首先，请原谅我的天真，但我才刚刚开始研究。

研究概况

我正在做一个研究青春期社交焦虑并使用社交网络分析 (SNA) 的项目。我认为消极的同伴关系解释了社交焦虑的差异，超出了个人层面的特征（在这种情况下是人格变量）。

我有以下变量：

• 因变量：社交焦虑评分

• 自变量：

  • 人口统计：种族，来自父亲收入的 SES，来自母亲收入的 SES
  • 人格变量（Big 5）：神经质、开放性、责任心、外向性、随和性
  • 网络变量：单方面拒绝（不喜欢网络的程度），相互反感（相互厌恶关系的总和）；关系失调（收到的不喜欢的领带与发送的类似领带的总和）。

我的参与者总数是 94。

根据过去的研究，正如预期的那样，神经和外向性可以预测社交焦虑。过去的研究表明，单方面的拒绝应该与社交焦虑有关。在我的研究中，没有一个网络变量与社交焦虑有预期的关联，它们都不是社交焦虑的重要预测因子。事实上，只有神经质和外向性才接近显着。所有其他双变量相关性都极低。

我认为不显着的结果主要是由于方法问题。

由于回归假设独立观察但 SNA 假设相互依赖，因此分析可能无法了解关联。同样，样本量小也没有足够的功效。

好的。简而言之，这就是我的故事。我不想找到显着的结果，我只想知道进行回归的最佳方法，所以我至少知道我这样做是正确的。

我想以块的形式输入它们，因为这会改变 R 平方，但我不想做出任何错误的假设并做一些不合适的事情。

问题

• 我应该使用分层方法吗？我最初的想法是在区块 1 中包含人口统计数据；块 2 中的人格变量和块 3 中的网络变量。
• 还是我应该同时输入预测变量并报告结果，因为它们无论如何都不重要？