"Variables de prédicteurs dichotomiques", il existe deux façons de coder des prédicteurs dichotomiques: en utilisant le contraste 0,1 ou le contraste 1, -1.
C'est en fait faux. Il n'y a pas de limite au nombre de façons dont ils peuvent être codés. Ces deux sont simplement les plus communs (en fait entre eux, presque omniprésents), et probablement les plus faciles à traiter.
Je comprends en quelque sorte la distinction ici (0,1 est un codage fictif et 1, -1 ajoute à un groupe et soustrait de l'autre), mais je ne comprends pas lequel utiliser dans ma régression.
Selon ce qui est plus pratique / approprié. Si vous avez une expérience conçue avec des nombres égaux dans chacun, il y a quelques bons aspects à la deuxième approche; si vous ne le faites pas, le premier est probablement plus facile de plusieurs façons.
Par exemple, si j'ai deux prédicteurs dichotomiques, le sexe (m / f) et l'athlète (y / n), je pourrais utiliser des contrastes 0,1 sur les deux ou 1, -1 sur les deux.
Quelle serait l'interprétation d'un effet principal ou d'un effet d'interaction lors de l'utilisation des deux contrastes différents?
a) (i) Considérons un effet principal de genre (sans interaction pour simplifier) {m = 0, f = 1} - alors le coefficient correspondant à ce mannequin mesurera la différence de moyenne entre les femmes et les hommes (et l'ordonnée à l'origine serait la moyenne des mâles).
(ii) Pour {m = -1, f = 1}, l'effet principal de genre est la moitié de la différence de moyenne, et l'ordonnée à l'origine est la moyenne des moyennes (si le plan est équilibré, c'est aussi la moyenne de toutes les données) . De manière équivalente, l'effet principal est la différence entre la moyenne de chaque groupe et l'interception.
b) (i) considérer une interaction entre le sexe {m = 0, f = 1} et l'athlète {n = 0, y = 1}
Maintenant, l'ordonnée à l'origine représente la moyenne des non-athlètes masculins (0,0), l'effet principal du sexe est la différence entre les moyennes des non-athlètes féminines et des non-athlètes masculins, l'effet principal des athlètes représente la différence entre la moyenne des athlètes masculins et des non-athlètes masculins et l'interaction est la différence de deux différences - c'est la différence moyenne athlète / non-athlète pour les femmes moins la différence moyenne athlète / non-athlète pour les marques.
(ii) considérer une interaction entre le sexe {m = -1, f = -1} et l'athlète {n = -1, y = 1}
Maintenant, l'ordonnée à l'origine représente la moyenne des quatre moyennes de groupe (et si le plan était complètement équilibré, ce serait aussi la moyenne globale). L'interception est un quart de ce qu'elle était avant.
Les principaux effets sont des moyennes des effets de différence - l'effet de genre est la moyenne de la différence femme-homme chez les athlètes et la différence femme-homme chez les non-athlètes. L'effet principal de l'athlète est la moyenne de la différence athlète / non-athlète chez les femmes et la différence athlète / non-athlète chez les hommes.
Cela dépend-il si mes cellules sont de tailles différentes?
Qu'entendez-vous par «différentes tailles»? Voulez-vous dire que le nombre d'observations dans chaque cellule est différent? (Si c'est le cas, j'ai largement abordé le fait que le nombre de cellules égal au-dessus donne des significations supplémentaires / simplifie l'interprétation, par exemple en faisant de l'interception la grande moyenne des données plutôt que juste la moyenne des moyennes de groupe.)
