¿Regresión múltiple con variables independientes medidas repetidamente?

Diseño e hipótesis : medimos wellbeingen el Tiempo-1 y en el Tiempo-2, queremos ver si el factor A(medido en el Tiempo-1 y se supone que es un factor estable en el tiempo) es un predictor significativo del factor B(medido en el Tiempo-2) . También esperamos wellbeing, actuales o pasados, contribuir a B.

Pregunta : ¿es apropiado hacer una regresión múltiple con wellbeingmedidas en ambos puntos de tiempo (usando el mismo instrumento) como predictor simultáneo? - existen correlaciones significativas entre los predictores, pero los diagnósticos multicolineales parecían estar bien ... ¿hay una mejor manera de probar la hipótesis que haría un buen uso del diseño longitudinal ?

¡Muchas gracias!

— Sootica
fuente

No estoy acostumbrado a ver diseños llamados longitudinales cuando la variable dependiente se mide en un solo punto en el tiempo. Probablemente trataría esto como un problema transversal, pero podría analizar el análisis de ruta o el modelado de ecuaciones estructurales para aprovechar lo que parece ser una cadena de posibles causas y efectos.

— rolando2 01 de

Gracias @ rolando2. La pregunta que nos gustaría responder es si Aes un predictor B, más allá de la contribución de wellbeingmedido en cualquier punto de tiempo. La regresión múltiple parece ser capaz de responder eso, pero no estoy seguro de si es el mejor enfoque ...

— Sootica

La regresión múltiple no haría mucho uso del aspecto longitudinal; (si está configurado correctamente) simplemente trataría cada variable de bienestar como una covariable para ajustar. Sin embargo, los otros métodos que mencioné irían más lejos para desentrañar la secuencia de las relaciones causales.

— rolando2

Después de consultar a varias personas, aquí hay algunos consejos que recibí que me ayudaron a decidir qué enfoque tomar. En última instancia, se remonta a la pregunta de investigación y las hipótesis formuladas.

Si estuviéramos interesados en la contribución única de Ato B, más allá del actual y pasado wellbeing, podríamos ejecutar una regresión jerárquica. Habrá muchas variaciones superpuestas explicadas por el presente y el pasado wellbeing, pero ingresarlas en pasos separados puede ayudarnos a comprender la contribución única de ambos B. En nuestro caso, primero ingresamos wellbeingen Time-1, seguido de wellbeingTime-2. A pesar de que el Tiempo-1 wellbeingexplicaba gran parte de la varianza B, ya no era un predictor significativo cuando ingresamos al Tiempo-2 wellbeing. Esto sugiere que la corriente, más que el pasado, wellbeinges un factor contribuyente más importante. EntramosAen el paso final, e hizo una mejora significativa en el modelo con Time-1 y Time-2 wellbeing, y esto respalda nuestra hipótesis inicial.

Si estábamos interesados en la forma en que el cambio en wellbeingpredice de Time-1 a Time-2 B, podríamos calcular las puntuaciones de diferencia, o utilizar modelos de puntuación de cambio latentes más elaborados para dar cuenta de la naturaleza de la medida en repetidas ocasiones wellbeing. Un par de recursos útiles para este enfoque: el artículo de revisión de 2009 de McArdle , las diapositivas de Cambridge Powerpoint con ejemplos y la sintaxis de Mplus

— Sootica
fuente

Muchas buenas ideas vienen por aquí. Sin embargo: 1. Querrá cambiar "paso a paso" a "en secuencia" o "en pasos separados". "Stepwise" tiene otro significado. 2. El hecho de que Time-2 parece eclipsar a Time-1 puede ser engañoso. Un tema complicado que involucra control estadístico, correlación parcial, colinealidad e importancia variable. 3. Hay un capítulo interesante en la literatura que debate si usar ANCOVA y cuándo usarlo, en lugar de utilizar el análisis de puntaje. por ejemplo, stats.stackexchange.com/questions/26529/…

— rolando2

Gracias @ rolando2. 1. Cambié la redacción; 2. Sí Como los diagnósticos multicolineales resultaron bastante saludables, supuse estadísticamente que está bien colocar Time-1 y Time-2 en un modelo. Cuando cambié el orden y puse Time-2 primero, Time-1 no agregó significativamente al modelo, lo que también parecía respaldar que Time-2 es un factor más importante. 3. Interesante, gracias!

— Sootica

@Sootica - excelente enlace, gracias por compartir

— BGreene