Estou tentando ajustar um modelo de 3 níveis de efeitos aleatórios e cruzados para um resultado contínuo para estimar os respectivos componentes de variância de cada nível de 3 (para médicos) Nível 3: Médicos ID Nível 2: Pacientes ID Nível 1: 2) Para este estudo, cada médico previu a taxa de mortalidade para todos os pacientes em duas vezes. Assim clínico e paciente é cruzado efeito e paciente e estágio está aninhado (eu acho). Eu presumi que Physicians id é cruzado com o paciente eo paciente está aninhado com o estágio. Eu tentei o modelo de efeitos aleatórios cruzados para estes dados, mas não converge Qualquer sugestão será muito apreciada. Bem-vindo ao Instituto de Pesquisa Digital e Educação Stata Textos Exemplos Técnicas de Análise Multilevel e Aplicações por Joop Hox Capítulo 2: A Regressão Básica de Dois Níveis Modelo: Introdução O conjunto de dados usado neste capítulo é popular. dta. Os programas que usamos neste capítulo são gllamm e gllapred. Você pode encontrar os programas e baixá-los através do comando findit gllamm e findit gllapred (veja Como posso usar o comando findit para procurar programas e obter ajuda adicional para obter mais informações sobre como usar o findit). Para obter mais informações, consulte gllamm. org. Tabela 2.1 na página 17. Parte 1: Apenas interceptação. (M0). O desvio é obtido multiplicando a probabilidade de log por -2. Parte 2: A variável sexo é incluída como um efeito aleatório e experiência do professor (texp) como efeito fixo (M1). Tabela 2.2 na página 20. Parte 1: Igual ao último modelo apresentado na tabela 2.1. Parte 2: interação de nível cruzado de sexo variável e texp é incluído. Observe que este modelo leva muito tempo para ser executado. Tabela 2.3 na página 21. Parte 1: M1 do quadro 2.2. Parte 2: Variáveis padronizadas. Primeiro criamos variáveis padronizadas: zpopular. Zsex e ztexp. Figura 2.1 na página 23 com base no modelo M1 da Tabela 2.2. Depois de executar M1, o comando gllapred pode ser usado para gerar vários valores previstos. Aqui usamos gllapred primeiro para gerar o valor predito usando apenas a parte fixa da equação (xb) e depois geramos os meios posteriores (predicções empíricas de Bayes) e desvios padrão dos efeitos aleatórios (u). Postm1 corresponde ao efeito aleatório da interceptação e postm2 corresponde ao efeito aleatório da variável sexo. Portanto, a previsão usando o efeito fixo eo efeito aleatório será nossa nova linp variável abaixo. Podemos então usá-lo para gerar os resíduos padronizados, que é stdres. Figura 2.2 na página 24. Com base no que geramos para a figura 2.1, podemos fazer o seguinte: Figura 2.3 na página 24. Figura 2.4 na página 25. Figura 2.6 na página 28. O conteúdo deste site não deve ser interpretado Como um endosso de qualquer site particular, livro ou produto de software pela Universidade da Califórnia. Imnuncement Im usando Stata 13 para graficar a interação mostrada no seguinte código: xtreg rrpcm3 c. cschcompc. cstudcomp biesch pctlep pctabsnt pcttchabsnt pcttchlft pctschlnch pctspeced / // prepare2 prepare3 prepare4 dsex raça lep iep slunch zprofcmp teachyrs2 teachyrs3 teachyrs4 deg2 /// subúrbio cidade rural, cluster (schid) A média da variável de resultado é de cerca de 216. Ambos os preditores são contínuos e centrados na média. A interação em si é de nível cruzado. Heres o que estou fazendo para representar a minha interação: margens, dydx (cschcomp) em (cstudcomp (-10 (5) 15) vsquish margens, em (cschcomp (-40 30) cstudcomp (-10 (5) 15) vsquish marginsplot (-40 (10) 30) at2 (-10 (5) 15) mar (atmeans), noci x (cschcomp) recast (linha) xlabel (-40 (10) 30) Poderia alternativamente utilizar isto: mcp cschcomp cstudcomp, ) O gráfico abaixo é produzido. Não é o caso que as previsões lineares da trama produzida deve começar perto da média da equação de regressão Obrigado antecipadamente por qualquer ajuda que você pode oferecer. Desde que eu não recebi uma resposta ainda, estou incluindo a saída dos comandos que eu listei no meu post anterior. Ive também anexado o gráfico marginsplot. Talvez isso ajude as pessoas a entender o que estou perguntando. Minha pergunta é: por que as trajetórias não começam perto da interceptação que o comando xtreg cuspir dado o pequeno coeficiente para qualquer das duas variáveis contínuas estou interagindo 04 Mar 2015, 15:31 Bem, em primeiro lugar, a menos que todas as suas variáveis São centrados em seus meios, a intercepção de regressão não é o mesmo que o valor de resultado médio. É o valor de resultado médio condicional em todas as variáveis preditoras serem zero. Eu estou supondo que as únicas variáveis que você centrou são cschcomp e cstudcomp. Assim, as margens que você calculou refletirão os efeitos de todas essas outras variáveis, bem como a interceptação. Para ser claro, não estou sugerindo que você centralizar cada variável e executar novamente as análises. Isso pode ou não ser uma coisa sensata a fazer em sua situação. A centralização de schcomp e studcomp é importante porque você está se concentrando neles e, acima de tudo, em sua interação. Centralizar as outras variáveis pode ou não importar dependendo do que mais você pretende fazer. Estou apenas dizendo que se você não centralizá-los, então sua expectativa de que o resultado médio deve ser igual, ou mesmo aproximar, a intercepção de regressão é incorreta. Última edição por Clyde Schechter 04 Mar 2015, 15:34.
No comments:
Post a Comment