発生
重回帰分析で交互作用効果
重回帰分析で交互作用効果
重回帰分析で交互作用効果
1.
2014.11.29 Hijiyama.R 重回帰分析で
交互作用効果 日本学術振興会 広島大学大学院教育学研究科 平川真 @hirakawamakoto
2.
重回帰分析 ✔複数の独立変数で従属変数を予測する ŷ
= a + b1x1 + b2x2 x1 x2 y b1 b2
3.
交互作用効果 ✔独立変数の効果が他の変数によって変わる e.g.,
*ただしイケメンに限る ✔調整効果(moderation effect) とも z 調整変数(moderator) x y xがyに及ぼす影響を、zが調整する
4.
交互作用効果を表現する xとzの積を新たな変数としてモデルに加える ŷ
= a + b1x + b2z + b3xz ✔右辺をxに注目して整理 ŷ = (b1 + b3z)x + a + b2z ⇒ xの傾きが、zの値によっても決まる
5.
積をとる前に中心化 中心化: 実現値から平均値を引く
ID x z x_c z_c xz xz_c 1 1 5 -2 2 5 -4 2 2 1 -1 -2 2 2 3 5 4 2 1 20 2 4 4 2 1 -1 8 -1 5 1 1 -2 -2 1 4 6 2 5 -1 2 10 -2 7 5 2 2 -1 10 -2 8 4 4 1 1 16 1 M 3 3 0 0 しないとx*zとx、zが強く相関⇒ 多重共線の問題 中心化すると、相関がおさえられる ← x*z, -x*-z > 0; x*-z, -x*z<0 xz xz_c x .77 .00 z .54 .00 x_c .77 .00 z_c .54 .00
6.
分析手順 1) 変数の中心化
2) 交互作用項を加えて重回帰分析 3) 単純傾斜(simple slope)の検定 zの任意の値(平均±1SD) でxの効果を検討 ⇒基準を±1SDにずらして重回帰分析を実施
7.
分析データ 仮想データ(n=175) 測定変数:
✔相手が好意を伝達してくる程度(独立変数: appeal) ✔相手の外見的魅力(調整変数: nice) ✔相手に対する好意度(従属変数: like) RQ: 好意を伝達してくる程度が好意度に及ぼす影響は、 外見的魅力によって調整されるか??
8.
変数の中心化 データセットのappealという変数からappealの平均を引き、 appeal_cという変数を作成しなさい、という意味
na.rm = T は欠損値を省く、という意味
9.
重回帰分析 lm関数を使用lm (従~
独1 + 独2 + ・・・, データの指定)
10.
重回帰分析 独立変数に中心化した変数を入れる 交互作用をみたい変数を“:”でつなぐ
11.
単純傾斜の検定 +1SD変数は(平均+1SD) を引いて作成
- 1SD変数は(平均-1SD) を引いて作成
12.
単純傾斜の検定
13.
標準化係数が出したいです 標準化したデータセットで分析する
14.
標準化係数が出したいです + 1SD
-1 SD
15.
pequodパッケージ 大文字!! 独立変数調整変数
16.
pequodパッケージ
Notes de l'éditeur
連続変量で変数を測定した場合でも、分散分析のように要因間の交互作用効果に興味があることも多い。 従来ではそれらの変数を高群・低群のように2値化してから分散分析を行ってきたが、データ効率の悪さと検出力の低さなどから、最近ではこのような方法は推奨されていない。 そこで、変数の連続性を残したままで、交互作用効果を検討する方法を紹介する。
重回帰分析とは、複数の独立変数で従属変数を予測する分析です モデルはこんな感じです。
今回、重回帰分析で交互作用を検討するわけですが、交互作用効果のおさらいです。 交互作用効果があるということは、独立変数の効果が他の変数によって変わるということです。 具体例はこれです。 この「なんてね」という言葉の背後に隠された意味は、皆さんご存知の、「ただしイケメンに限る」というやつです。 好意を伝達されてうれしくなるという、好意の伝達がうれしさに及ぼす影響は、好意を伝達してくる相手がイケメンかどうかという他の変数によってかわる。かわる可能性がある。 ということを「ただしイケメンに限る」という言葉は端的に表しています。
さて、重回帰モデルで、交互作用を表現するやり方ですが、 一般的なものは、2つの変数の席をモデルに加えるというものです。 なぜこれが交互作用効果を表しているのかですが、 つまり、重回帰式に積項を加えるというわりと簡単な操作で、重回帰分析で交互作用効果を検討することができます。
ただし、積をとるまえに中心化を行う必要があります。 中心化は、その変数の個人の得点からその変数の全体平均値を引くことで行います。 中心化の作業を行わないと 2つの変数の積であるxzは当然、もとの変数x, z と関連してしまいます。 xが高いとxzも高くなってしまうということです。 で、独立変数間に高い相関があると多重共線の問題が生じてしまいます。 素点を使って積項を作成すると、変数間に強い相関が生じてしまいますので、それをおさえるために中心化という作業が必要なわけです。
単純傾斜の検定は、心理学の領域では調整変数の±1SDで検討されるのが主流です
Télécharger maintenant