Analyses overviewWe examined the re

Analyses overview
We examined the relationship between Facebook use and affect using multilevel analyses to account for the nested data structure. Specifically, we examined whether T2 affect (i.e., How do you feel right now?) was predicted by T1–2 Facebook use (i.e., How much have you used Facebook since the last time we asked?), controlling for T1 affect at level-1 of the model (between-day lags were excluded). Note that although this analysis assesses Facebook use at T2, the question refers to usage between T1 and T2 (hence the notationT1–2). This analysis allowed us to explore whether Facebook use during the time period separating T1 and T2 predicted changes in affect over this time span.
When non-compliant cases were observed, we used participants' responses to the last text message they answered to examine the lagged effect of Facebook use on well-being to maximize power. So, if we were interested in examining whether T2–3 Facebook use predicted T3 Affect controlling for T2 Affect, but did not have data on T2 Affect, then we used T1 Affect instead. Excluding trials in which participants did not respond to the previous texts (rather than following the aforementioned analytical scheme) did not substantively alter any of the results we report.
Significance testing of fixed effects was performed using chi-squared distributed (df = 1) Wald-tests. All level-1 predictors were group-mean centered,

ผลลัพธ์ (ไทย) 1:

วิเคราะห์ภาพรวมเราตรวจสอบความสัมพันธ์ระหว่างการใช้งาน Facebook และใช้การวิเคราะห์หลายระดับให้โครงสร้างของข้อมูลที่ซ้อนกันมีผลต่อ เฉพาะ เราตรวจสอบว่า T2 มีผลต่อ (เช่น วิธีทำคุณรู้สึกตอน?) ถูกคาดการณ์ โดยใช้ Facebook เป็น T1-2 (เช่น เท่าใดคุณใช้ Facebook ตั้งแต่ครั้งที่เราถาม), การควบคุมสำหรับ T1 ผลระดับ 1 รุ่น (lags ระหว่างวันถูกแยกออก) โปรดสังเกตว่า แม้ว่าการวิเคราะห์นี้ดำรงชีวิตใช้ Facebook T2 คำถามถึงการใช้งานระหว่าง T1 และ T2 (ดังนั้น notationT1 – 2) วิเคราะห์นี้ให้เราสำรวจว่า Facebook ใช้ช่วงเวลาแยก T1 และ T2 คาดการณ์เปลี่ยนแปลงมีผลต่อช่วงระยะเวลานี้เมื่อกรณีไม่ตรงตามที่ได้สังเกต เราใช้คนตอบข้อความข้อความสุดท้ายที่จะตอบเพื่อตรวจสอบผล lagged ใช้ Facebook กำลังจะเพิ่มพลังงาน ดังนั้น ถ้าเรามีความสนใจในการตรวจสอบว่า Facebook T2-3 ใช้คาดการณ์ T3 มีผลต่อการควบคุมสำหรับผล T2 แต่ไม่มีข้อมูลใน T2 ผล แล้วเราใช้มีผลต่อ T1 แทน ไม่ทดลองซึ่งผู้เข้าร่วมไม่ตอบสนองกับข้อความก่อนหน้านี้ (มากกว่าแผนการวิเคราะห์ดังกล่าว) ได้ไม่ substantively เปลี่ยนของเรารายงานผลการทดสอบความสำคัญของผลถาวรทำการใช้กระจายไคสแควร์ (df = 1) ทดสอบ Wald ศูนย์กลาง ค่าเฉลี่ย กลุ่ม predictors ระดับ 1 ทั้งหมด

ผลลัพธ์ (ไทย) 2:

การวิเคราะห์ภาพรวมเราตรวจสอบความสัมพันธ์ระหว่าง Facebook ใช้และมีผลต่อการใช้การวิเคราะห์หลายบัญชีสำหรับโครงสร้างข้อมูลที่ซ้อนกัน
โดยเฉพาะเราตรวจสอบไม่ว่าจะส่งผลกระทบต่อ T2 (เช่นคุณรู้สึกได้ในขณะนี้ได้อย่างไร?) ได้รับการคาดการณ์โดยใช้ Facebook T1-2 (เช่นมีมากวิธีที่คุณใช้ Facebook ตั้งแต่ครั้งสุดท้ายที่เราถาม?) ควบคุม T1 ส่งผลกระทบต่อในระดับ -1 ของรูปแบบ (ล่าช้าระหว่างวันได้รับการยกเว้น) โปรดทราบว่าแม้ว่าการวิเคราะห์นี้ประเมินการใช้งาน Facebook ที่ T2 คำถามที่หมายถึงการใช้งานระหว่าง T1 และ T2 (เพราะฉะนั้น notationT1-2) การวิเคราะห์นี้จะช่วยให้เราสามารถสำรวจไม่ว่าจะเป็น Facebook ใช้ในช่วงระยะเวลาที่แยก T1 และ T2 คาดการณ์การเปลี่ยนแปลงในการส่งผลกระทบในช่วงเวลานี้.
เมื่อกรณีไม่สอดคล้องถูกตั้งข้อสังเกตเราใช้การตอบสนองของผู้เข้าร่วมการข้อความสุดท้ายที่พวกเขาตอบในการตรวจสอบล่าช้า ผลกระทบของการใช้ Facebook ในการเป็นอยู่ที่ดีเพื่อเพิ่มพลังงาน ดังนั้นถ้าเรามีความสนใจในการตรวจสอบไม่ว่าจะเป็น Facebook T2-3 ใช้คาดการณ์ T3 ส่งผลกระทบต่อการควบคุม T2 ส่งผลกระทบต่อ แต่ไม่ได้มีข้อมูลในการส่งผลกระทบต่อ T2 แล้วเราใช้ T1 มีผลต่อแทน ไม่รวมการทดลองที่ผู้เข้าร่วมไม่ตอบสนองต่อข้อความก่อนหน้า (มากกว่าต่อไปนี้รูปแบบการวิเคราะห์ดังกล่าวข้างต้น) ไม่ได้ substantively เปลี่ยนแปลงใด ๆ ของผลที่เรารายงาน.
ทดสอบความสำคัญของผลกระทบคงได้รับการดำเนินการโดยใช้ไคยืดกระจาย (DF = 1) Wald -tests ทุกระดับ 1 พยากรณ์เป็นกลุ่มหมายถึงศูนย์กลาง