Multilevel Model Tabelle interpretieren

Liebe/-r Experte/-in,

Ich sollte nächste Woche ein Paper vorstellen, bin mir jedoch bei der Interpretation einer Tabelle nicht ganz sicher, ob ich das richtig verstanden habe (und im Text wird das nciht erklärt…)
Es geht um Bullying-Verhalten, es wurde eine multilevel (hierarch.) Regression gerechnet, wobei zunächst das Nullmodell geschätzt wurde und dann die individuellen Charakteristiken und daraufhin die
Charakteristiken der Klasse als erklärende Variablen hinzugezogen wurden. Der Tabelle kann ich die b’s und SE’s entnehmen. An erster Stelle kommen die Werte für „Intercept“, dann diese für die individuellen Charakteristika, danach bei den b’s ein Chi-Quadrat-verteilter Wert für „Deviance Drop“, dann die Charakteristiken der Klasse und dann ein zweiter Chi-Quadrat-verteilter Wert für „Deviance Drop“
Ist das nun richtig wenn ich sage:

  • die b’s bei „Intercept“ entsprechen der Varianz im
    Bullying-Verhalten zwischen den Schülern (also die zu erklärende
    Varianz, wobei ich nicht verstehe, weshalb diese beim „final model“
    kleiner ist).
  • die b’s bei „Gender“, „N reciprocal friends“ etc. entsprechen den
    erklärten Varianzanteilen
  • die Werte bei „Deviance Drop“ zeigen, dass das hinzunehmen des
    "Individual Level"s, bzw. des "final model"s signifikant zur Erklärung
    der Varianz beitragen.
  • da es sich um unstandardisierte Werte handelt, schaue ich nur auf
    die Signifikanzen (dies ist ganz sicher bei den chi-Quadrat-verteilten
    „deviance drop“ und den intercepts so, da diese ja grösser sind als 1.
    Ob es bei den anderen auch so der Fall ist weiss ich nicht genau)
    Und hat jemand eine gute Übersetzung für „Deviance Drop“?

Ich wäre sehr froh um etwas Hilfe, vielen Dank schon im Voraus!

Lieber Gruss

Regula

Hallo,

da muss ich leider passen. Tut mir Leid.

Gruß, Andreas

Hallo Andreas

Trotzdem vielen Dank fürs Antworten!

Lieber Gruss

Regula

sieht eher nach dem Bent Cable problem aus.
Schau mal hier.
http://www.stat.sfu.ca/people/alumni/Theses/Chiu.pdf

Hier gilt die als negativ Erscheinung, d.h. der reduktion der Abweichung, ist daher nagtiv behaftet.

Ich hoffe ich 2 Fragen beantworten, die hatte ich zumindestens herausgelesen.

Grüße
Fredo

Vielen Dank für deine Antwort, Fredo!
Hmm, also das würde bedeuten, dass es kein linearer Effekt ist, oder? Davon steht aber nichts in dem Paper…
Lieber Gruss, Regula

Hallo Regina,
da ich das Modell nicht kenne und nur deien Interpretationen habe, war dies nur eine weitere Hypothese. Gerade bei multitvariaten Modellen oder Regressionen sind die Bedeutungen entscheidend. Ich würde erst mal die einzelnen Signifikanzen genau untersuchen und feststellen, welche Abhängiskeit vorhanden ist. Dann fällt es Dir leichter, die Linearität zu erfassen. Aber Soziologie war noch nie meine Stärke. Evt. hilft das ja:
http://www.soziologie.uni-halle.de/langer/multilevel…

Grüße
Fred

Vielen Dank für deine Antwort, Fredo!
Hmm, also das würde bedeuten, dass es kein linearer Effekt
ist, oder? Davon steht aber nichts in dem Paper…
Lieber Gruss, Regula

Hallo Fred

Ja, das trifft das Thema glaub ich ganz gut, das bestätigt meine Annahme, dass dieser „deviance drop“ als zusätzlich zum Nullmodell, bzw. zum Modell mit nur persönl. Charakteristika erklärter Varianzanteil (unstandardisiert) erklärt werden kann! Wie ich den Wert beim Intercept interpretieren soll steht da leider nicht drin. Aber ist trotzdem schon mal eine grosse Hilfe, danke!

Lieber Gruss

Regula

Hi Regula,

kurz gesagt: nein.
schau mal hier rein http://assets.cambridge.org/97805218/67061/excerpt/9…
dann siehst du, dass es sich im Grunde „nur“ um verschachtelte regressionen handelt. Und genauso sollten auch die parametere interpretiert werden: also Koeffizienten und nicht als Variantionsanteile.

Grüße,
JPL

Hallo JPL

Vielen Dank für deine Antwort. Okay, man nennt es dann einfach nciht Varianzanteile, aber inhaltlich hat es doch genau mit der erklärten Varianz zu tun, oder? Oder wie interpretiere ich das sonst inhaltlich?

Lieber Gruss

Regula

Hi Regula,

nein, die parameter sind wie in einer Regressionsgleichung
(y=a + b*x1 + c*x2…) zu interpretieren.

Viele Grüße,
JPL