在集群间效应中纠正采样错误:一个经验性的贝叶斯集群平均方法与有限的人口纠正

科学领域:

• 多层次建模的多层次建模
• 统计分析 统计分析
• 量化心理学 量化心理学

背景情况:

• 聚类数据分析需要估计不同级别的关联 (例如,学生级和学校级).
• 使用样本集群平均值的传统方法可以在水平系数估计之间产生偏差.
• 潜伏集群在多层结构方程建模中的手段是一个推的替代方案,但有局限性.

研究的目的:

• 引入和评估实证贝叶斯集群平均 (EBM) 方法,以一致估计集群数据中的层次间系数.
• 为了证明EBM能够结合有限的人口纠正的能力.
• 为了比较EBM的表现与潜伏集群平均值方法.

主要方法:

• 蒙特卡洛模拟研究进行了比较EBM与潜伏集群平均值方法.
• 该研究研究了EBM在无限和有限人口假设下的表现.
• 开发了一个R函数来实现EBM方法.

主要成果:

• 根据EBM方法,可以对层次间系数进行一致的估计.
• 当人口集群大小很大时,EBM的表现与潜伏集群平均值类似.
• 对EBM应用有限种群纠正,可以为有限种群提供准确的估计.
• 限制的最大概率估计和基于概率的置信区间进一步提高了EBM的业绩.

结论:

• 实证贝叶斯集群平均方法提供了一种可行且一致的方法,用于估计集群数据中的级别之间的系数.
• 与潜伏集群手段相比,EBM提供了优势,特别是在处理有限的群体时.
• 开发的R函数有助于EBM在实践中的应用.