Dependent Data in Social Sciences Research: Forms, Issues, and Methods of Analysis

این جلد مشارکت‌هایی را در مورد مدیریت داده‌ها ارائه می‌کند که در آن فرض استقلال در ماتریس داده نقض می‌شود. هنگامی که این اصل نقض می شود و زمانی که روش هایی با فرض استقلال هنوز اعمال می شوند، پارامترهای برآورد شده احتمالاً سوگیری دارند و تصمیمات آماری به احتمال زیاد نادرست هستند. مشکلات مربوط به وابستگی در داده ها برای مدت طولانی شناخته شده است و منجر به توسعه روش های مناسب برای تجزیه و تحلیل داده های وابسته در حوزه های مختلف تحلیل آماری شده است. این روش‌ها شامل روش‌هایی برای تجزیه و تحلیل داده‌های طولی، اصلاحات وابستگی و اصلاحات برای درجات آزادی است. این جلد شامل پنج بخش زیر است: مدل‌سازی منحنی رشد، وابستگی جهت، مدل‌سازی داده‌های دوتایی، مدل‌سازی پاسخ آیتم (IRT) و روش‌های دیگر برای تجزیه و تحلیل داده‌های وابسته (به عنوان مثال، رویکردهای مدل‌سازی وابستگی مقطع، تکنیک‌های مقیاس‌بندی چند بعدی، و مدل های ترکیبی). محققان و دانشجویان فارغ التحصیل در علوم اجتماعی و رفتاری، آموزش، اقتصاد سنجی و پزشکی، این مرور کلی به روز از رویکردهای آماری مدرن برای مقابله با مشکلات مربوط به داده های وابسته را بسیار مفید خواهند یافت.

This volume presents contributions on handling data in which the postulate of independence in the data matrix is violated. When this postulate is violated and when the methods assuming independence are still applied, the estimated parameters are likely to be biased, and statistical decisions are very likely to be incorrect. Problems associated with dependence in data have been known for a long time, and led to the development of tailored methods for the analysis of dependent data in various areas of statistical analysis. These methods include, for example, methods for the analysis of longitudinal data, corrections for dependency, and corrections for degrees of freedom. This volume contains the following five sections: growth curve modeling, directional dependence, dyadic data modeling, item response modeling (IRT), and other methods for the analysis of dependent data (e.g., approaches for modeling cross-section dependence, multidimensional scaling techniques, and mixed models). Researchers and graduate students in the social and behavioral sciences, education, econometrics, and medicine will find this up-to-date overview of modern statistical approaches for dealing with problems related to dependent data particularly useful.