Bem-vindo ao Instituto de Pesquisa e Educação Digital Stata FAQ Como posso usar o programa hlm para converter um arquivo Stata em um arquivo HLM. Pode ser complicado obter seus dados no HLM, mas há um ótimo programa Stata chamado hlm que faz isso Processo muito indolor. Você pode baixar o hlm digitando findit hlm (veja Como posso usar o comando findit para procurar programas e obter ajuda adicional para obter mais informações sobre o uso do findit). MUITO IMPORTANTE O programa Stata hlm chama HLM 6.x para converter o seu arquivo Stata em um arquivo HLM, então você precisa primeiro definir sua variável de caminho para que o programa HLM possa ser encontrado. Consulte Como definir a variável de caminho para apontar para o HLM para obter instruções sobre como fazer isso. É muito importante completar esta etapa, caso contrário a conversão não funcionará. Você precisa fazer isso apenas uma vez. Além disso, a partir da versão 1.5 da hlm, o hlm funciona apenas com a versão 6.x da HLM e lê os arquivos de dados Stata da versão 11 e inferior. Exemplo 1: um modelo univariante de 2 níveis Este arquivo possui uma estrutura de 2 níveis, estudantes aninhados nas escolas. O ID da variável é o ID da escola. Agora, digamos que estamos interessados em um modelo de 2 níveis onde nossas variáveis de nível 1 são mathach. Ses e feminino e nossas variáveis de nível 2 são significativas. Setor e tamanho e queremos chamar nosso novo arquivo HLM myhsb. mdm. A opção id () é necessária para especificar a estrutura hierárquica e as opções l1 () e l2 () especificam as variáveis do nível 1 e as variáveis de nível 2 no modelo. Agora você pode iniciar o HLM e clicar em Arquivo e, em seguida, criar um novo modelo usando um arquivo MDM existente e abrir o arquivo myhsb. mdm. Exemplo 2: Um modelo univariante de 3 níveis Este arquivo de dados possui uma estrutura de 3 níveis. As observações repetidas sobre as pontuações de matemática e crianças estabelecidas para crianças são aninhadas nas escolas. Para criar um arquivo HLM para um modelo de 3 níveis, precisamos especificar as variáveis de identificação de nível 2 e de nível 3. Por exemplo, para criar um arquivo HLM chamado egall3.mdm, nós fazemos: Aqui temos que especificar a opção type (hlm3) para criar um arquivo de três níveis. A opção id () dá a variável id-level 2 e a opção id3 () dá a variável id-level 3. O l1 (). L2 (). E l3 () oferecem as variáveis de nível 1, nível 2 e nível 3. Agora você pode iniciar o HLM e clicar em Arquivo e, em seguida, criar um novo modelo usando um arquivo MDM existente e abrir o arquivo egall3.mdm. O conteúdo deste site não deve ser interpretado como um endosso de qualquer site, livro ou produto de software específico da Universidade da Califórnia. Nos últimos 15-20 anos, a modelagem multinível evoluiu de uma área de especialidade de pesquisa estatística para um Ferramenta analítica padrão utilizada por muitos pesquisadores aplicados. A Stata tem muitas capacidades de modelagem multinível. Quero mostrar-lhe como é fácil encaixar modelos de vários níveis no Stata. Ao longo do caminho, inevitavelmente apresentamos algum jargão de modelagem multinível. I8217m vai se concentrar em conceitos e ignorar muitos dos detalhes que seriam parte de uma análise formal de dados. Eu lhe darei algumas sugestões para aprender mais no final da publicação. A Stata possui uma caixa de diálogo amigável que pode ajudá-lo na construção de modelos multiníveis. Se você quiser uma breve introdução usando a GUI, você pode assistir a uma demonstração no canal YouTube do Stata8217s: Introdução aos modelos lineares multiníveis na Stata, parte 1: o comando xtmixed Os dados multiníveis são caracterizados por uma estrutura hierárquica. Um exemplo clássico são crianças aninhadas nas salas de aula e aulas aninhadas nas escolas. Os resultados dos exames de alunos da mesma sala de aula podem ser correlacionados devido à exposição ao mesmo professor ou livro de texto. Do mesmo modo, os resultados médios das aulas podem estar correlacionados dentro de uma escola devido ao nível socioeconômico similar dos alunos. Você pode ter executado conjuntos de dados com esses tipos de estruturas em seu próprio trabalho. Para o nosso exemplo, gostaria de usar um conjunto de dados com características hierárquicas tanto longitudinais quanto clássicas. Você pode acessar este conjunto de dados dentro do Stata digitando o seguinte comando: Vamos construir um modelo de produto bruto de estado para 48 estados nos EUA medido anualmente de 1970 a 1986. Os estados foram agrupados em nove regiões com base em sua economia semelhança. Por razões de distribuição, estaremos modelando o logaritmo do Produto Bruto Bruto anual (GSP), mas, no interesse da legibilidade, simplesmente me referirei à variável dependente como SGP. Let8217s olham um gráfico desses dados para ver com o qual estamos trabalhando. Cada linha representa a trajetória de um GSP de estado8217 (log) nos anos 1970 a 1986. A primeira coisa que notei é que os grupos de linhas são diferentes em cada uma das nove regiões. Alguns grupos de linhas parecem maiores e alguns grupos parecem mais baixos. A segunda coisa que percebo é que as encostas das linhas não são as mesmas. I8217d gostaria de incorporar os atributos dos dados no meu modelo. Os componentes de variância Let8217s abordam as diferenças verticais nos grupos de linhas primeiro. Se pensarmos sobre a estrutura hierárquica desses dados, tenho observações repetidas aninhadas dentro de estados que, por sua vez, estão aninhados dentro de regiões. Usei cor para acompanhar a hierarquia de dados. Podemos calcular o SGP médio dentro de cada estado e observar que as observações dentro de cada estado variam em relação ao seu estado médio. Da mesma forma, podemos calcular o SGP médio dentro de cada região e observar que o estado significa variar em relação ao seu significado regional. Podemos também calcular um grande significado e observar que os meios regionais variam em relação ao grande meio. Em seguida, let8217s introduzem alguma notação para nos ajudar a acompanhar nossa estrutura mutlilevel. No jargão da modelagem multinível, as medidas repetidas do GSP são descritas como o nível 8220 18221, os estados são referidos como 8220 nível 28221 e as regiões estão no nível 8220. 38221. Posso adicionar um subíndice de três partes a cada observação para acompanhar o seu lugar Na hierarquia. Agora vamos pensar sobre o nosso modelo. O modelo de regressão mais simples é o modelo de intercepção que é equivalente à média da amostra. A média da amostra é a parte 8220fixed8221 do modelo e a diferença entre a observação e a média é a parte residual ou 8220random8221 do modelo. Econometricians muitas vezes preferem o termo 8220disturbance8221. I8217m vai usar o símbolo para denotar a parte fixa do modelo. Poderia representar algo tão simples como a amostra significa ou poderia representar uma coleção de variáveis independentes e seus parâmetros. Cada observação pode então ser descrita em termos de seu desvio da parte fixa do modelo. Se calculássemos esse desvio de cada observação, poderíamos estimar a variabilidade desses desvios. Let8217s tenta isso para nossos dados usando o comando xtmixed de Stata8217s para se ajustar ao modelo: a tabela superior na saída mostra a parte fixa do modelo que se parece com qualquer outra saída de regressão da Stata e a tabela inferior exibe a parte aleatória do modelo. Let8217s olham um gráfico de nosso modelo juntamente com os dados brutos e interpretam nossos resultados. A linha preta grossa no centro do gráfico é a estimativa de contra, que é uma estimativa da parte fixa do modelo para GSP. Neste modelo simples, contras é a média da amostra que é igual a 10,51. Em 8220Random-Effects Parameters8221 seção da saída, sd (Residual) é a distância vertical média entre cada observação (os pontos vermelhos) e a parte fixa do modelo (a linha preta). Neste modelo, sd (Residual) é a estimativa do desvio padrão da amostra, que é igual a 1,02. Neste ponto, você pode estar pensando em si mesmo 8211 8220That8217s não muito interessante 8211 Eu poderia ter feito isso com Stata8217s resumir comando8221. E você estaria correto. Mas aqui, quando isso se torna interessante. Let8217s tornam a parte aleatória do modelo mais complexa para explicar a estrutura hierárquica dos dados. Considere uma única observação, y ijk e veja novamente o seu residual. A observação desvia-se do seu estado significa por uma quantidade que iremos denotar e ijk. O estado da observação8217s significa desviar dos regionais significa u ij. E a média regional da observação8217s se desvia da parte fixa do modelo, por uma quantia que denotaremos você ... Nós dividimos o resíduo de observação8217 em três partes, também conhecido como 8220componentes8221, que descrevem sua magnitude em relação ao estado, região e grandes meios. Se calculássemos esse conjunto de resíduos para cada observação, podemos estimar a variabilidade desses resíduos e fazer suposições distributivas sobre eles. Esses tipos de modelos são freqüentemente chamados de modelos 8220variance component8221 porque eles estimam a variabilidade explicada por cada nível da hierarquia. Podemos estimar um modelo de componente de variância para GSP usando o comando xtmixed de Stata8217s: a parte fixa do modelo, contras, ainda é a média da amostra. Mas agora há três estimativas de parâmetros na tabela inferior com o nome 8220Random-effects Parameters8221. Cada um quantifica o desvio médio em cada nível da hierarquia. Let8217s representam as previsões do nosso modelo e vêem quão bem eles se encaixam nos dados. Wow 8211 that8217s é um bom gráfico se eu disser isso sozinho. Seria impressionante para um relatório ou publicação, mas it8217s um pouco difícil de ler com as nove regiões exibidas de uma só vez. Let8217s examine mais de perto a Região 7. Os pontos vermelhos são as observações do GSP para cada estado dentro da Região 7. As linhas verdes são o GSP médio estimado dentro de cada Estado e a linha azul é o GSP médio estimado dentro da Região 7. A linha preta grossa no centro é o grande geral Significa para as nove regiões. O modelo parece adequar-se bastante aos dados, mas posso ajudar a notar que os pontos vermelhos parecem ter uma inclinação para cima para eles. Nosso modelo prediz que o GSP é constante dentro de cada estado e região de 1970 a 1986, quando claramente os dados mostram uma tendência ascendente. Então, abordamos o primeiro recurso de nossos dados. We8217ve incorporou com sucesso a estrutura hierárquica básica em nosso modelo ajustando uma componente de variância usando o comando xtmixed de Stata8217s. Mas o nosso gráfico nos diz que ainda não terminamos. Na próxima vez que abordamos a segunda característica de nossos dados, a natureza longitudinal das observações. Para obter mais informações Se você gosta de aprender mais sobre a modelagem de dados multiníveis e longitudinais, confira Modelagem Multilevel e Longitudinal Usando Stata, Third Edition Volume I: Respostas Contínuas Volume II: Respostas Categóricas, Contagens e Sobrevivência por Sophia Rabe-Hesketh e Anders Skrondal Ou inscreva-se no nosso curso popular de treinamento público 8220MultilevelMixed Models Using Stata 8220. There8217s um curso que vem em Washington, DC, de 7 a 8 de fevereiro de 2017.
No comments:
Post a Comment