En la regresión jerárquica, ¿qué significa cuando una variable es ns en un paso, pero significativa en otro?

Answer 1

Informas lo que pasó.

Significa que cuando controlas una variable, el efecto de otra variable aumenta y se vuelve significativo. Se llama efecto supresor. Es raro, y a menudo es difícil de interpretar. Por lo general, significa que la variable que se ingresó está altamente correlacionada con la variable que ya estaba en el modelo.

El primer ejemplo de esto fue por Horst (1941) [en Google, la regresión del supresor de Horst te encontrará muchos ejemplos y explicaciones]. Así es como lo explico, basado en Horts.

Tenemos una variable de resultado: habilidad para volar en avión, y dos predictores, puntaje de prueba de habilidad mecánica y puntaje de prueba de habilidad verbal.

Si solo usamos la habilidad de habilidad mecánica como predictor, obtenemos un coeficiente de regresión positivo, esto se debe a que la habilidad mecánica predice la capacidad de vuelo.

Si solo usamos la habilidad verbal como predictor, no tenemos ningún efecto.

Si usamos ambos, obtenemos un efecto negativo para la habilidad verbal y un efecto mayor para la habilidad mecánica. Lo que ha sucedido es que la capacidad mecánica y la capacidad verbal están correlacionadas. Específicamente, la prueba de capacidad mecánica mide la capacidad mecánica, pero también mide la capacidad verbal, ya que las preguntas deben estar escritas. Así que la prueba de habilidad mecánica está contaminada con habilidad verbal.

Qué significa eso? Significa que si dos personas (llámenlas Alice y Bob obtienen el mismo puntaje en la habilidad mecánica, pero Alice obtiene una puntuación más alta en la habilidad verbal, entonces Alice está recibiendo ayuda en la prueba de habilidad mecánica (de su capacidad verbal). Si queremos predecir lo buena que será en volar el avión, tenemos que penalizarla por su capacidad verbal, por lo que no creemos que sea tan buena volando como Bob.

Esta es una situación en la que es relativamente fácil de interpretar; a menudo en situaciones reales es muy difícil de interpretar. No le importa mucho lo que suceda con las variables de control después de haber ingresado a los predictores de interés. A menudo ni siquiera los denuncio.

Otra situación en la que surge es si su segundo efecto es una transformación no lineal de la primera. Si este es el caso, ignore las estimaciones y use el valor p asociado con el cambio en R cuadrado.

Answer 2

Jeremy tiene toda la razón. Cuando controlamos una de las calidades alternativas, el impacto de otra es mayor. Como resultado – se vuelve significativo. Es el efecto supresor mencionado anteriormente.

Esto significa que cuando se controla un factor, el impacto de otra variable se expande y termina notablemente notable. Es conocido como un silenciador de impacto. Es extraño y con frecuencia es difícil traducirlo. Por lo general, implica que la variable que se ingresó está extremadamente conectada con la variable que estaba en ese punto en el modelo.

Suppressor es el factor de variable libre que, cuando se agrega al modelo, aumenta la R cuadrada observada principalmente debido a que representa los residuos dejados por el modelo sin ella, y no debido a su propia asociación con el DV (que es casi frágil). Nos damos cuenta de que la expansión en R cuadrado a la luz de incluir una IV es la relación de la parte cuadrada de esa IV en ese nuevo modelo. De este modo, si la correlación parcial de la IV con la DV es mayor (por suprema estima) que la r de orden cero entre ellas, esa IV es un supresor.

Aquí hay un ejemplo de efecto supresor.

También este sitio web puede ayudarte con tu pregunta. http://www.spss-research.com/regression-spss-help/hierarchial-regression-spss-services/ Tienen mucha información buena.