Tabulka 1 Víceúrovňová lineární regrese s trémou jako závislou proměnnou Efekty a fit modelu Model 1 Model 2 Model 3 Model 4 Fixní efekty Coef SE Coef SE Coef SE Coef SE γ[00] Průsečík 16,24***[KR1] 0,43 γ[10] Číslo měření (ČM) γ[20] Sólové vystoupení (Sólo) γ[30] Větší publikum γ[01] Negativní emocionalita (NE) γ[DEL: [2] :DEL] [1] Sólo × NE Náhodné efekty Level 1 Coef SE Coef SE Coef SE Coef SE σ^2 Var: Reziduum (R[ij]) 22,47*** 1,48 Level 2 τ[0]^2 Var: Průsečík (U[0j]) 4,95** 1,56 τ[1]^2 Var: ČM (U[1j]) τ[01]^2 Cov: Průsečík a ČM (U[0j], U[1j]) Fit modelu Počet parametrů 3 6 –2LogLikelihood (REML / ML) 3005,9 / 3005,9 2945,3 / 2942,1 Srovnání s předchozím modelem Δχ^2(3[KR2] )[ML][KR3] [ ]= 62,84*** Pozn. Celkový počet měření/pozorování = 497, počet respondentů = 43. K odhadu koeficientů modelu (Coef) a standardních chyb (SE) byla použita metoda restricted maximum likelihood (REML). ML = maximum likelihood, AIC = Akaike information criterion, , Var = rozptyl, Cov = kovariance. *p < 0,05; **p < 0,01; ***p < 0,001. V rámci „fitu modelu“ bývá někdy uváděn ještě řádek s vybraným informačním kritériem/kritérii (nejčastěji AIC nebo BIC) a odhad vysvětleného rozptylu R^2, který lze vypočíst dle rovnice: kde značí součet rozptylu náhodného průsečíku a reziduálního vnitrosubjektového rozptylu nového modelu čili celkový nevysvětlený rozptyl pro daný model; a značí součet rozptylu náhodného průsečíku a reziduálního vnitrosubjektového rozptylu z nulového modelu bez prediktorů čili celkový rozptyl. Jednička v rovnici vyjadřuje celkový podíl rozptylu (vždy 100 %) a zlomek pak vyjadřuje podíl nevysvětleného rozptylu (takže kdyby , byl by vysvětlený rozptyl = 1). Je zřejmé, že když od celkového podílu rozptylu odečteme podíl nevysvětleného rozptylu, dostaneme vysvětlený rozptyl, a proto má rovnice tuto podobu. Problémem je, že tuto rovnici nelze uplatnit u modelů s náhodnými směrnicemi. Jako jednoduché řešení pro odhad vysvětleného rozptylu u těchto modelů se doporučuje vypočíst daný model ještě jednou, ale bez náhodných směrnic (i když tento způsob není úplně korektní, výsledky se od korektnějších, ale složitějších odhadů zpravidla liší jen zanedbatelně) . ________________________________ [KR1]Kvůli nedostatku jsou p-hodnoty uvedeny pomocí hvězdiček [KR2]Stupně volnosti odpovídají rozdílu v počtu parametrů. [KR3]Jaký byl použit estimátor: v případě, že se srovnávané modely liší ve fixních efektech, měli bychom vždy použít ML, v případě, že se liší v náhodných efektech, používáme raději REML (ačkoli Field píše, že bychom vždy měli použít ML při srovnávání modelů). Modely lze takto srovnávat jen v případě, že jsou tzv. „nested“: složitější model obsahuje všechny parametry předchozího modelu (a nějaké navíc), což je v našem případě splněno.