Monitasoinen Mallit ristissä Satunnainen Effects

Useimmat tutkijat tietävät nyt käyttää sekamalleja kun havaintoja on ryhmitelty. Esimerkkejä ovat tutkimukset, joissa potilaat sama lääkäri, kasvit kasvavat samalla alalla, tai useita vastauksia havaitaan samasta tutkimuksesta osallistuja. Havainnot tasolla 1 (potilas, kasvi, vastaus) ovat ryhmittyneet tasolle 2 (lääkäri, kenttä, tai osallistuja), yleensä tekee niistä vastaaviin.

Näissä malleissa Taso 2 klusterin ei useinkaan ole kiinnostava . Jopa niin, sen vaikutuksia on valvottava varten. Jos tutkija haluaa yleistää tulokset kaikki lääkärit, kentät, tai osanottajien nämä klustereiden muuttujat ovat satunnaisia ​​vaikutuksia.

huomautukset riippuva muuttuja mitataan aina tasolla 1 (potilas, kasvi, tai ajankohtana). Ennustaja muuttujia (kiinteät vaikutukset) voidaan mitata joko Level 1 tai Level 2. Esimerkiksi useiden vuosien kokemus lääkärin olisi tasolla 2, mutta potilaan iän olisi mitattava 1. tasolla huomautuksensa klusterin oletetaan korreloivan, mutta havainnot klustereiden välillä oletetaan olevan riippumaton.

yhdenlaisen 2 tason malli, ei ole yksi satunnainen vaikutusta tason 2, mutta kaksi ristissä vaikutuksia. Jokainen havainto tasolla 1 on sisäkkäisiä näiden kahden satunnaisvaikutusten. Nämä mallit tarvitsevat erityistä huomiota, jotta kaapata sekä sattumanvaraiset vaikutukset tasolla 2.

Tässä on sama esimerkkejä ristissä satunnainen vaikutukset:

Esimerkki 1: Jokainen potilas (taso 1) näkee niiden Doctor (Random Vaikutus tasolla 2) yhdellä neljästä Sairaalat (Random Vaikutus tasolla 2) varten tutkimuksen, jossa verrataan uuden lääkkeen diabeteslääkitys on vanha. Jokainen lääkäri näkee potilasta kussakin neljässä sairaalassa. Potilaan hoitovastetta vaihtelevat lääkäreitä ja sairaaloita. Koska jokainen Potilas näkee yhden lääkärin yksittäisessä sairaalassa potilaita on upotettu yhdistelmä tohtori ja sairaala. Vaste mitataan Taso 1 - potilas. Ennustajia voi esiintyä tasolla 1 (ikä, ruokavalio) tai joko Taso 2 vaikutus (vuoden käytännön mukaan lääkäri, koko sairaala).

Esimerkki 2: maatalouden tutkimus opiskelee kasvien 6 aloilla. Vaikka on olemassa monia lajeja kasveja kunkin kentän, tutkija valitsee satunnaisesti 5 lajia opiskelemaan. Jokainen yksittäinen kasvi (taso 1) sijoittuu yhden lajien yhdistelmän ja kentän. Mutta koska jokainen laji on joka alalla, lajin ja Field ovat ristissä tasolla 2. vaste mitataan Taso 1 - kasvi, ja ennustajia voi tapahtua joko tason 1 (Kasvin korkeus) tai joko Taso 2 vaikutus (lannoitteet sovelletaan kenttään, onko laji on kotoisin tai käyttöön).

Esimerkki 3: psykologinen kokeessa koehenkilöt pyydetään arvioimaan lausuntoja, jotka kuvaavat käyttäytymistä tapahtuu kuvitteellinen henkilö, Bob. Kussakin kokeessa koehenkilöt arvioisit onko Bob oli ystävällistä ja vasteaika luokitus kirjataan. Kunkin kohteen näkee saman 10 ystävällinen ja 10 epäystävällinen käyttäytymistä. Käyttäytymistä eivät sinänsä kiinnostaa kokeen, mutta jotka edustavat kaikkia ystävällisiä ja epäystävällinen käyttäytymistä että Bob voisi hoitaa. Koska vastausten sama ongelma yleensä samanlaisia, on tarpeen valvoa niiden vaikutuksia. Jokainen oikeudenkäynti kokeen (taso 1) on sisäkkäin sisällä Aihe and Behavior, jotka ovat molemmat sattumanvaraiset vaikutukset tasolla 2. Aihe ja käyttäytyminen ovat ristissä tasolla 2 koska jokainen Aihe hinnat jokaisen käyttäytymistä. Vaste mitataan Taso 1 - tutkimuksessa ja ennustajia voi tapahtua joko tason 1 (huomionkerääjää esiintyy joissakin tutkimuksissa) tai EI Ther Taso 2 vaikutus (Käytös on ystävällinen vai ei, Aihe on otettu myönteinen, neutraali, tai negatiivinen mieliala).

Onneksi, täsmennetään ristissä sattumanvaraiset vaikutukset mallia voidaan helposti tehdä standardin sekoitettu mallinnus menettelyjä, kuten SAS Proc Mixed tai SPSS Mixed. On tehtävä huolellisesti, mutta koska kuten useimmat sekamallit, täsmennetään ristissä sattumanvaraiset vaikutukset malli oikein voi olla hankalaa.
.