Modelo multinivel para una muestra de tablas de contingencia: Un estudio de simulación
Palabras clave:
tablas de contingencia, modelos multinivel, enfoque GSKResumen
Frecuentemente en las investigaciones científicas, los problemas a estudiar conducen al análisis de una muestra de tablas de contingencia. La complicación estadística surge a partir de la estructura jerárquica de los datos ya que generalmente se violan las hipótesis de independencia y observaciones idénticamente distribuidas, necesarias para el uso de muchos de los métodos estadísticos estándar. Algunos procedimientos han sido desarrollados para el análisis de modelos multinivel con respuesta binaria. Montero, Castell y Ojeda (2001) propusieron utilizar el enfoque GSK para analizar datos categóricos en una muestra de tablas de contingencia. El algoritmo de estimación se basa en los mínimos cuadrados generalizados. En este trabajo se usa un estudio de simulación para explorar algunas propiedades del procedimiento propuesto. El estudio examina los efectos de diferentes tamaños de muestra y magnitudes de la varianza de nivel-2 sobre la precisión de las estimaciones de los efectos fijos y aleatorios. También se investiga la precisión de los errores estándar.
Descargas
Citas
Breslow, N. E. and Clayton, D. G. (1993): Approximate inference in generalized linear models. Journal of the American Statistical Association, 88, 9-25.
Bryk. A.S. and Rraudenbush. S.W., 1992: Hierarchical Linear Models: Applications and Data Analysis Methods. Sage Publications, Thousand Oaks, California, USA.
Forthoper, R. N. and Koch, G. G. (1973): An analysis for compounded functions of categorical data. Biometrics. 29, 143-157.
Hamerle, A. and Honning, G. (1995): Panel Analysis for Qualitative Variables. in: G. Arminger, C.C. Clogg und M.E. Sobel (Herausgeber): A Handbook for Statistical Modeling in the Social and Behavioral Sciences. New York: Plenum, 401-451.
Hedges, L. V. and Olkin, I (1985): Statistical Methods for Meta–analysis. Academic Press, New York.
Hox, J.J. and Maas, C.J.M. (2002): Sample sizes for multilevel modeling. In: J. Blasius, J. Hox , E. de Leeuw & P. Schmidt (eds.) (2002). Social Science Methodology in the New Millennium. Proceedings of the Fifth International Conference on Logic and Methodology. Second expanded edition. Opladen, RG: Leske + Budrich Verlag (CD-ROM).
Hsiao, C. (1986): Analysis of Panel Data. Cambridge University Press, New York.
Glass, G. V. (1976): Primary, secondary and meta–analysis of research. Educational Researcher, 5, 3-8.
Goldstein, H. (1987). Multilevel models in educational and social research. London: Griffinn.
Goldstein, H. (1991): Nonlinear multilevel models, with an application to discrete response data. Biometrika. 78. 1. pp 45-51.
Goldstein, H. (1995): Multilevel Statistical Models. 2nd. Ed. Halsted Press, New York.
Grizzle, J.E., Starmerc. F. and Koch G., (1969): Analysis of categorical data by linearmodels. Biometrics, 25, 489-504.
Kreft, I.G.G. (1996): Are Multilevel Techniques Necessary? An overview, including Simulation Studies …………….
Lee Y. and Nelder J.A., (1996): Hierarchical generalized linear models (with discussion). Journal of the Royal Statistical Society, Series B. 58: 619-678.
Lee Y. and Nelder J.A., (2001): Hierarchical generalized linear models: a synthesis of generalized linear model, random-effect models and structured dispersions. Biometrika, 88, 987-1006.
Longford, N.T., (1993): Random coefficient models. Oxford: Clarendon Press.
Longford, N.T., (1994): Logistic regression with random coefficients. Computational Statistics and Data Analysis, 97, 1-15.
Longford, N.T., (1995): Random coefficient models, in: G. Arminger, C. C. Clogg, M. E. Sobel (eds.), Handbook of Statistiscal Modeling for the Social and Behavioral Sciences, Plenum Press, New York, 519-577.
Mok, M. (1999): Sample size requirements for 2-level designs in educational research….
Rodriguez, G. and Goldman, N. (1995): An assessment of estimation procedures for multilevel models with binary response. Statistics in Medicine, 13, 541-51.
Rodriguez, G. and Goldman, N. (2001): Improved estimation procedures for multilevel models with binary response: a case-study. Journal of the Royal Statistical Society, Series A, 164. Part 2, pp. 339-335.
Rudas, T. (1986): A Monte Carlo comparison of the small sample behavior of the Pearson, the likelihood ratio and the Cressie-Read statistics. Journal of Statistical Computation and Simulation, 24, 107-120.
Rudas, T. (1998): Odds Ratios in the Analysis of Contingency Tables. Sage Publications, Thousand Daks, USA.
Descargas
Publicado
Versiones
- 2024-06-26 (2)
- 2008-12-12 (1)
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Esta licencia permite copiar y redistribuir el material en cualquier medio o formato bajo los siguientes términos: se debe dar crédito de manera adecuada, no se puede hacer uso del material con propósitos comerciales, y si remezcla, transforma o crea a partir del material, no podrá distribuir el material modificado. Bajo la licencia mencionada, los autores mantienen los derechos de autor de su trabajo.
