当前课程知识点:教育定量研究方法(高级) > Weeks 13&14: HLM > HLM > 7.18 Q&A 6
大家好
不知道能不能看到PPT
可以
我们组的问题都是关于growth
model的问题了
然后首先第一个是问的
线性模型和非线性发展模型
的适用场景是什么
我们依然以上节课讲的小孩认知
水平增长作为一个例子
首先可以看到线性的发展模型里边
它的第一层就是学生的能力等于初始水平
加上随着时间的增长的部分加一个残差
第二层就是说初始水平和增长速度
可以因为各种个体的不同而变化
并且纳入了两个解释变量
但这个模型就意味着结果变量的增长
和时间是一个纯线性的关系
但是在我们日常生活中可以观察到
可能很多情况下的增长并不
是一个纯线性的关系
而是有一个
越来越快或者越来越慢的加速度的存在
所以这个时候你就需要
应用非线性发展模型
像二次项目模型
它其实就是增加了一个
时间的二次项的
变量
这样的话就允许了个体不仅
在初始水平上不同
增长速度上不同
它的加速度
也就是二次项的系数也可以是随机的
下一个问题就是关于二次项目
模型结果的一个解读
左边就是这个方程
右边就是stata跑出来的一个结果
我们可以看到最上面的
就是固定效应显示的
β的
估计值
它们的方差和对应的t值
第二部分显示的就是每一个方程
对应的随机效应的估计
卡方值和
显著性的检验
可以看到有第二层的三个
方差和第一层的方差
假设检验的p值就显示
就显示有两个方差其实是不显著的
只有二次项就是加速度
的方差是微弱显著的
这个和线性模型时候的检验结果是不同的
这是线性模型检验的结果
就可以看到它 p值
在初始水平和增长速度上都是极其显著的
所以6.5这个图其实就是为了探究
为什么我纳入二次项之后会带来
这样的变化而进行的一个相关分析
就可以发现在初始水平增长速度
和加速度之间呈现着一个
高度相关
都达到了0.98和0.89
所以这就说明这里面就可能
存在多重共线性的问题
面对这种情况就需要重新
去考虑你的模型设定
比如说可以删掉截距项
或者干脆就直接采用一个线性的模型
我们组的最后一个问题是growth
model和value
added model的区别
这两个模型虽然看起来都是说
研究的问题
都是随着时间的增长结果
变量的一个增值的情况
但其实两种模型所解决的所用
的数据结构是不太一样的
首先对于gross model来说
它的数据结构
是首先第一列是学生
我们可以看到同一个学生出现了很多次
第二类的数据代表的他是在哪
一次接他接受的测试的次数
第三列就是它对应次数所取得的结果
刚刚第三组同学有提到
是因为他同一个学生
他出现了一个多次的成绩
所以说他学生内部就有一个同质性
这样的话就会导致卡斯特的问题就需要用
h l m来进行一个解决
但是value added
model
它的数据结构可能就不是那个样子的
这个就是和上一个图其实是一样的
但是我们就可以发现
他就没有了接受第几次接受
测试的那样一列数据
而是每个学生只出现了一次对应的结果
就是第一次测试的成绩
第二次测试的成绩 第三次是
成绩
所以它就不存在克拉斯特的问题
就不需要去采用hlm了
它的结果变量就可以是学生第
二次测试的成绩和初始水平
您的一个差异
然后这个模型我控制掉它的初始水平之后
就可以去看成绩的增长和解释变量的
之间的关系
这也就意味着这个模型每个公式它只能
算某一特定次数的测试的增值情况
而且它对数据的要求可能就比较高
它
对内指定的第二次测试就有要求
不能够有数据的缺失
-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