7.23 HLM workshop 5在线视频

咱们一起来看一下

虽然是一个三层模型

但是因为第三层的模型是空模型

大家想一下

其实我们在设置自变量的形态的时候

其实跟刚才是不是很类似

并没有一些额外的影响

那么这个是

要能够考虑到的

那么

第二层我们加入了一个自变量cc

他去解释第一层的截距跟斜率

刚才我们已经总结过这个规律了

当然你也可以把它带进去

那也就是说 fix effect

部分包括

单独的这三个自变量

其中两个是第一层的自变量

一个是第二次的自变量

以及第二层自变量cc

跟他所model的

这个斜率

α1，是 pre test

score

跟他的交互项

对不对

所以说,

所以大家想一下这个变量其实就这么几个

一个是第一层的自变量

pretest

和tv

以及第二层的自变量

cc这三个独立的自变量

以及cc和

pretest就是prethink

这样的一个交互项

因为我们只认为prethink

的斜率在第二层是变化的

并且

对它进行了model

我们并没有去model t v的斜率

这点要注意

所以说其实这么来看的话

就是这么有4个

有4个自变量

那么在

写 random effect

这一部分

那么在 class level

显然我们要增加

prethink这样的一个斜率

那么其他的

都没有变化

因为剩下的只有一个变斜率模型

其他全部是变截距模型

变截距模型在上面三层的空

模型里面已经设定好了

就是这样子的一个school 冒号

还有class 冒号就设定好了

所以其实写出来就是这样子

我们其实你可以生成新变量

我们之前也用过双井号

大家来看一下

根据刚才咱们讨论的

第三次就是我们fix effect

的一共有这么几个变量

一个是prethink

一个是cc

一个是tv

以及 cc和

ok这里应该不是tv应该是

prethink的这样的一个交互

项

因为我model的是α1

那么我们就把换一下

就可以了

因为cc双井号prethink

它就代表了

几个变量代表了三个变量

一个是cc 一个是prethink

还有一个是cc乘以pre所以

这个就可以不要了

所以说一共就是4个变量

我们用这样的一个形式就可以

比较简约的表示出来

当然你也可以生成变量

然后再把它放进去

后面

老师你好像没有共享

你们提醒的太好了 我说半天

因为可能刚才搞了一个

分

分组 好

可以看到我的do file了

可以了吗

可以

大家来看我在这里写的

四因变量不变是这个think y

自变量我们可以看到

第一层的两个自变量prethink

和tv

以及第二层的自变量cc

这三个我们放在这儿

t v c c和prethink

以及

cc它用来解释的α1就是在这里

会跟 prethink有个交互项

所以cc乘以αcc

乘以prethink

有这么一个交互项

所以用双井号它就代表着 cc

prethink以及cc

乘以prethink

我们之前用过

在dId的时候用过

所以我们也可以这么简单的写一下

那么

在后面 school level

是空模型

我们这里没有加任何东西

我们可以不用去

管他

当然这个地方我们是

都是变截距 对

所以说这里没有变斜率不用管它

在class level

因为增加了一个变斜率

所以我们要把 prethink

放在class 冒号后面

因为它的斜率是可以变化的

我们就要把它定义清楚

所以这个模型大概写出来是这个样子

同学们有没有什么问题

所以这里关键的地方就是

要在 fix effect部分

也就是双竖线的前面

写清楚到底有哪些

就是独立的自变量

也就是跟残差没有交互项的这些自变量

它就包括每一层的自变量

就是变截距模型的自变量

以及

变斜率模型中第二层的自

变量跟第一层的斜率

对应的变量的交互项把写清楚

那么在

这个随机效应模型这一部分

其实就是要把这个方差就是

把这些残差把它写清楚

主要的残差是靠方差结构来去定义的

就是school 帽号跟class 冒号

当我们在某一层出现变斜率的

方程的时候

我们要把这个斜率所对应的

变量也写到冒号的后面

咱们之前反复的前面都是这么来做的

应该比较熟练了

所以这个方程写出来就是这样的一个形态

同学们有没有什么问题

好 没有问题的话

或者说你还没有想明白的话

课后还可以接着再练习

你可以再找我讨论

我们这个时间又到了

后面还有几个没有做完

我跟大家简单的说一下

你们后面感兴趣可以练习

一个是

我们刚才讨论的

它是一个嵌套结构

嵌套结构其实还可以做的一件事情

我们叫 cross effect

model

也就是说

它在两个变量之间都可以做这种

分组的cluster

比如说时间他可以做cluster

个体也可以做cluster

我们上面做的其实只是个体的

cluster增长模型里面

个体内部

它有组内相似性

但是实际上大家想这个时间内部

可能也是有种类相似性的

比如说我们本来想用的一个例子就是猪

猪的体重在养猪

猪的体重会发生变化

那么大家想可能猪在不同的季节

体重增长的速度是不一样的

那么也就是时间这个概念

这个在某一个时间

节点上

他们所有的这些体重可能也

会有一定的组内的相似性

就叫cross set cross

effect

所以说我们残差结构就会出现

μ

μi和vj

以及εij

他就是横着纵着他都分组了

这种情况下我们怎么去在方程里面去设定

主要就是用到了all

以及 r.factor这样的一个

设定

这个大家可以去通过读 menu

我们

文件夹里的menu

来去理解

如果你有还是不懂有问题

的话可以再找我讨论

再刚才就是答疑部分的时候

同学们提到的软件 hlm

这个软件其实可以嵌套在stata里使用

前提是你把这些数据准备好

那么它是可以用hlm这样的命令来去做的

这个我们也就不再去讨论了

因为这样的一些

功能在前面其实都可以实现

都是一样的

所以咱们今天workshop

就到这里

希望大家对hm的

整体的思路有了一个

更加清晰的一个

深入的一个了解

后面最重要你要掌握起来

确实是要用定量分析

你不用

肯定是

不可能熟练掌握的

用一次做一个研究出来

你就会很熟练了

所以鼓励大家积极的去使用