hierarchische Datenstruktur, fixed effects model

Alle Verfahren der Regressionanalyse.

hierarchische Datenstruktur, fixed effects model

Beitragvon Xibit » Mi 5. Aug 2020, 11:07

Hallo zusammen,
ich würde mich freuen, wenn mir jemand zu folgender Fragestellung einen Rat geben könnte:
Im Rahmen meiner Masterarbeit untersuche ich Daten einer begleiteten online Depressionsprävention. Begleitet bedeutet, dass Teilnehmer nach jedem bearbeiteten Modul der Intervention Kontakt zu ihrem eCoach(Psychologe) haben. Insgesamt gibt es 10 eCoaches.
Mich interessiert die Frage, ob die Bewertung der Beziehung zum eCoach die Beziehung zwischen der Anzahl der bearbeiteten Module und der Depressionsschwere meditiert.
Anzahl Module -> Beziehung eCoach -> Depressionssymptomatik.

Es hat sich gezeigt, dass die Zugehörigkeit zum eCoach einen signifikanten Einfluss auf die Anzahl der bearbeiteten Module, sowie das Rating der Beziehung zum eCoach hat. Sprich: z.B. Teilnehmer, die von eCoach 1 betreut werden, bearbeiten tendenziell mehr Module und bewerten ihre Beziehung zum eCoach besser.

Ich kann die eCoach-Zugehörigkeit als Dummykodierte Kontrollvariable mit reinnehmen, und bei der Vorhersage von Beziehung eCoach kontrollieren.
Aber wie kann ich meinen Prädiktor "Anzahl Module" für die eCoach Zugehörigkeit kontrollieren? Macht das überhaupt Sinn?

Lieben Dank im Voraus für eure Unterstützung!
Xibit
Grünschnabel
Grünschnabel
 
Beiträge: 2
Registriert: Mi 24. Jun 2020, 08:54
Danke gegeben: 0
Danke bekommen: 0 mal in 0 Post

Re: hierarchische Datenstruktur, fixed effects model

Beitragvon strukturmarionette » Mi 5. Aug 2020, 23:52

Hi,

Macht das überhaupt Sinn?

- ne

Gruß
S.
strukturmarionette
Schlaflos in Seattle
Schlaflos in Seattle
 
Beiträge: 4312
Registriert: Fr 17. Jun 2011, 22:15
Danke gegeben: 32
Danke bekommen: 582 mal in 579 Posts

Re: hierarchische Datenstruktur, fixed effects model

Beitragvon Xibit » Do 6. Aug 2020, 08:26

Hi S.,
meinst du also es ist ausreichend, wenn ich die eCoach Zugehörigkeit bei der Vorhersage von der Beziehung eCoach und der Depressionssymptomatik berücksichtige?
Mein R-Befehl könnte also folgendermaßen aussehen: (ModuleEr=Anzahl Module; WAI_P= Beziehung eCoach, QIDS_t1=Depressionssymptomatik. Ich kontrolliere in meinem Befehl übrigens auch nach der Eingangssymptomatik = QIDS_t0)

library(mediation)
med.1a <- lm(WAI_P~ ModuleEr + eCoach.d2 + eCoach.d3 + eCoach.d4 + eCoach.d5 + eCoach.d6 + eCoach.d7 + eCoach.d8 + eCoach.d9 + eCoach.d10 + QIDS_t0, data = df)
summary(med.1a)
med.bc <- lm(QIDS_t1~ WAI_P + ModuleEr + eCoach.d2 + eCoach.d3 + eCoach.d4 + eCoach.d5 + eCoach.d6 + eCoach.d7 + eCoach.d8 + eCoach.d9 + eCoach.d10 + QIDS_t0, data = df)
summary(med.bc)
med.WAI_P <- mediate(med.1a, med.1bc, treat="ModuleEr", mediator="WAI_P", sims=500)
summary(med.WAI_P1)

Ich frage mich übrigens auch, inwiefern es einen Unterschied macht, wenn ich das ganze mit lavaan rechne. Was ist zu bevorzugen?

library(lavaan)
med.2 <- '
QIDS_t1 ~ b1*WAI_P + diref*ModuleEr + eCoach.d2 + eCoach.d3 + eCoach.d4 + eCoach.d5 + eCoach.d6 + eCoach.d7 + eCoach.d8 + eCoach.d9 + eCoach.d10 + QIDS_t0

WAI_P ~ b2*ModuleEr + eCoach.d2 + eCoach.d3 + eCoach.d4 + eCoach.d5 + eCoach.d6 + eCoach.d7 + eCoach.d8 + eCoach.d9 + eCoach.d10 + QIDS_t0

indef := b1*b2
total := indef + diref
'
res.5 <- sem(med.5,df)
summary(res.5,fit.measures=TRUE)

Lieben Dank und liebe Grüße!!
Xibit
Grünschnabel
Grünschnabel
 
Beiträge: 2
Registriert: Mi 24. Jun 2020, 08:54
Danke gegeben: 0
Danke bekommen: 0 mal in 0 Post


Zurück zu Regressionanalyse

Wer ist online?

Mitglieder in diesem Forum: 0 Mitglieder und 5 Gäste