Régression multiple avec variables indépendantes mesurées de façon répétée?

9

Conception et hypothèse : nous avons mesuré wellbeingà Time-1 et Time-2, nous voulons voir si le facteur A(mesuré à Time-1 et supposé être un facteur stable dans le temps) est un prédicteur significatif de facteur B(mesuré à Time-2) . Nous nous attendons également à ce que wellbeing, actuels ou passés, y contribuent B.

Question : est-il approprié de faire une régression multiple avec une wellbeingmesure aux deux moments (en utilisant le même instrument) comme prédicteur simultané? - des corrélations significatives entre les prédicteurs sont présentes, mais les diagnostics de multicolinéarité semblaient bons ... existe-t-il un meilleur moyen de tester l'hypothèse qui ferait bon usage du plan longitudinal ?

Merci beaucoup!

Sootica
la source
Je n'ai pas l'habitude de voir des conceptions appelées longitudinales lorsque la variable dépendante est mesurée à un seul instant. Je traiterais probablement cela comme un problème transversal, mais vous pourriez vous pencher sur l'analyse de chemin ou la modélisation d'équations structurelles pour tirer parti de ce qui semble être une chaîne de causes et d'effets potentiels.
rolando2
Merci @ rolando2. La question à laquelle nous aimerions répondre est de savoir si Aest un prédicteur de B, au-delà de la contribution de wellbeingmesuré à chaque point dans le temps. La régression multiple semble être en mesure de répondre à cela, mais je ne sais pas si c'est la meilleure approche ...
Sootica
La régression multiple n'utiliserait pas beaucoup l'aspect longitudinal; il (s'il est correctement configuré) traiterait simplement chaque variable de bien-être comme une covariable à ajuster. Les autres méthodes que j'ai mentionnées iraient plus loin, cependant, pour démêler la séquence des relations causales.
rolando2

Réponses:

6

Après avoir consulté plusieurs personnes, voici quelques conseils que j'ai reçus qui m'ont aidé à décider de l'approche à adopter. En fin de compte, cela revient à la question de recherche et aux hypothèses avancées.

Si nous étions intéressés à la contribution unique Aà B, au-delà actuel et passé wellbeing, nous avons pu exécuter la régression hiérarchique. Il y aura beaucoup de variances qui se chevauchent, expliquées par le courant et le passé wellbeing, mais les saisir dans des étapes distinctes peut nous aider à comprendre la contribution unique de l'une à l'autre B. Dans notre cas, nous sommes entrés pour la première wellbeingfois à Time-1, puis wellbeingà Time-2. Même si Time-1 wellbeingexpliquait une grande partie de la variance B, ce n'était plus un prédicteur significatif lorsque nous sommes entrés dans Time-2 wellbeing. Cela suggère que le courant, plutôt que le passé, wellbeingest un facteur contributif plus important. nous sommes entrésAdans la dernière étape, et il a apporté une amélioration significative au modèle avec Time-1 et Time-2 wellbeing, et cela soutient notre hypothèse initiale.

Si nous étions intéressés à la façon dont le changement dans wellbeingde temps en temps à 1-2 prévoit B, nous pourrions calculer les scores de différence, ou utiliser des modèles de score de changement latents plus élaborés pour tenir compte de la nature à plusieurs reprises mesurée wellbeing. Quelques ressources utiles pour cette approche: l'article de revue de McArdle de 2009 , les diapositives Cambridge Powerpoint avec des exemples et la syntaxe Mplus

Sootica
la source
2
Beaucoup de bonnes pensées se manifestent ici. Cependant: 1. Vous souhaiterez remplacer «pas à pas» par «en séquence» ou «par étapes distinctes». "Pas à pas" a une autre signification. 2. Le fait que Time-2 semble éclipser Time-1 peut être trompeur. Un sujet délicat qui implique le contrôle statistique, la corrélation partielle, la colinéarité et l'importance variable. 3. Il y a un volet intéressant dans la littérature débattant de l'opportunité et du moment d'utiliser ANCOVA par opposition à l'analyse de score. par exemple, stats.stackexchange.com/questions/26529/…
rolando2
Merci @ rolando2. 1. J'ai changé le libellé; 2. Oui. Comme les diagnostics de multicolinéarité se sont révélés assez sains, j'ai supposé statistiquement qu'il était bien de placer Time-1 et Time-2 dans un modèle. Lorsque j'ai échangé la commande et mis en Time-2 en premier, Time-1 n'a pas ajouté de manière significative au modèle, ce qui semble également soutenir que Time-2 est un facteur plus important. 3. Intéressant, merci!
Sootica
@Sootica - excellent lien, merci pour le partage
BGreene