Vielen Dank für den Videobeitrag!! Ich hätte eine auch ein paar Fragen. Bei messwiederholten Daten wird die abhängige Variable zu verschiedenen Zeitpunkten gemessen. In dem SPSS-Modell des Videos wird nach der abhängigen Variable gefragt. Wie ergibt sich diese? Als Summe aus den Messzeitpunkten? Außerdem habe ich mich gefragt, wie die "occasion"-Variable in SPSS codiert wurde. Bei folgender Datenlage: eine AV wird zu 4 Messzeitpunkten erhoben. DIese 4 Messzeitpunkte stellen ein ABAB-Design dar (A & B sind jeweils verschiedene Bedingungen). Zudem wird eine weitere Variable zu jedem MZP erhoben, diese ist mind. intervallskaliert. Mich interessiert nun, ob die verschiedenen Bedingungen einen Einfluss auf die AV haben, ob die andere unabhängige Variable, oder die Zeit einen Einfluss auf die AV hat oder ob es sogar einen Interaktionseffekt zwischen den Bedingungen A oder B und der anderen UV in Bezug auf die AV gibt. Ist es möglich, das in einem Mehrebenenmodell zu berechnen? Mich verwirrt, dass wir hier zwar eine zeitvariable haben, diese jedoch in das ABAB-Design eingebettet ist. Gibt es eine Möglichkeit die Zeit und die AB Bedingungen im gleichen Modell aber unabhängig voneinander zu untersuchen? Eine Antwort würde mir sehr helfen. Liebe Grüße und danke für all die tolle STatistik-Hilfe!!
Ich kann hier leider keine umfassende Antwort für einen Einzelfall geben. Aber vielleicht hilft folgende allgemeine Erläuterung: Man kann in so einem Modell durchaus mehrere Prädiktoren untersuchen. Also neben der Zeit auch die Bedingung als in Ihrem Design als time varying covariate, sowie auch Interkationen zwischen verschiedenen Variablen. (Und es gibt durchaus auch Fälle, dass man in einem Längsschnittdesign die Zeit gar nicht einschließt - nicht immer ist man ja daran interessiert, einen linearen Trend der Zeit zu schätzen. Z.B. bei Tagebuchstudien geht es u.U. einfach nur um das Wechselspiel verschiedener Variablen, ohne dass ein zeitlicher Trend primär interessiert bzw. überhaupt erwartet wird.) Zur abhängigen Variable: Diese ist in aller Regel eine Level 1 Variable, also pro Messzeitpunkt.
Hallo, ich hätte auch nochmal eine Frage bezüglich der Prüfung der Voraussetzungen für die Durchführung einer Mehrebenenanalyse mit messwiederholten Daten. Prüft man z.B. die Homoskedastizität der Residuen oder, ob diese normalverteilt sind wie bei einer linearen Regression nur für jeden Messzeitpunkt einzeln (dementsprechend im wide-format) oder gibt es eine andere Möglichkeit im long-Format? Leider finde ich hierzu sehr wenig Literatur und würd emich über eine Antwort sehr freuen. LG und vielen Dank!
Man muss sowohl auf Level 1 als auch auf Level 2 die Voraussetzungen prüfen. Für Level 1 kann man Residuen und vorhergesagte Werte (über alle Messzeitpunkte hinweg) beim Aufruf des Modells speichern, für Level 2 kann man im Dialog zu den Zufallseffekten auch die Random Effects speichern (Random Intercept, ggf. Random Slope/s - diese sind definitionsgemäß über alle Zeitpunkte hinweg, da Level 2, also auf Personenebene) und dann anschließend prüfen. Hier meine Erklärung (auf Englisch), wie man an diese Werte kommt: ruclips.net/video/kZXmU-16gqk/видео.html
@@RegorzStatistik Vielen Dank für die schnelle Antwort! In dem Video wird die Prüfung der Homoskedastizität rein grafisch durchgeführt. Bedeutet dies, dass bei messwiederholten Daten keine Signifikanztestes (z.B. Breusch-Pagan) möglich sind? Liebe Grüße und lieben Dank für die ganze Hilfe!
@@HannahKölle Ich führe die Prüfung bzgl. Homoskedastizität immer nur graphisch durch, da hier ein Signifikanztest bei großen Stichproben bereits bei trivialen Abweichungen von der Homoskedastizität signifikant werden kann (gilt auch für NV, dort prüfe ich normalerweise auch nur grafisch).
Das Video ist super hilfreich - vielen vielen Dank!! Ich hätte eine Frage zu den Interaktionstermen in multilevel Modellen und würde mich sehr über Unterstützung freuen. Wenn ich Zeitpunkt (3 Messzeitpunkte) mit einer time-invariant multikategorialen Variable (3 Gruppen) multipliziere, bekomme ich einen signifikanten Interaktionseffekt in der Tabelle "Schätzung fester Parameter". Meine Frage wäre, ob und wie ich konkretere Daten zu der Interaktion erhalten könnte, also wie man herausfindet welche Gruppen sich wie anders über die Zeit entwickelt im Outcome? Vielen Dank im Voraus! Liebe Grüße Luisa
Eine nominal-skalierte multikategoriale Variable mit mehr als 2 Kategorien kann man nicht direkt in eine Regression einschließen, entsprechend auch nicht in ein Mehrebenenmodell. Stattdessen müsste man diese (bei 3 Gruppen) mit zwei Dummyvariablen codieren, so dass man dann auch zwei Interaktionen hätte (Zeit x Dummy1, Zeit x Dummy 2). Damit können Sie dann auch genauer sehen, bei welchen Gruppen die Entwicklung anders ist.
Könnte man auch die Zeit bzw. Messzeitpunkte dummy-kodieren? Damit ich Z.B. im Experiment weiß, wie sich T0 vs. T1 und T1 vs. T2 (bei 3 Messzeitpunkten) unterscheidet? Oder muss die Zeit zwingend intervallskaliert sein?
wow so hilfreich vielen dank! Ich hätte eine Frage zu meinem spezifischen Design (meiner Masterarbeit) Ich untersuche die Auswirkungen einer 6 wöchigen Intervention auf State-Selbstmitgefühl, dabei haben wir eine Kontrollgruppe und eine Interventionsgruppe, es gibt insgesamt 8 Erhebungszeitpunkte: 4 Erhebungen an 4 aufeinanderfolgenden Tage vor der Intervention (Abendtagebücher) und 4 Erhebungen an 4 aufeinanderfolgenden Tagen nach der Intervention (Abendtagebücher). Meine Hypothese ist das State-Selbstmitgefühl durch die Intervention ansteigt in der Interventionsgruppe im Vgl. zur Kontrollgruppe. Im Moment fällt es mir noch sehr schwer daraus ein Mehrebenenmodell abzuleiten. Vielleicht als erste Frage: Ebene 1 (Mikroebene) sind die Messzeitpunkte und Ebene zwei sind die Personen richtig? Wie bekomme ich die Gruppenzugehörigkeit (also Interventionsgruppe oder Kontrollgruppe) in das Design? kann ich diese als Variable aufnehmen die nur auf Ebene 2 Variiert, als als "between person" Variable? Oder bedeutet dies für mich ,dass ich sogar 3 Ebenen hab und die Gruppenzugehörigkeit Ebene 3 ist? Ich würde mich sehr über eine Antwort freuen und bedanke mich schonmal an dieser Stelle :) Liebe Grüße Lou
Nach meinem Verständnis wäre die Gruppenzugehörigkeit eine sog. time-invariant covariate, also eine Kovariate auf Level 2, da diese sich nicht zwischen den verschiedenen Messzeitpunkten ändert. Und die spannende Frage ist bei Experimenten im Längsschnitt meistens die Cross-Level-Interaktion zwischen der Gruppenzugehörigkeit (Level 2) und dem Messzeitpunkt (Level 1) - denn daraus sieht man, ob sich der Zeitverlauf unterscheidet zwischen IG und KG.
Ich habe eine kurze Frage: Warum kommt keine der Variablen in das Eingabefeld "Faktoren"? Kommen Prädiktoren nicht grundsätzlich in dieses Feld oder warum werden Sie alle als Kovariaten aufgenommen?
Ich gehe Mixed Effects Models aus der Perspektive einer Regression an, daher tue ich die Prädiktoren in das Feld Kovariaten (und so habe ich es im Studium gelernt). Wenn man kategoriale Prädiktoren hat, kann man es vermutlich auch das Feld "Faktoren" nutzen - wäre m.E. beispielsweise dann sinnvoll, wenn man eine ANOVA mit hierarchischer Datenstruktur auswerten möchte (z.B. ANOVA bei Schülern genestet in Schulklassen). Aber keine Ahnung, wie dann der Output aussieht.
Wirklich ein sehr hilfreiches Video, Danke!! Ich hätte eine Frage, da ich bei meiner Analyse auf ein Problem gestoßen und nicht weiß wie ich damit umgehen soll... Und zwar habe ich 20 Klassen, welche 6 unterschiedliche Probleme nacheinander lösen sollten. Dabei erstelle ich eine Rangfolge, welche meine abhängige Variable darstellt. Das Team was das Problem am schnellsten gelöst hat bekommt 20 Punkte, das Team was es am zweitschnellsten gelöst hat bekommt 19 Punkte usw. bis 1. Und das für jedes Problem, sodass ich insgesamt 120 Datenpunkte habe, welche jedoch alle Ausprägungen zwischen 1 und 20 annehmen. Nun wollte ich darauf basierend eine HLM durchführen, jedoch sind die ICCs aufgrund des Ranking Verfahrens und der damit geringen Zwischengruppenvaribilität = 0. Eine Alternative zum Ranking Verfahren sehe ich nicht, da die Bearbeitungsdauer der Probleme sehr unterschiedlich sind. Ist dies problematisch für die Interpretation des Modells? Oder was für ein anderes Verfahren könnte angewendeten werden?
Das lässt sich schwer auf der Basis dieser Infos beantworten. Aber eine mögliche Alternativen zu den Rängen als AV könnte sein: Prozentuale Dauer in Relation zur jeweils langsamsten Gruppe für die jeweilige Aufgabe (da unterschiedliche Dauer je Aufgabe) Wobei ich mir nicht so sicher bin, dass das Ranking als AV die Verantwortung für die kleine ICC ist. Wenn eine Gruppe bei jeder Aufgabe Rang 18-20 hat und eine andere immer Rang 1-3, dann hätte man ja eine Zwischengruppenvariabilität trotz Kodierung mit Rängen, denke ich.
@@RegorzStatistik Vielen Dank für Ihre schnelle Antwort! Das hat mir schon geholfen! Den Gedanken an die Prozentuale Dauer hatte ich auch schon und habe es ausprobiert. Dies ändert jedoch nichts an den ICC Werten. Demnach scheint es als mangelt es meinen Daten an Zwischengruppenvariabilität. Heißt dies, dass eine HLM nicht angemessen ist bzw. eine lineare Regression besser wäre? Dort tue ich mich schwer damit, dass ich eine UV auf Ebene 1 habe welche ich für jedes der 6 Probleme in den 20 Unterschiedlichen Klassen habe und einen Moderator auf Ebene 2, welche ich nur für die 20 Klassen habe
@@matmau007 Ohne Kenntnis des Gesamtzusammenhangs kann ich dazu leider nichts sagen, das sprengt den Rahmen dessen, was ich sinnvoll hier in den Kommentaren beantworten kann.
Vielen Dank für den Videobeitrag!!
Ich hätte eine auch ein paar Fragen. Bei messwiederholten Daten wird die abhängige Variable zu verschiedenen Zeitpunkten gemessen. In dem SPSS-Modell des Videos wird nach der abhängigen Variable gefragt. Wie ergibt sich diese? Als Summe aus den Messzeitpunkten? Außerdem habe ich mich gefragt, wie die "occasion"-Variable in SPSS codiert wurde.
Bei folgender Datenlage: eine AV wird zu 4 Messzeitpunkten erhoben. DIese 4 Messzeitpunkte stellen ein ABAB-Design dar (A & B sind jeweils verschiedene Bedingungen). Zudem wird eine weitere Variable zu jedem MZP erhoben, diese ist mind. intervallskaliert. Mich interessiert nun, ob die verschiedenen Bedingungen einen Einfluss auf die AV haben, ob die andere unabhängige Variable, oder die Zeit einen Einfluss auf die AV hat oder ob es sogar einen Interaktionseffekt zwischen den Bedingungen A oder B und der anderen UV in Bezug auf die AV gibt. Ist es möglich, das in einem Mehrebenenmodell zu berechnen? Mich verwirrt, dass wir hier zwar eine zeitvariable haben, diese jedoch in das ABAB-Design eingebettet ist. Gibt es eine Möglichkeit die Zeit und die AB Bedingungen im gleichen Modell aber unabhängig voneinander zu untersuchen?
Eine Antwort würde mir sehr helfen.
Liebe Grüße und danke für all die tolle STatistik-Hilfe!!
Ich kann hier leider keine umfassende Antwort für einen Einzelfall geben. Aber vielleicht hilft folgende allgemeine Erläuterung:
Man kann in so einem Modell durchaus mehrere Prädiktoren untersuchen. Also neben der Zeit auch die Bedingung als in Ihrem Design als time varying covariate, sowie auch Interkationen zwischen verschiedenen Variablen. (Und es gibt durchaus auch Fälle, dass man in einem Längsschnittdesign die Zeit gar nicht einschließt - nicht immer ist man ja daran interessiert, einen linearen Trend der Zeit zu schätzen. Z.B. bei Tagebuchstudien geht es u.U. einfach nur um das Wechselspiel verschiedener Variablen, ohne dass ein zeitlicher Trend primär interessiert bzw. überhaupt erwartet wird.)
Zur abhängigen Variable: Diese ist in aller Regel eine Level 1 Variable, also pro Messzeitpunkt.
Hallo,
ich hätte auch nochmal eine Frage bezüglich der Prüfung der Voraussetzungen für die Durchführung einer Mehrebenenanalyse mit messwiederholten Daten. Prüft man z.B. die Homoskedastizität der Residuen oder, ob diese normalverteilt sind wie bei einer linearen Regression nur für jeden Messzeitpunkt einzeln (dementsprechend im wide-format) oder gibt es eine andere Möglichkeit im long-Format? Leider finde ich hierzu sehr wenig Literatur und würd emich über eine Antwort sehr freuen.
LG und vielen Dank!
Man muss sowohl auf Level 1 als auch auf Level 2 die Voraussetzungen prüfen. Für Level 1 kann man Residuen und vorhergesagte Werte (über alle Messzeitpunkte hinweg) beim Aufruf des Modells speichern, für Level 2 kann man im Dialog zu den Zufallseffekten auch die Random Effects speichern (Random Intercept, ggf. Random Slope/s - diese sind definitionsgemäß über alle Zeitpunkte hinweg, da Level 2, also auf Personenebene) und dann anschließend prüfen. Hier meine Erklärung (auf Englisch), wie man an diese Werte kommt:
ruclips.net/video/kZXmU-16gqk/видео.html
@@RegorzStatistik Vielen Dank für die schnelle Antwort! In dem Video wird die Prüfung der Homoskedastizität rein grafisch durchgeführt. Bedeutet dies, dass bei messwiederholten Daten keine Signifikanztestes (z.B. Breusch-Pagan) möglich sind?
Liebe Grüße und lieben Dank für die ganze Hilfe!
@@HannahKölle Ich führe die Prüfung bzgl. Homoskedastizität immer nur graphisch durch, da hier ein Signifikanztest bei großen Stichproben bereits bei trivialen Abweichungen von der Homoskedastizität signifikant werden kann (gilt auch für NV, dort prüfe ich normalerweise auch nur grafisch).
Das Video ist super hilfreich - vielen vielen Dank!! Ich hätte eine Frage zu den Interaktionstermen in multilevel Modellen und würde mich sehr über Unterstützung freuen. Wenn ich Zeitpunkt (3 Messzeitpunkte) mit einer time-invariant multikategorialen Variable (3 Gruppen) multipliziere, bekomme ich einen signifikanten Interaktionseffekt in der Tabelle "Schätzung fester Parameter". Meine Frage wäre, ob und wie ich konkretere Daten zu der Interaktion erhalten könnte, also wie man herausfindet welche Gruppen sich wie anders über die Zeit entwickelt im Outcome? Vielen Dank im Voraus!
Liebe Grüße
Luisa
Eine nominal-skalierte multikategoriale Variable mit mehr als 2 Kategorien kann man nicht direkt in eine Regression einschließen, entsprechend auch nicht in ein Mehrebenenmodell. Stattdessen müsste man diese (bei 3 Gruppen) mit zwei Dummyvariablen codieren, so dass man dann auch zwei Interaktionen hätte (Zeit x Dummy1, Zeit x Dummy 2). Damit können Sie dann auch genauer sehen, bei welchen Gruppen die Entwicklung anders ist.
Könnte man auch die Zeit bzw. Messzeitpunkte dummy-kodieren? Damit ich Z.B. im Experiment weiß, wie sich T0 vs. T1 und T1 vs. T2 (bei 3 Messzeitpunkten) unterscheidet? Oder muss die Zeit zwingend intervallskaliert sein?
wow so hilfreich vielen dank! Ich hätte eine Frage zu meinem spezifischen Design (meiner Masterarbeit) Ich untersuche die Auswirkungen einer 6 wöchigen Intervention auf State-Selbstmitgefühl, dabei haben wir eine Kontrollgruppe und eine Interventionsgruppe, es gibt insgesamt 8 Erhebungszeitpunkte: 4 Erhebungen an 4 aufeinanderfolgenden Tage vor der Intervention (Abendtagebücher) und 4 Erhebungen an 4 aufeinanderfolgenden Tagen nach der Intervention (Abendtagebücher). Meine Hypothese ist das State-Selbstmitgefühl durch die Intervention ansteigt in der Interventionsgruppe im Vgl. zur Kontrollgruppe. Im Moment fällt es mir noch sehr schwer daraus ein Mehrebenenmodell abzuleiten. Vielleicht als erste Frage:
Ebene 1 (Mikroebene) sind die Messzeitpunkte und Ebene zwei sind die Personen richtig? Wie bekomme ich die Gruppenzugehörigkeit (also Interventionsgruppe oder Kontrollgruppe) in das Design? kann ich diese als Variable aufnehmen die nur auf Ebene 2 Variiert, als als "between person" Variable? Oder bedeutet dies für mich ,dass ich sogar 3 Ebenen hab und die Gruppenzugehörigkeit Ebene 3 ist?
Ich würde mich sehr über eine Antwort freuen und bedanke mich schonmal an dieser Stelle :)
Liebe Grüße
Lou
Nach meinem Verständnis wäre die Gruppenzugehörigkeit eine sog. time-invariant covariate, also eine Kovariate auf Level 2, da diese sich nicht zwischen den verschiedenen Messzeitpunkten ändert.
Und die spannende Frage ist bei Experimenten im Längsschnitt meistens die Cross-Level-Interaktion zwischen der Gruppenzugehörigkeit (Level 2) und dem Messzeitpunkt (Level 1) - denn daraus sieht man, ob sich der Zeitverlauf unterscheidet zwischen IG und KG.
@@RegorzStatistik vielen lieben Dank das hilft mir sehr :)
Ich habe eine kurze Frage: Warum kommt keine der Variablen in das Eingabefeld "Faktoren"? Kommen Prädiktoren nicht grundsätzlich in dieses Feld oder warum werden Sie alle als Kovariaten aufgenommen?
Ich gehe Mixed Effects Models aus der Perspektive einer Regression an, daher tue ich die Prädiktoren in das Feld Kovariaten (und so habe ich es im Studium gelernt).
Wenn man kategoriale Prädiktoren hat, kann man es vermutlich auch das Feld "Faktoren" nutzen - wäre m.E. beispielsweise dann sinnvoll, wenn man eine ANOVA mit hierarchischer Datenstruktur auswerten möchte (z.B. ANOVA bei Schülern genestet in Schulklassen). Aber keine Ahnung, wie dann der Output aussieht.
Wirklich ein sehr hilfreiches Video, Danke!!
Ich hätte eine Frage, da ich bei meiner Analyse auf ein Problem gestoßen und nicht weiß wie ich damit umgehen soll... Und zwar habe ich 20 Klassen, welche 6 unterschiedliche Probleme nacheinander lösen sollten. Dabei erstelle ich eine Rangfolge, welche meine abhängige Variable darstellt. Das Team was das Problem am schnellsten gelöst hat bekommt 20 Punkte, das Team was es am zweitschnellsten gelöst hat bekommt 19 Punkte usw. bis 1. Und das für jedes Problem, sodass ich insgesamt 120 Datenpunkte habe, welche jedoch alle Ausprägungen zwischen 1 und 20 annehmen. Nun wollte ich darauf basierend eine HLM durchführen, jedoch sind die ICCs aufgrund des Ranking Verfahrens und der damit geringen Zwischengruppenvaribilität = 0. Eine Alternative zum Ranking Verfahren sehe ich nicht, da die Bearbeitungsdauer der Probleme sehr unterschiedlich sind. Ist dies problematisch für die Interpretation des Modells? Oder was für ein anderes Verfahren könnte angewendeten werden?
Das lässt sich schwer auf der Basis dieser Infos beantworten. Aber eine mögliche Alternativen zu den Rängen als AV könnte sein:
Prozentuale Dauer in Relation zur jeweils langsamsten Gruppe für die jeweilige Aufgabe (da unterschiedliche Dauer je Aufgabe)
Wobei ich mir nicht so sicher bin, dass das Ranking als AV die Verantwortung für die kleine ICC ist. Wenn eine Gruppe bei jeder Aufgabe Rang 18-20 hat und eine andere immer Rang 1-3, dann hätte man ja eine Zwischengruppenvariabilität trotz Kodierung mit Rängen, denke ich.
@@RegorzStatistik Vielen Dank für Ihre schnelle Antwort! Das hat mir schon geholfen!
Den Gedanken an die Prozentuale Dauer hatte ich auch schon und habe es ausprobiert. Dies ändert jedoch nichts an den ICC Werten. Demnach scheint es als mangelt es meinen Daten an Zwischengruppenvariabilität. Heißt dies, dass eine HLM nicht angemessen ist bzw. eine lineare Regression besser wäre? Dort tue ich mich schwer damit, dass ich eine UV auf Ebene 1 habe welche ich für jedes der 6 Probleme in den 20 Unterschiedlichen Klassen habe und einen Moderator auf Ebene 2, welche ich nur für die 20 Klassen habe
@@matmau007 Ohne Kenntnis des Gesamtzusammenhangs kann ich dazu leider nichts sagen, das sprengt den Rahmen dessen, was ich sinnvoll hier in den Kommentaren beantworten kann.