Bagaimana untuk melihat kesan pengantaraan bootstrap

Kaedah Bootstrap untuk menilai kesan pengantara termasuk: 1. Lakukan analisis regresi untuk merekod kesan langsung dan kesan tidak langsung 2. Persampelan pisah dan berulang kali mengira kesan pengantara untuk membina selang keyakinan untuk menentukan sama ada kesan tidak langsung adalah ketara, dan Nilai sejauh mana ia menerangkan kesan keseluruhan.

Kaedah Penilaian Kesan Pengantaraan Bootstrap

Kaedah Bootstrap ialah kaedah inferens statistik yang boleh digunakan untuk menilai kesan pengantaraan. Kesan pengantara bermaksud pembolehubah bebas secara tidak langsung mempengaruhi pembolehubah bersandar dengan mempengaruhi pembolehubah pengantara.

Langkah:

1. Lakukan analisis regresi

• Gunakan bootstrap untuk menjalankan analisis regresi ke atas hubungan antara pembolehubah bebas X, pembolehubah pengantara M dan pembolehubah bersandar Y.
• Rekodkan kesan langsung (c') dan kesan tidak langsung (a*b) X pada Y.

2. Persampelan pisah

• Pilih berbilang subsampel secara rawak (contohnya, 1000 subsampel) daripada sampel asal.
• Untuk setiap subsampel, ulangi langkah berikut:

3 Kira kesan pengantaraan

• Kira kesan pengantaraan bagi setiap subsampel, iaitu: kesan tidak langsung = a*b
• C. kesan dan jumlah selang Keyakinan untuk kesan.

4. Bandingkan selang keyakinan

• Banding selang keyakinan kesan langsung dan kesan tidak langsung. Kesan pengantara dianggap wujud jika selang keyakinan untuk kesan tidak langsung tidak termasuk sifar.
• Bandingkan selang keyakinan untuk kesan tidak langsung dan kesan keseluruhan. Jika selang keyakinan untuk kesan tidak langsung adalah kecil berbanding selang keyakinan untuk jumlah kesan, ia menunjukkan bahawa kesan pengantara sebahagiannya menerangkan kesan X pada Y.

Contoh:

Andaikan kita mengkaji hubungan antara pembolehubah tidak bersandar (jantina) dan pembolehubah bersandar (gaji), dan pertimbangkan pembolehubah pengantara (peringkat pendidikan).

• Analisis regresi menunjukkan bahawa kesan langsung jantina ke atas upah ialah 0.2, dan selang keyakinan 95% ialah [0.1, 0.3].
• Kesan tidak langsung ialah 0.1, dan selang keyakinan 95% ialah [0.05, 0.15].
• Jumlah kesan ialah 0.3, dan selang keyakinan 95% ialah [0.2, 0.4].

Mengikut selang keyakinan, kesan tidak langsung adalah ketara dan bukan sifar, menunjukkan tahap pendidikan memainkan peranan pengantara dalam kesan jantina terhadap upah. Tambahan pula, selang keyakinan untuk kesan tidak langsung adalah kira-kira satu pertiga daripada selang keyakinan untuk jumlah kesan, yang bermaksud tahap pendidikan sebahagiannya menerangkan kesan jantina ke atas upah. 🎜

Atas ialah kandungan terperinci Bagaimana untuk melihat kesan pengantaraan bootstrap. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!