做HLM一些注意点

1、2020/7/2,做HLM的一些注意点,贾良定,2020/7/2,2,HLM中选项,HLM other setting 选: Controlling estimation Full maximum likelihood,2020/7/2,3,注意,Restricted maximum likelihood方法只评价random的方差好坏，所以会出错。对deviance产生影响 Sig R2是level 1的R2. Level 2的R2在variance components中。 Deviance是HLM变化的最好报告值。 报告所有的variance相加之和，报告它的变化情况而不报告各自变化情况

2、。 为什么要看final estimation of fixed effects (with robust standard errors)。主要是数据分布很难达到正态分布。Robust estimation放松了此假设。如果确信数据正态分布，看上面的表也可以。,2020/7/2,4,注意,一般只报告shapiro-wilk值做正态分布检验 有人说sobel test只适合single level的检验。 Monte carlo method适合单、跨层次的mediation检验。有样本自助法和参数自助法bootstrapping两种方法 Proclin方法做mediation testing

3、,2020/7/2,5,Incremental model,在第1层次用grand mean centering。 Level 1 variance = between + within + random Level 2 variance = between + random 在level 1用grand mean centering时，level 1上保留了between和within的方差，又减少了random variance.,X 2,X 1,Y1,Level 2,Level 1,2020/7/2,6,Mediational model,若X1存在，则grand mean center

4、ing 若X1不存在，仅做X2 M1，则grand mean centering 或 group mean centering，效果一样。 若X1, X2 Y1, 则必须用grand mean centering。,X 2,X 1,Y1,Level 2,Level 1,M 1,2020/7/2,7,Moderational model,此时，level 1 必须用group mean centering. 因为level 1上有三部分的方差，between + within + random。此时group mean centering就把level 1的方差干净为within + rando

5、m，所以level 2的X2是对within variance的调节。 若在 level 1上用grand mean centering, 由level 1上还存在between + within + random三部分方差。此时X2的调节作用分不清是对between的影响，还是within的影响。,X 2,X 1,Y1,Level 2,Level 1,2020/7/2,8,Separate model,用group mean centering, 与incremental model相同。,2020/7/2,9,SPSS data preparation,Data Clean 注意：有的变量

6、名太长，另存为.sd7 version时候，进入HLM不能进入mdm之中。 所以，变量名不能多于8个字符。 不同层次的ID： 变成numeric 从小到大排序,2020/7/2,10,用HLM分析高级SPSS版本数据,先将SPSS数据另存为sas v7-8, .sd7 (short-term) Make new MDM file stata package input 在Input File Type中选Anything else (stat/transfer),2020/7/2,11,2020/7/2,12,2020/7/2,13,2020/7/2,14,输完第一层次的数据后，missing

7、 data Yes; running analysis 每个层次的数据选择完成后，给mdm一个文件名，并给保存的路径 Make mdm Check Stats：认真研究一下这个TXT文件的statistics，问为什么不同层次的样本是这么多？回去再看看数据。 都完成了， Done：出现下面的页面,2020/7/2,15,2020/7/2,16,这个页面叫：null model,2020/7/2,17,Null model: Step 1 in Table 1 of Aguinis et al. (2013, JoM), or Table 2 of Chang et al. (2014, JAP

8、),只有dependent variable，没有任何predictors; 这个模型是看每个层次能够解释因变量的方差比重。 Run Analysis - run 于是出现一个DOS运行页面，然后自动消失,2020/7/2,18,2020/7/2,19,Results,Final estimation of fixed effects (with robust standard errors) - Standard Approx. Fixed Effect Coefficient Error T-ratio d.f. P-value - For INTRCPT1, P0 For INTRCPT

9、2, B00 INTRCPT3, G000 4.101265 0.064731 63.359 25 0.000 - Final estimation of level-1 and level-2 variance components: - Random Effect Standard Variance df Chi-square P-value Deviation Component - INTRCPT1, R0 0.34884 0.12169 23 165.51585 0.000 level-1, E 0.33156 0.10993 - Final estimation of level-

10、3 variance components: - Random Effect Standard Variance df Chi-square P-value Deviation Component - INTRCPT1/INTRCPT2, U00 0.17353 0.03011 24 34.32270 0.079 - Statistics for current covariance components model - Deviance = 285.220776 Number of estimated parameters = 4,2020/7/2,20,有三个层次的variance, we

11、 can calculate the DVs variance proportion that each level can explain. DV total variance = 0.10993 (L1) + 0.12169 (L2) + 0.03011 (L3) = 0.26173 % L1 = 0.10993 / 0.26173 = 42% % L2 = 0.12169 / 0.26173 = 46% % L3 = 0.03011 / 0.26173 = 12%,2020/7/2,21,Control model: Step 2 in Table 2 of Chang et al. (

12、2014, JAP),2020/7/2,22,Random intercept and fixed slope model: Step 2 in Table 1 of Aguinis et al. (2013, JoM), or Step 3 in Table 2 of Chang et al. (2014, JAP),2020/7/2,23,Random intercept and Random slope model: Step 3 in Table 1 of Aguinis et al. (2013, JoM), or Step 4 in Table 2 of Chang et al.

13、(2014, JAP),2020/7/2,24,Slope (L2) variance Intercept-slope (L2) covariance 上面两个值都可以在Results 中的Tau(beta)矩阵中有。 注意：variance is not negative; co-variance may be negative or positive or zero.,2020/7/2,25,Cross-Level Interaction: Random intercept and random slope, Step 4 in Table 1 of Aguinis et al. (2013, JoM), or Step 5 or 6 in Table 2 of Chang et al. (2014, JAP),2020/7/2,26,2020/7/2