Importancia
La primera cosa a hacer es poner en práctica la importancia de los factores predictivos'. Voy a asumir que significa algo así como 'la sensibilidad de la media del resultado de los cambios en los valores predictores'. Desde su predictores se agrupan, a continuación, la sensibilidad de la media de los resultados de los grupos de predictores es más interesante que una variable por variable de análisis. Dejo abierta si la sensibilidad se entiende causalmente. Que tema es retomado más adelante.
Tres versiones de importancia
Un montón de varianza explicada: supongo que los psicólogos' primer puerto de escala es, probablemente, una descomposición de la varianza que conduce a una medida de cuánto resultado de la varianza es explicada por la varianza de covarance estructura en cada grupo de predictores. No se trata de un experimentales I no se puede sugerir mucho aquí, excepto para señalar que el conjunto 'varianza explicada' concepto es un poco aisladas para mi gusto, incluso sin el cual la suma de los cuadrados que' problema. Los demás son bienvenidos a no estar de acuerdo y seguir desarrollándola.
Gran estandarizados coeficientes: SPSS ofrece el (mal llamado) beta para medir el impacto de una manera que sea comparable a través de la variable. Hay varias razones para no usar este, que se analizó en Fox la regresión en el libro de texto, aquíy en otros lugares. Todos los que se aplican aquí. También se ignora la estructura del grupo.
Por otro lado, me imagino que uno podría estandarizar los predictores en grupos y el uso de la covarianza de la información para juzgar el efecto de una desviación estándar de movimiento en todos ellos. Personalmente el lema: "si una de las cosas que no vale la pena hacer, no vale la pena hacer bien" humedece mi interés en hacerlo.
Grandes efectos marginales: El otro enfoque es permanecer en la escala de las mediciones y calcular los efectos marginales entre los elegidos cuidadosamente los puntos de muestreo.
Debido a que usted está interesado en los grupos es útil para elegir los puntos de variar los grupos de variables en lugar de una sola, por ejemplo, la manipulación tanto de las variables cognitivas a la vez. (Un montón de oportunidades para enfriar las parcelas de aquí). Papel básico aquí. El effects
paquete en R se hacerlo muy bien.
Hay dos advertencias aquí:
Si usted hace que usted se quiere ver que usted no está eligiendo dos variables cognitivas que aunque en lo individual plausible, por ejemplo, en los camellones, de forma conjunta, lejos de cualquier objeto de observación.
Algunas variables no son ni siquiera teóricamente manipulables, por lo que la interpretación de los efectos marginales como causal es el más delicado, aunque sigue siendo útil.
Diferentes números de predictores
Los problemas surgen debido a la agrupadas las variables de estructura de covarianza, que normalmente nos trate de no preocuparse, pero para esta tarea.
En particular, a la hora de calcular los efectos marginales (o estandarizados coeficientes para el caso) en los grupos, en lugar de una sola de las variables de la maldición de la dimensionalidad de la voluntad de los grupos más grandes hacen que sea más fácil para las comparaciones a alejarse en regiones donde no hay casos. Más predictores en un grupo de conducir a una más escasamente pobladas espacio, por lo que cualquier medida de importancia dependerá más de los supuestos del modelo y menos en las observaciones (pero no te digo que...), Pero estos son los mismos problemas que en el modelo de ajuste de fase realmente. Ciertamente, los mismos que podrían surgir en un modelo basado en la causal de evaluación de impacto.