Decomposing interactions using GLM in combination with the COMPARE, LMATRIX and MMATRIX subcommands in SPSS
Notice bibliographique
Résumé
In this tutorial, we provide researchers who use SPSS step-by-step instructions for decomposing interactions when a three-way ANOVA is conducted using the GLM procedure.We start with a demonstration of how a two-way interaction can be decomposed using the COMPARE subcommand in combination with syntax.Then, we provide instructions with examples for conducting simple interaction and secondorder simple effects analyses for three-way ANOVAs with between-subjects, withinsubjects, and mixed between-and within-subjects variables using the LMATRIX or MMATRIX subcommands.Provided in Appendices are general rules that can be used to derive design-specific LMATRIX and MMATRIX subcommands.Since the release of SPSS 7.5, the General Linear Model (GLM) procedure has become the only way of conducting analyses of variance (ANOVAs) in SPSS without resorting to syntax (Nichols, 1997).Introduced in replacement of the MANOVA procedure, GLM allows users to conduct between-subjects, within-subjects, and mixed-design ANOVAs by following the steps prescribed in a short series of dialog boxes that are fairly intuitive to use.Moreover, in addition to generating F Tables, GLM lets users run a wide range of complementary tests and statistics.Hence, by clicking relevantly labeled options, users can obtain tests of assumptions, descriptive statistics, power analyses, effect
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,022 | 0,085 |
| Méta-épidémiologie (sens strict) | 0,006 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,103 | 0,031 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».