学习笔记 | 多水平logistics模型
内容参考:Stata统计分析:社会科学应用指南 [挪]穆罕默德玫赫梅托
1.数理基础
多水平回归模型所包含的两个水平的方程如下图所示,logistic则是基于线性回归原理的一种线性变换,公式如下:
检验多水平模型的适用性的关键数值为方差分解系数(variance partition coefficient,VPC,也被称为组内相关系数intraclass correlation coefficient,ICC),是用于来衡量第二水平变量对因变量方差变化的解释程度,以本研究为例,能够反映个体在省级层面的聚集性与相似性,计算公式如下图,当这个系数高于5%时,这种二层面的聚集性不应被忽略,应该使用多水平模型进行回归预测。参与具体公式如下:
由logistic回归的二项分布数理特征决定,多水平logistic组间差异系数的公式如下图所示:
2.多水平模型步骤
(1)空模型
空模型的公式为:
Yij = β0+u0j+eij
解释为:
因变量=总均值+水平2误差项+水平1误差项
因其报告了二水平的方差贡献(OLS)或组内相关系数rho(GLM),其主要作用是检验因变量是否需要使用多水平模型进行分析,对组内相关系数的分析上文已有说明。
(2)随机截距模型
在空模型基础上纳入水平1和水平2变量,公式如下图:
Yij = β0+β1X1ij+β2X2ij+β3X3ij+β4X4j+u0j+eij
其中:X1-X3都是水平1变量,X4为水平2变量。从这个模型中可以观察,水平2变量对因变量的解释的变化量 ,从而判断两者之间的关系。
(3)随机截距和随机斜率(系数)模型
同时,当个体因素对因变量的作用受其水平2变量的影响,就应该使用随机斜率(系数)模型,以本题而言,即个体能力层面对是否参与养老志愿服务的影响因其所在省份不同而存在差异,这时需要使用随机斜率模型,其公式为:
Yij = β0+β1X1ij+β2X2ij+β3X3ij+β4X4j+u0j+u1jX3ij+eij
其中u1j就是随机效应的部分。
学习笔记 | 多水平logistics模型相关推荐
- PowerDesigner 15学习笔记:十大模型及五大分类
原文:PowerDesigner 15学习笔记:十大模型及五大分类 个人认为PowerDesigner 最大的特点和优势就是1)提供了一整套的解决方案,面向了不同的人员提供不同的模型工具,比如有针对企 ...
- WinSock学习笔记3:Select模型
WinSock学习笔记3:Select模型 unit Unit1; interface uses Windows, Messages, SysUtils, Variants, Classes, G ...
- CUDA学习笔记之 CUDA存储器模型
CUDA学习笔记之 CUDA存储器模型 标签: cuda存储bindingcache编程api 2010-12-14 01:33 1223人阅读 评论(0) 收藏 举报 分类: CUDA(26) GP ...
- Python数据挖掘学习笔记】九.回归模型LinearRegression简单分析氧化物数据
#2018-03-23 16:26:20 March Friday the 12 week, the 082 day SZ SSMR [Python数据挖掘学习笔记]九.回归模型LinearRegre ...
- 2020-4-20 深度学习笔记20 - 深度生成模型 3 (实值数据上的玻尔兹曼机)
第二十章 深度生成模型 Deep Generative Models 中文 英文 2020-4-17 深度学习笔记20 - 深度生成模型 1 (玻尔兹曼机,受限玻尔兹曼机RBM) 2020-4-18 ...
- 2020-4-22 深度学习笔记20 - 深度生成模型 5 (有向生成网络--sigmoid信念网络/可微生成器网络/变分自编码器VAE/生产对抗网络GAN/生成矩匹配网络)
第二十章 深度生成模型 Deep Generative Models 中文 英文 2020-4-17 深度学习笔记20 - 深度生成模型 1 (玻尔兹曼机,受限玻尔兹曼机RBM) 2020-4-18 ...
- 【K210】K210学习笔记六——MaixHub在线模型训练识别数字
[K210]K210学习笔记六--MaixHub在线模型训练识别数字 前言 K210准备工作 数据的获取 MaixHub如何在线训练模型 训练模型在K210上的测试 小结 前言 本人大四学生,电赛生涯 ...
- 视觉SLAM十四讲学习笔记-第五讲-相机模型
专栏系列文章如下: 视觉SLAM十四讲学习笔记-第一讲_goldqiu的博客-CSDN博客 视觉SLAM十四讲学习笔记-第二讲-初识SLAM_goldqiu的博客-CSDN博客 视觉SLAM十四讲学习 ...
- Keras学习笔记:序列式模型
目录: 目录: 快速开始序列(Sequential)模型 指定输入数据的shape 编译 训练 例子 用于序列分类的栈式LSTM 采用stateful LSTM的相同模型 本系列参考官方文档官方文档 ...
最新文章
- 华为2015年实习生招聘考试试题
- C的|、||、、、异或、~、!运算(转)
- java判断输入值是否在数组_java判断特定值是否在数组中的方法
- eclipse lombok插件安装_Eclipse安装virgo插件
- 老大:用脚本实现Nginx日志每天切分的功能?我:脱了裤子放屁!
- IOS 使用webview 显示 doc/docx/xls/pdf等
- 浏览器插件 如何方便查看md文件内容 markdown
- UVA 10341 Solve It
- EXCEL实战技巧与数据分析(一)基础应用
- 电脑一复制粘贴就卡死_CAD复制粘贴时卡死的解决方法步骤
- 计算机网络——集线器和交换机
- Python注释之TODO注释
- ubuntu 启动、退出 startx界面
- 正则表达式 企业统一社会信用代码、企业13位工商注册号、企业组织机构代码...
- linux命令jvs,Linux程序员Jvs称Windows毁灭之神几乎没法做到
- 2021年全球切削刀具市场销售额达到了244.5亿美元,预计2028年将达到321亿美元
- 计算机实验报告心得体会100字左右,[物理实验心得体会] 物理实验心得100字
- 用python编写九乘九乘法口诀
- XML轻松学习教程(修正完善版)
- navicat数据库管理软件延长试用期
热门文章
- 智能合约开发 Ganache | Truffle | Solidity | Web3.js
- 转——一个超级wince牛人使用反汇编工具修改程序的方法
- 第019篇:易康(eCognition)对象特征介绍三:几何(Geometry)_ 形状(Shape)
- alembic 命令的使用
- Err:12 http://old-releases.ubuntu.com/ubuntu xenial Release 404 Not Found [IP: 91.189.88.248 80]
- 仓库温度湿度控制措施_仓库温湿度控制管理规定
- 单片机能运行操作系统吗?
- 手机屏幕显示QVGA、VGA、WVGA、OLED的各自分辩率
- C++源文件 include头文件
- POJ 3348 Cows(凸包面积)