当前课程知识点:教育定量研究方法(高级) > Weeks 13&14: HLM > HLM > 6.25 PSM workshop Q&A 2
然后接下来的第5题是
它是否能够
h l m是否能够做出因果推断
这里先讲一下是否需要用hlm
来解决问题的一个场景
就是
当数据违反独立性假设的时候
它有一个
它的structure导致的差异
然后还有在同一个主题当中
某些个体当中
存在某些相关性
然后它都是违反了独立性假设
这个时候如果把
分组作为一个
dummy变量引进模型的话
也是
比较会面临两个问题
它每个
每个分组当中的数据量比较小的时候
然后还有
分组总数比较多的时候
都会导致n变小和p变大
这个时候传统方法比较不适合使用
这个时候就使用 hlm
或者混合模型
这个模型会根据
每个分组所包含的变量和样本量来平衡
这是我们为什么要使用hlm
然后接下来
h l m跟因果推断的关系
首先
我们在什么时候能够
使用因果推断
当我们能够控制非观测因素的和的时候
和
我们有比较强的理论基础的时候
我们才可以使用因果推断
我们讨论的结论是像
hlm 是可以进行因果推断的
但这是建立在模型正确跟线性
假设成立的基础上的
我们知道在实际的应用当中
hlm可能会忽略一些
交互效应和非线性的一个
因果关系
也就是说它不能够控制非观测因素
所以需要谨慎使用
我们现在常用的可能还是
最强的还是rct然后
观测在实际应用当中
常用的还是IV DID RD和PSM
来进行一些因果的推断
这个是
上一页 h lm咱们确实咱们
课上没有讲它的非线性方程
其实它也可以设定非线性方程的
非线性并不是
它的一个局限
确实要满足
假设就跟 OLS一样
如果是假设不满足的话就不行
好的 谢谢老师
第6题一共有4个问题
因为第一个小问题和第
三个小问题比较相近
我就把它们放在一块了
其实这两个问题问的就是
h l m的基本假设和它的适用范围
下一页对
的基本假设
其实在上一周的PPT里有提到
线性和正态的假设
但是刚才老师也说了
线性它不是一个很强的假设
因为
有一些二分的数据
它也可以使用多层线性模型这样的事
二分离散型的数据
它和观测变量之间通常也
不是简单的线性关系
这个时候就可以采用广义的多层线性模型
它的适用范围非常广泛
凡是具有嵌套和分层的数据
都可以使用多层线性模型
样本量就是大样本和小样本都可以
它们的区别就是可能
大样本
假设一般可以为保证这种
情况之下的假设检验
就比较简单
小样本情况下
假设检验的方法可能会比
大样本情况下比较复杂
很复杂
下一
对
在第6题里面还有一个问题
就是
关于
多重贡献性的问题
一些论文里提到有中心化
可以在一定程度上缓解多重贡献性的问题
然后在这本书里面
2015年的书它也
提到用中心化的方法来缓解共线性的问题
关于中心化
在老师PPT的第二部分今天应该会讲
然后下一页关于刚才模型
假设咱们课堂上讲过
conditional
independence这个是最
重要的
前面有同学提到过
关于多重共线的判断
最基础的就是看变量之间的线性相关
线性相关系数是不是很高
比如说高于0.7甚至高于0.8
直接看信息相关系数矩阵就可以了
然后
第三个问题就是关于多层线性
模型的优点以及局限性
在
2004年北大社会学上发
的一个它说得非常清楚
优点主要就是
因为
h l m它可以同时处理微观层次
和宏观层次之间的变量的关系
它的局限性主要是参数
估计方法的局限性和
它不能处理变量之间间接的影响关系
也不能处理
复杂的观测变量和浅变量之间的关系
就是这一篇文章可以
等会发给助教
助教查到网络学堂就
可以细看了 因为
一些叙述性的东西
然后第6题就结束了
-1.2 Why do we use regression 1
-1.3 Why do we use regression 2
-1.4 Conditional expectation function 1
-1.5 Conditional expectation function 2
-1.6 Classical assumption of OLS
-1.8 How to use matrix calculation to solve OLS
-1.11 FAQs of regression:practice
-1.12 FAQs of regression:discussion
-1.13 Maximum Likelihood Estimatio
-Basic Econometrics
-2.1 Classical assumptions of OLS
-2.2 Omitted variable bias and endogeneity
-Weeks 3&4 readings and workshop
-Instrumental Variable
-3.6 Threats to the validity of RCT
-3.17 Random-effecrt and Fiexed-effect model
-3.18 Statistic power analysis
-Weeks 5&6 readings and workshop
-Randomized Experiments - Class Size, Career Academies
-4.6 DID with multiple periods 1
-4.7 DID with multiple periods 2
-4.9 Synthetic control methods
-Week7&8 readings and workshop
-Natural experiment and DID
-5.10 Validity and assumption test 1
-5.11 Validity and assumption test 2
-Regression discontinuity
-6.1 Review of causal inference model
-Propensity Score Matching
-HLM