Key points are not available for this paper at this time.
In diesem Artikel entwickeln wir eine Klasse von Zweistufenmodellen, um drei häufige Eigenschaften von Verhaltensdaten zu berücksichtigen. Erstens ist Verhalten in seiner Konzeptualisierung und Kommunikation stets multivariat. Getrennte univariate Analysen verwandter Ergebnisvariablen sind mit potenziellen interpretativen blinden Flecken für den Forscher behaftet. Diese Praxis leidet auch aus inferenzieller Sicht, da sie nicht jegliche redundante Information in den Ergebnissen nutzt. Zweitens verwenden Studien zum Verhalten, insbesondere in der experimentellen Forschung, kleinere Stichproben. Diese Situation wirft Fragen zur Robustheit der Inferenz in Bezug auf Ausreißer auf. Drittens können bei der Ergebnisvariablen aufgrund von Unfällen oder absichtlich Beobachtungen fehlen. Das Modell erlaubt die Schätzung des gesamten Spektrums plausibler Messfehlermodelle, während alle verfügbaren Informationen genutzt werden. Maximum-Likelihood-Schätzungen werden für verschiedene Mitglieder eines multivariaten hierarchischen linearen Modells (MHLM) erhalten, und im Kontext mehrerer erklärender Beispiele stimmen diese Schätzungen eng mit den Ergebnissen eines bayesianischen Ansatzes zum normal-normal MHLM und zum normal-t MHLM überein.
Yeow Meng Thum (Sa,) untersuchte diese Frage.