Creo que efectos como estos son frecuentemente causados por la colinealidad (ver esta pregunta ) Creo que el libro sobre modelado multinivel de Gelman y Hill habla de ello. El problema es que IV1
está correlacionado con uno o más de los otros predictores, y cuando todos están incluidos en el modelo, su estimación se vuelve errática.
Si el cambio de coeficiente se debe a la colinealidad, entonces no es realmente interesante informar, porque no se debe a la relación entre sus predictores con el resultado, sino a la relación entre los predictores.
Lo que he visto sugerido para resolver este problema es la residualización. Primero, ajusta un modelo para IV2 ~ IV1
, luego toma los residuos de ese modelo como rIV2
. Si todas sus variables están correlacionadas, realmente debería residualizarlas todas. Puedes elegir hacerlo así
rIV2 <- resid(IV2 ~ IV1)
rIV3 <- resid(IV3 ~ IV1 + rIV2)
rIV4 <- resid(IV4 ~ IV1 + rIV2 + rIV3)
Ahora, ajuste el modelo final con
DV ~ IV1 + rIV2 + rIV3 + rIV4
Ahora, el coeficiente para rIV2
representa el efecto independiente de IV2
dada su correlación con IV1
. Escuché que no obtendrás el mismo resultado si residiste en un orden diferente, y que elegir el orden de residualización es realmente una decisión decisiva dentro de tu investigación.