Suche senden
Hochladen
重回帰分析で交互作用効果
•
Als PPTX, PDF herunterladen
•
17 gefällt mir
•
35,739 views
M
Makoto Hirakawa
Folgen
2014.11.29 Hijiyama.R #1 での発表資料です。
Weniger lesen
Mehr lesen
Software
Melden
Teilen
Melden
Teilen
1 von 16
Jetzt herunterladen
Empfohlen
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
比例ハザードモデルはとってもtricky!
比例ハザードモデルはとってもtricky!
takehikoihayashi
2012-1110「マルチレベルモデルのはなし」(censored)
2012-1110「マルチレベルモデルのはなし」(censored)
Mizumoto Atsushi
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
1 4.回帰分析と分散分析
1 4.回帰分析と分散分析
logics-of-blue
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
Shiga University, RIKEN
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
Empfohlen
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
比例ハザードモデルはとってもtricky!
比例ハザードモデルはとってもtricky!
takehikoihayashi
2012-1110「マルチレベルモデルのはなし」(censored)
2012-1110「マルチレベルモデルのはなし」(censored)
Mizumoto Atsushi
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
1 4.回帰分析と分散分析
1 4.回帰分析と分散分析
logics-of-blue
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
Shiga University, RIKEN
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
潜在クラス分析
潜在クラス分析
Yoshitake Takebayashi
Rで階層ベイズモデル
Rで階層ベイズモデル
Yohei Sato
統計的因果推論への招待 -因果構造探索を中心に-
統計的因果推論への招待 -因果構造探索を中心に-
Shiga University, RIKEN
媒介分析について
媒介分析について
Hiroshi Shimizu
社会心理学とGlmm
社会心理学とGlmm
Hiroshi Shimizu
マルチレベルモデル講習会 実践編
マルチレベルモデル講習会 実践編
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
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説
Shiga University, RIKEN
社会心理学者のための時系列分析入門_小森
社会心理学者のための時系列分析入門_小森
Masashi Komori
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
MCMCでマルチレベルモデル
MCMCでマルチレベルモデル
Hiroshi Shimizu
階層ベイズによるワンToワンマーケティング入門
階層ベイズによるワンToワンマーケティング入門
shima o
『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
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
2 3.GLMの基礎
2 3.GLMの基礎
logics-of-blue
Cmdstanr入門とreduce_sum()解説
Cmdstanr入門とreduce_sum()解説
Hiroshi Shimizu
第4回DARM勉強会 (多母集団同時分析)
第4回DARM勉強会 (多母集団同時分析)
Masaru Tokuoka
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
正準相関分析
正準相関分析
Akisato Kimura
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
Weitere ähnliche Inhalte
Was ist angesagt?
潜在クラス分析
潜在クラス分析
Yoshitake Takebayashi
Rで階層ベイズモデル
Rで階層ベイズモデル
Yohei Sato
統計的因果推論への招待 -因果構造探索を中心に-
統計的因果推論への招待 -因果構造探索を中心に-
Shiga University, RIKEN
媒介分析について
媒介分析について
Hiroshi Shimizu
社会心理学とGlmm
社会心理学とGlmm
Hiroshi Shimizu
マルチレベルモデル講習会 実践編
マルチレベルモデル講習会 実践編
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
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説
Shiga University, RIKEN
社会心理学者のための時系列分析入門_小森
社会心理学者のための時系列分析入門_小森
Masashi Komori
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
MCMCでマルチレベルモデル
MCMCでマルチレベルモデル
Hiroshi Shimizu
階層ベイズによるワンToワンマーケティング入門
階層ベイズによるワンToワンマーケティング入門
shima o
『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
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
2 3.GLMの基礎
2 3.GLMの基礎
logics-of-blue
Cmdstanr入門とreduce_sum()解説
Cmdstanr入門とreduce_sum()解説
Hiroshi Shimizu
第4回DARM勉強会 (多母集団同時分析)
第4回DARM勉強会 (多母集団同時分析)
Masaru Tokuoka
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
正準相関分析
正準相関分析
Akisato Kimura
Was ist angesagt?
(20)
潜在クラス分析
潜在クラス分析
Rで階層ベイズモデル
Rで階層ベイズモデル
統計的因果推論への招待 -因果構造探索を中心に-
統計的因果推論への招待 -因果構造探索を中心に-
媒介分析について
媒介分析について
社会心理学とGlmm
社会心理学とGlmm
マルチレベルモデル講習会 実践編
マルチレベルモデル講習会 実践編
Stanコードの書き方 中級編
Stanコードの書き方 中級編
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説
社会心理学者のための時系列分析入門_小森
社会心理学者のための時系列分析入門_小森
グラフィカルモデル入門
グラフィカルモデル入門
MCMCでマルチレベルモデル
MCMCでマルチレベルモデル
階層ベイズによるワンToワンマーケティング入門
階層ベイズによるワンToワンマーケティング入門
『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
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
2 3.GLMの基礎
2 3.GLMの基礎
Cmdstanr入門とreduce_sum()解説
Cmdstanr入門とreduce_sum()解説
第4回DARM勉強会 (多母集団同時分析)
第4回DARM勉強会 (多母集団同時分析)
階層ベイズとWAIC
階層ベイズとWAIC
Stan超初心者入門
Stan超初心者入門
正準相関分析
正準相関分析
Mehr von 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
Mehr von 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
Hinweis der Redaktion
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
Jetzt herunterladen