Słownik metodologiczny · Regresja

Regresja hierarchiczna

Pełne wyjaśnienie, zastosowanie naukowe i praktyczne, przykład, dobre praktyki oraz gotowy zapis wyniku w APA 7.

Strona główna / Słownik / Regresja hierarchiczna

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

Co oznacza Regresja hierarchiczna?

Regresja hierarchiczna porównuje zagnieżdżone modele, wprowadzając predyktory w blokach ustalonych na podstawie teorii lub projektu. Kluczowym wynikiem jest przyrost wyjaśnionej wariancji i zmiana parametrów po dodaniu konkretnego bloku, a nie automatyczny wybór zmiennych przez program.
Co odróżnia to pojęcie? Regresja hierarchiczna w tym znaczeniu wprowadza predyktory w merytorycznie ustalonych blokach i ocenia przyrost wyjaśnienia po każdym kroku. Nie jest tym samym co model wielopoziomowy ani automatyczna regresja krokowa. Kolejność bloków powinna wynikać z teorii, a zmiana R² być raportowana z testem lub przedziałem. Współczynniki mogą zmieniać się po dodaniu kolejnego bloku.

Zastosowanie, warunki i dobre praktyki

Najważniejsze zastosowanie: Wprowadzaj bloki predyktorów w kolejności uzasadnionej teorią i oceniaj zmianę R² po każdym zaplanowanym kroku.

W regresji hierarchicznej kolejność bloków ustala badacz na podstawie teorii, na przykład najpierw zmienne kontrolne, potem predyktor główny. Interpretuj przyrost R² i zmianę współczynników po dodaniu bloku, lecz pamiętaj, że kolejność nie dowodzi kolejności przyczynowej.

Jak to się oblicza i co oznaczają symbole?

ΔR²k = R²model k − R²model k−1

R² modelu w kroku k porównuje się z R² modelu zawierającego wcześniejsze, teoretycznie uzasadnione bloki. ΔR² pokazuje dodatkową część wariancji odtworzoną przez nowy blok w tej samej próbie. Kolejność bloków musi wynikać z pytania badawczego, ponieważ zmiana kolejności zmienia przypisany przyrost.

Jak poprawnie stosować i interpretować hasło „Regresja hierarchiczna”?

W przypadku pojęcia „Regresja hierarchiczna” kluczowa jest reguła określająca, które predyktory wchodzą do modelu i w jakiej kolejności. Dla interpretacji hasła „Regresja hierarchiczna” kolejność powinna wynikać z teorii, projektu albo jawnego celu predykcyjnego. W odniesieniu do hasła „Regresja hierarchiczna” automatyczny wybór na podstawie wartości p wykorzystuje przypadkowość tej samej próby i może dawać zbyt optymistyczne współczynniki oraz niestabilny zestaw zmiennych.

Ocena pojęcia „Regresja hierarchiczna” wymaga porównania stabilności wyboru w resamplingu lub nowych danych. Przy ocenie hasła „Regresja hierarchiczna” predyktory potrzebne do kontroli zakłócenia nie powinny znikać tylko dlatego, że nie osiągają progu istotności. W analizie dotyczącej hasła „Regresja hierarchiczna” dla modeli zagnieżdżonych można porównać zmianę R² lub kryterium informacyjne, ale decyzja nadal musi odpowiadać wcześniej zdefiniowanemu pytaniu.

Co trzeba opisać w raporcie?

Raport dotyczący „Regresja hierarchiczna” powinien dokładnie opisać bloki, kolejność, kryteria wejścia lub usunięcia i pełną listę rozważanych predyktorów. Dla interpretacji hasła „Regresja hierarchiczna” należy pokazać wynik modeli pośrednich, a analizę po selekcji oznaczyć jako obciążoną procesem wyboru. W odniesieniu do hasła „Regresja hierarchiczna” w projekcie predykcyjnym podaje się jakość na danych walidacyjnych.

Zakres raportowania dla hasła „Regresja hierarchiczna”: B/β = …, 95% CI […], p = …; R²/skorygowany R², diagnostyka i N.

Przykład praktyczny i gotowa interpretacja

Sytuacja: W pierwszym bloku wprowadzono wiek i płeć, w drugim jakość snu, a w trzecim interakcję snu z pracą zmianową. Przyrost ΔR² pokazał informację dodaną przez każdy zaplanowany blok.

Jak ją zinterpretować: Przyrost ΔR² pokazuje informację wniesioną przez zaplanowany blok ponad bloki wcześniejsze. Kolejność musi wynikać z teorii lub projektu, ponieważ zamiana bloków zmienia przypisanie wspólnej wariancji.

Najczęstsza pułapka i granica interpretacji

Kolejność bloków musi wynikać z teorii; zmiana kolejności zmienia znaczenie przyrostu R².

Model uzyskany przez „Regresja hierarchiczna” nie identyfikuje automatycznie „najważniejszych przyczyn”. Przy ocenie hasła „Regresja hierarchiczna” zmiana próby może wybrać inny zestaw zmiennych, a nieuwzględniona niepewność selekcji prowadzi do zbyt wąskich przedziałów i zbyt małych wartości p.

Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Wetzels et al., 2009).

Powiązane hasła

Hierarchiczna zmienna latentna (konstrukt wyższego rzędu)Reszty regresjiAVE (średnia wyodrębniona wariancja)Bootstrap w SEMHTMT (heterotrait-monotrait ratio)Ładunek zewnętrzny (outer loading)

Poradniki, w których użyjesz tego pojęcia

Poradnik

Wartość p: co naprawdę oznacza i jak ją poprawnie interpretować

Wartość p bez mitów: definicja, interpretacja, typowe błędy oraz sposób raportowania wraz z wielkością efektu i przedziałem ufności.

Czytaj →Poradnik

Regresja logistyczna: założenia, interpretacja i raportowanie modelu

Regresja logistyczna w praktyce: założenia, iloraz szans, diagnostyka, kalibracja, AUC oraz zasady rzetelnego raportowania modelu.

Czytaj →Poradnik

Modelowanie równań strukturalnych (SEM): od teorii do raportu

SEM bez skrótów myślowych: model pomiarowy i strukturalny, CB-SEM a PLS-SEM, dopasowanie, założenia oraz raportowanie wyników.

Czytaj →

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Oferta dla badaczyOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Wetzels, M., Odekerken-Schröder, G., & van Oppen, C. (2009). Using PLS path modeling for assessing hierarchical construct models: Guidelines and empirical illustration. MIS Quarterly, 33(1), 177–195.
  2. van Riel, A. C. R., Henseler, J., Kemény, I., & Sasovova, Z. (2017). Estimating hierarchical constructs using consistent partial least squares: The case of second-order composites of common factors. Industrial Management & Data Systems, 117(3), 459–477. https://doi.org/10.1108/IMDS-07-2016-0286
  3. Dijkstra, T. K., & Henseler, J. (2015). Consistent partial least squares path modeling. MIS Quarterly, 39(2), 297–316. https://doi.org/10.25300/MISQ/2015/39.2.02
  4. Jarvis, C. B., MacKenzie, S. B., & Podsakoff, P. M. (2003). A critical review of construct indicators and measurement model misspecification in marketing and consumer research. Journal of Consumer Research, 30(2), 199–218. https://doi.org/10.1086/376806
  5. Benitez, J., Henseler, J., Castillo, A., & Schuberth, F. (2020). How to perform and report an impactful analysis using partial least squares: Guidelines for confirmatory and explanatory IS research. Information & Management, 57(2), 103168. https://doi.org/10.1016/j.im.2019.05.003
  6. Collins, G. S., Moons, K. G. M., Dhiman, P., Riley, R. D., Beam, A. L., Van Calster, B., Ghassemi, M., Liu, X., Reitsma, J. B., van Smeden, M., Boulesteix, A.-L., Camaradou, J. C., Celi, L. A., Denaxas, S., Denniston, A. K., Glocker, B., Golub, R. M., Harvey, H., Heinze, G., … Logullo, P. (2024). TRIPOD+AI statement: Updated guidance for reporting clinical prediction models. BMJ, 385, e078378. https://doi.org/10.1136/bmj-2023-078378

Cytowania BibTeX

@article{wetzels2009hierarchical, author={Wetzels, Martin and Odekerken-Schröder, Gaby and van Oppen, Claudia}, title={Using PLS Path Modeling for Assessing Hierarchical Construct Models: Guidelines and Empirical Illustration}, journal={MIS Quarterly}, year={2009}, volume={33}, number={1}, pages={177--195}}
@article{vanriel2017hierarchical, author={van Riel, Allard C. R. and Henseler, Jörg and Kemény, Ildikó and Sasovova, Zuzana}, title={Estimating Hierarchical Constructs Using Consistent Partial Least Squares: The Case of Second-Order Composites of Common Factors}, journal={Industrial Management and Data Systems}, year={2017}, volume={117}, number={3}, pages={459--477}, doi={10.1108/IMDS-07-2016-0286}}
@article{dijkstra2015plsc, author={Dijkstra, Theo K. and Henseler, Jörg}, title={Consistent Partial Least Squares Path Modeling}, journal={MIS Quarterly}, year={2015}, volume={39}, number={2}, pages={297--316}, doi={10.25300/MISQ/2015/39.2.02}}
@article{jarvis2003measurement, author={Jarvis, Cheryl Burke and MacKenzie, Scott B. and Podsakoff, Philip M.}, title={A Critical Review of Construct Indicators and Measurement Model Misspecification in Marketing and Consumer Research}, journal={Journal of Consumer Research}, year={2003}, volume={30}, number={2}, pages={199--218}, doi={10.1086/376806}}
@article{benitez2020impactful, author={Benitez, Jose and Henseler, Jörg and Castillo, Ana and Schuberth, Florian}, title={How to Perform and Report an Impactful Analysis Using Partial Least Squares: Guidelines for Confirmatory and Explanatory IS Research}, journal={Information and Management}, year={2020}, volume={57}, number={2}, pages={103168}, doi={10.1016/j.im.2019.05.003}}
@article{collins2024tripod, author={Collins, Gary S. and Moons, Karel G. M. and Dhiman, Paula and Riley, Richard D. and Beam, Andrew L. and Van Calster, Ben and Ghassemi, Marzyeh and Liu, Xiaoxuan and Reitsma, Johannes B. and van Smeden, Maarten and Boulesteix, Anne-Laure and Camaradou, Jennifer Catherine and Celi, Leo Anthony and Denaxas, Spiros and Denniston, Alastair K. and Glocker, Ben and Golub, Robert M. and Harvey, Hugh and Heinze, Georg and Hoffman, Michael M. and Kengne, André Pascal and Lam, Emily and Lee, Naomi and Loder, Elizabeth W. and Maier-Hein, Lena and Mateen, Bilal A. and McCradden, Melissa D. and Oakden-Rayner, Lauren and Ordish, Johan and Parnell, Richard and Rose, Sherri and Singh, Karandeep and Wynants, Laure and Logullo, Patricia}, title={TRIPOD+AI statement: updated guidance for reporting clinical prediction models}, journal={BMJ}, year={2024}, volume={385}, pages={e078378}, doi={10.1136/bmj-2023-078378}}
R