The results of the analysis show fo

The results of the analysis show for instance a highly significant relationship
between the average value of X2 (calculated over all six repeated measurements)
and the outcome variable Y at t = 6; a relationship which can be interpreted in
such a way that a 1 point higher “long-term exposure” to X2 is associated with a
0.37 point higher value for Y at t = 6.
The last mentioned cross-sectional method that can be used to analyze a longitudinal
relationship is based on the individual linear regression lines between
outcome variable Y and time. The individual regression coefficients with time (i.e.
the slopes) are then used as outcome variable in a linear regression analysis relating
the development of outcome variable Y to several covariates. It has already been
mentioned that the covariates can be modeled in many different ways, depending
on the research question at issue. In this example the relationship between the
values of all covariates at t = 1 and the slopes of the individual regression lines of
outcome variable Y was investigated, in order to obtain an answer to the question
of whether or not the development in outcome variable Y can be predicted by
covariates measured at the first measurement (t = 1). The result of this analysis is
shown in Table 4.3.
In this analysis, bothX2 (measured at t=1) andX4 are significantly and positively
related to the linear increase in the outcome variable Y between t = 1 and t = 6.

Kết quả (Việt) 2:

Các kết quả của chương trình phân tích ví dụ một mối quan hệ rất quan trọng
giữa giá trị trung bình của X2 (tính trên tất cả sáu phép đo lặp đi lặp lại)
và các biến kết quả Y tại t = 6; một mối quan hệ có thể được giải thích theo
một cách mà một điểm 1 cao hơn "tiếp xúc lâu dài" để X2 được liên kết với một
giá trị 0,37 điểm cao hơn cho Y tại t = 6.
Các phương pháp nêu trên cắt ngang cuối cùng có thể được sử dụng để phân tích theo chiều dọc
mối quan hệ dựa trên đường hồi quy tuyến tính đơn lẻ giữa các
biến kết quả Y và thời gian. Các hệ số hồi quy riêng với thời gian (tức là
các sườn núi) sau đó được sử dụng như là biến kết quả trong một phân tích hồi quy tuyến tính liên quan
sự phát triển của biến kết quả Y đến một số đồng biến. Nó đã được
đề cập rằng các biến số có thể được mô hình hóa bằng nhiều cách khác nhau, tùy thuộc
vào các câu hỏi nghiên cứu vấn đề. Trong ví dụ này, mối quan hệ giữa các
giá trị của tất cả các biến số tại t = 1 và sườn của đường hồi quy riêng của
biến kết quả Y đã được điều tra, để có được một câu trả lời cho câu hỏi
có hay không sự phát triển trong biến kết quả Y có thể được dự đoán bởi
biến số đo tại các đầu đo (t = 1). Kết quả của phân tích này được
thể hiện trong Bảng 4.3.
Trong phân tích này, bothX2 (đo ở t = 1) andX4 được đáng kể và tích cực
liên quan đến sự gia tăng tuyến tính trong biến kết quả Y giữa t = 1 và t = 6.