To further examine the robustness o

To further examine the robustness of the results obtained from the HLM analyses, we tested the hypotheses pooling respondents across stores using two additional methods: (a) OLS regressions, and (b) regressions with a cluster correction of the error covariance matrix (Rogers, 1993). Although OLS ignores the nesting nature of the data and thus may produce biased estimators of standard errors, OLS might be more stable in small samples and more robust against model misspecification than HLM (James & Williams, 2000) and therefore useful for checking purposes. The cluster method adjusts the estimated variance-covariance structure of the error terms to account for the interdependence among observations from the same store and heterogeneous errors across stores (see Glomb & Liao, 2003; Liao, Arvey, Butler, & Nutting, 2001; Milton & West- phal, 2005). We found that the pattern of results from the OLS regressions and the regressions with the cluster correction for both the longitudinal sample and the combined sample was highly consistent with that from the HLM analyses, providing additional confidence in our statistical inferences.

結果 (繁體中文) 1:

為了進一步檢查的結果從HLM分析中獲得的魯棒性，我們測試使用兩種另外的方法的假設匯集跨越存儲受訪者：（一）OLS回歸，和（b）回歸與誤差協方差矩陣的一個簇校正（羅傑斯1993年）。雖然OLS忽略數據的嵌套性質，並且因此可以產生標準誤差的有偏估計，OLS可能是小樣本中更穩定，比HLM（詹姆斯＆威廉姆斯，2000）更健壯針對模型假設錯誤，並且因此，用於檢查目的。群集方法調整誤差項的估計方差 - 協方差結構，以說明的相互依賴自同一商店橫跨存儲（見Glomb＆遼，2003觀察和異構誤差中;遼，Arvey，管家，＆納丁，2001;米爾頓＆西氣東輸蝴蝶蘭，2005年）。我們發現，結果從OLS回歸和回歸與縱向樣品和合併後的樣品都群集修正的模式是與從HLM分析高度一致，提供我們的統計推斷額外的信心。

結果 (繁體中文) 2:

為了進一步檢查從 HLM 分析中獲得的結果的魯棒性，我們測試了使用兩種附加方法將各商店中的受訪者集中的假設：（a） OLS 回歸和 （b） 帶有錯誤共變數的聚類校正的回歸矩陣（羅傑斯，1993年）。儘管 OLS 忽略了資料的嵌套性質，因此可能產生標準誤差的偏置估計，但 OLS 在小樣本中可能比 HLM（James & Williams，2000 年）更穩定，並且對模型錯誤規範更可靠，因此可用於檢查目的。聚類方法調整誤差項的估計方差-共變數結構，以考慮到同一存儲的觀測值和跨存儲的異構誤差之間的相互依賴性（參見 Glomb & Liao，2003 年;廖， 阿爾維， 巴特勒， & 堅果， 2001;密爾頓 – 西法爾，2005年）。我們發現，OLS 回歸和縱向樣本和組合樣本的聚類校正結果模式與 HLM 分析的結果模式高度一致，從而增加了我們對統計推論。

結果 (繁體中文) 3:

為了進一步檢驗從HLM分析中獲得的結果的穩健性，我們使用兩種額外的方法測試了將被訪者彙集到商店的假設：（a）OLS回歸，和（b）對誤差協方差矩陣進行聚類校正的回歸（Rogers，1993）。儘管OLS忽略了數據的嵌套性質，囙此可能會產生標準誤差的有偏估計，但OLS在小樣本中可能比HLM更穩定，對模型錯誤指定也更穩健（James&Williams，2000），囙此在檢查時很有用。聚類方法調整誤差項的估計方差協方差結構，以解釋來自同一存儲區的觀測值與跨存儲區的異質誤差之間的相互依賴關係（見Glomb&Liao，2003；Liao，Arvey，Butler，&Nutting，2001；Milton&West-phal，2005）。我們發現縱向樣本和組合樣本的OLS回歸和聚類校正回歸的結果模式與HLM分析的結果高度一致，為我們的統計推斷提供了額外的可信度。