الانتقال إلى المحتوى
العودة إلى نتائج البحث

النمذجة متعددة المستويات

قدّمه
Anthony Bryk and Stephen Raudenbush
السنة
1992
النوع
Method
العائلة
hierarchical-data-analysis

هذا النص ترجمة آلية ولم تتم مراجعته بعد. اقرأ النص الأصلي بالإنجليزية

حجم الخط

ماذا تفعل؟

النمذجة متعددة المستويات (المعروفة أيضًا بالنمذجة الخطية الهرمية، نمذجة التأثيرات المختلطة) هي إطار إحصائي لتحليل البيانات المنظمة في هياكل متداخلة أو مجمعة - الطلاب داخل المدارس، المرضى داخل المستشفيات، القياسات المتكررة داخل الأفراد. تم تطويرها بواسطة برايك وراودنبيوش (1992)، وهي تأخذ في الاعتبار التبعية بين المشاهدات وتقسم التباين إلى مستويات (داخل المجموعة وبين المجموعات)، مما يتيح استدلالًا صالحًا ويكشف عن تأثيرات السياق. أساسية في التعليم والطب وأبحاث المنظمات وأي مجال تكون فيه البيانات ذات تسلسلات هرمية طبيعية.

الفكرة الحدسية وراء الطريقة

تفترض الانحدارات القياسية مشاهدات مستقلة؛ ومع ذلك، فإن البيانات المجمعة تنتهك هذا الافتراض. عندما يكون الطلاب متداخلين في المدارس، يكون الطلاب في نفس المدرسة أكثر تشابهًا مع بعضهم البعض من الطلاب في مدارس مختلفة (عدم الاستقلال). يؤدي تجاهل التجميع إلى تقدير أقل من اللازم للأخطاء المعيارية، وفترات ثقة مفرطة الثقة، وتضخم خطأ النوع الأول. تحل النمذجة متعددة المستويات هذه المشكلة عن طريق (1) تقدير التباينات على مستويات متعددة في وقت واحد (تباين داخل المدرسة وتباين بين المدارس)، (2) السماح لمعاملات الانحدار بالتباين حسب المجموعة (الميول العشوائية)، و (3) نمذجة خصائص مستوى المجموعة كمؤشرات للعلاقات داخل المجموعة. هذا يلتقط كيف يؤثر السياق على الأفراد وينتج اختبارات فرضيات صالحة.

التاريخ

كتاب أنتوني برايك وستيفن راودنبيوش النصي "Hierarchical Linear Models" عام 1992، الذي شاع النمذجة متعددة المستويات في التعليم والعلوم الاجتماعية. تقدمت أعمال هارفي جولدشتاين بالمنهجية للهياكل المعقدة والنماذج المتصالبة. تشمل التطورات الحديثة النماذج الخطية المعممة المختلطة (GLMM؛ بريسلو وكلايتون، 1993) للنتائج غير الطبيعية، والنماذج متعددة المستويات البايزية (جيلمان وهيل، 2007)، والنماذج الديناميكية (منحنيات النمو الكامنة؛ راودنبيوش، 2001). جعلت التطورات البرمجية (lme4، nlme، MLwiN، HLM) التحليل متعدد المستويات متاحًا.

متى تُستخدم

استخدم النمذجة متعددة المستويات كلما كانت المشاهدات متداخلة: الطلاب في المدارس (التعليم)، المرضى في المستشفيات (الطب)، الموظفون في الشركات (أبحاث المنظمات)، نقاط الوقت في الأفراد (الدراسات الطولية)، القياسات المتكررة في الموضوعات (التجارب السريرية)، أفراد الأسرة في العائلات (دراسات الأسرة). تجاهل التجميع فقط إذا كان ICC < 0.02 (تجميع ضئيل). استخدم أيضًا عند تقدير التنبؤات الخاصة بالمجموعة (مثل، معدل الوفيات في المستشفى المعدل حسب المخاطر)؛ تقلل التأثيرات العشوائية التقديرات نحو المتوسط العام، وتصحح لتباين العينة.

الحدود والاعتبارات

  • يتطلب حجم عينة كافٍ للمستوى 2: عدد قليل من المجموعات (< 10-20) ينتج عنه تقديرات غير مستقرة للتأثيرات العشوائية؛ أقل من 30 مجموعة يزيد من عدم اليقين.
  • يفترض تحديد عضوية المجموعة مسبقًا: تتطلب التصاميم المتصالبة (الطلاب في كل من المدارس والأحياء) نماذج متصالبة، وهي أكثر تعقيدًا في التطبيق.
  • النظرية التقريبية: الأخطاء المعيارية والقيم الاحتمالية تقريبية؛ تقل الموثوقية مع صغر حجم عينة المستوى 2. توفر اختبارات Bootstrap أو التبديل بدائل.
  • تحديد النموذج صعب: يتطلب تحديد أي التأثيرات ثابتة مقابل عشوائية، وعلى أي مستوى، دراسة متأنية. يؤدي سوء التحديد (مثل، الميول العشوائية المحذوفة) إلى تأثيرات ثابتة متحيزة.
  • يفترض أن التأثيرات العشوائية موزعة طبيعيًا؛ قد تؤدي الانتهاكات في المستوى 2 إلى تقديرات متحيزة؛ تساعد الطرق القوية أو فحص النموذج (رسوم بيانية متبقية) في ذلك.

لا تغني شروط المصدر عن المراجعة العلمية المستقلة أو التحقق بواسطة محرك تحليل.

نقاط القوة

  • يأخذ في الاعتبار عدم الاستقلال: ينتج عنه أخطاء معيارية وفترات ثقة صحيحة على الرغم من التجميع؛ يتجنب تضخم خطأ النوع الأول.
  • يقسم التباين: يقيس التباين داخل المجموعة وبين المجموعات، ويكشف عن تأثيرات السياق ويبلغ السياسات (مثل، تأثيرات المدرسة على التحصيل).
  • التأثيرات العشوائية كتنبؤات: تقديرات بايز التجريبية للتقاطعات/الميول الخاصة بالمجموعة أكثر استقرارًا من التأثيرات الثابتة، وهي مفيدة لتعديل المخاطر والترتيب.
  • مرن للتصاميم غير المتوازنة: يتم التعامل مع أحجام المجموعات المتغيرة والبيانات المفقودة بشكل طبيعي؛ لا يتطلب تصاميم متوازنة.
  • يتعامل مع مستويات متعددة: يتم تقدير ثلاثة مستويات أو أكثر (مثل، الطلاب داخل المدارس داخل المناطق) في نموذج واحد.

التطبيقات

  • البحث التربوي: نمذجة تحصيل الطلاب مع تداخل الطلاب في الفصول الدراسية/المدارس؛ قياس تأثيرات المدارس وفعالية المعلمين.
  • البحث الطبي: نمذجة نتائج المرضى (الوفيات، إعادة الدخول) مع تداخل المرضى في المستشفيات؛ تعديل معدلات المستشفيات الخاصة بالمخاطر لمقارنات الجودة.
  • الدراسات الطولية: نمذجة التغير عبر الزمن مع قياسات متكررة (المستوى 1) متداخلة في الأفراد (المستوى 2)؛ منحنيات النمو، نمذجة المسار.
  • أبحاث المنظمات: نمذجة نتائج الموظفين (الرضا، الأداء) مع تداخل الموظفين في الفرق/الأقسام/المؤسسات؛ تقييم تأثيرات الثقافة التنظيمية.
  • دراسات الأسرة: نمذجة سلوك الطفل مع تداخل الأشقاء (المستوى 1) في العائلات (المستوى 2)؛ خصائص مستوى الأسرة (الوضع الاجتماعي والاقتصادي، الأبوة) تتنبأ بتشابه الأشقاء.

كيف يعمل

كيف يعمل

1

قم بإدارة النمذجة متعددة المستويات عن طريق تحديد الهيكل الهرمي: المستوى 1 (الأدنى: الأفراد، المشاهدات، نقاط الوقت) متداخل داخل المستوى 2 (المجموعات: المدارس، المستشفيات، العائلات) والمستوى 3 اختياريًا (المؤسسات، المناطق). سجل: (1) متغير النتيجة (مستمر أو ثنائي)، (2) مؤشرات المستوى 1 (تتغير داخل المجموعات، مثل عمر الطالب)، (3) مؤشرات المستوى 2 (تتغير بين المجموعات، مثل نوع المدرسة)، (4) معرف المجموعة (متغير التجميع). تأكد من حجم عينة كافٍ للمستوى 2 (الحد الأدنى ≥ 10 مجموعات، ويفضل ≥ 30) لتقديرات مستقرة للتأثيرات العشوائية. للبيانات الطولية: نقاط الوقت (المستوى 1) متداخلة داخل الأفراد (المستوى 2) داخل المجموعات (المستوى 3). قم بتقييم الارتباط داخل المجموعة (ICC): الارتباط بين المشاهدات في نفس المجموعة؛ عادةً ما يبرر ICC > 0.05 التحليل متعدد المستويات.

2

قم بتطبيق النماذج متعددة المستويات باستخدام أقصى ترجيح مقيد (REML، مفضل لمقارنة التأثيرات العشوائية) أو أقصى ترجيح (ML، مفضل لاختبارات نسبة الترجيح للتأثيرات الثابتة). يتم تحديد النموذج على مستويين: المستوى 1 (داخل المجموعة): Y_ij = β₀j + β₁j(X_ij) + ε_ij، حيث يشير i إلى الأفراد، ويشير j إلى المجموعات. المستوى 2 (بين المجموعات): β₀j = γ₀₀ + γ₀₁(Z_j) + u₀j، يحدد كيف تختلف التقاطعات عبر المجموعات. تقرير: (1) التأثيرات الثابتة (معاملات γ): متوسط تأثير المؤشرات عبر المجموعات. (2) التأثيرات العشوائية (تباينات u₀j، u₁j): انحرافات خاصة بالمجموعة؛ يشير التباين الكبير إلى اختلاف المجموعات بشكل كبير. (3) الارتباط داخل المجموعة (ICC): نسبة التباين الكلي بين المجموعات، ICC = τ₀₀ / (τ₀₀ + σ²) حيث τ₀₀ هو التباين بين المجموعات و σ² هو التباين المتبقي داخل المجموعة. (4) الانحراف ومعايير المعلومات (AIC، BIC): مقارنة النماذج؛ القيم الأقل مفضلة. (5) اختبارات نسبة الترجيح: مقارنة النماذج المتداخلة في التناسب.

3

تمثل التأثيرات الثابتة (الميل والتقاطع) العلاقات المتوسطة عبر المجموعات. ميل ثابت قدره 0.5 يعني في المتوسط، أن زيادة بمقدار وحدة واحدة في المؤشر ترتبط بزيادة بمقدار 0.5 وحدة في النتيجة عبر المجموعات، بعد حساب التجميع. تسمح التقاطعات العشوائية للنتيجة الأساسية بالاختلاف حسب المجموعة (تباين بين المجموعات). تسمح الميول العشوائية لتباين تأثير المؤشر حسب المجموعة؛ يشير تباين الميل العشوائي الكبير إلى اختلاف تأثيرات المتغير المشترك بشكل كبير حسب المجموعات. يقيس ICC التجميع: ICC = 0.30 يعني أن 30٪ من التباين بين المجموعات؛ 0.05 يعني 5٪ (تجميع ضئيل). أحجام التأثير: قم بالإبلاغ عن كل من التأثيرات الثابتة ومكونات التباين. افحص الميول/التقاطعات الخاصة بالمجموعة المتوقعة (تقديرات الانكماش) لفهم التأثيرات الخاصة بالسياق. استخدم اختبارات نسبة الترجيح لمقارنة النماذج المتداخلة: −2 × (لوغاريتم الترجيح للنموذج الأبسط − لوغاريتم الترجيح للنموذج المعقد) يتبع χ² مع درجات حرية = الفرق في المعلمات.

الأخطاء الشائعة

  • تجاهل التجميع تمامًا: معاملة البيانات المجمعة على أنها مستقلة يؤدي إلى تقدير أقل من اللازم للأخطاء المعيارية ونتائج إيجابية خاطئة.
  • استخلاص متوسطات المجموعة الخام كمتغير جديد (مغالطة بيئية): تختلف المتوسطات والعلاقات على مستوى الفرد؛ استخدم توسيطًا متعدد المستويات (متوسط عام مقابل متوسط المجموعة للمؤشرات).
  • الميول العشوائية بدون حجم مستوى 2 كافٍ: تقدير الميول العشوائية لجميع المؤشرات مع عدد قليل من المجموعات ينتج عنه تقديرات غير مستقرة. استخدم ميولًا ثابتة للتأثيرات التي لا يُشترط نظريًا أن تتباين، أو استخدم تقديرًا معاقبًا.
  • سوء تفسير التفاعلات عبر المستويات: يعني التفاعل بين مؤشرات المستوى 1 والمستوى 2 أن تأثير مؤشر المستوى 1 يعتمد على سياق المستوى 2؛ قم بالتفسير والرسم البياني بعناية.
  • اختيار النموذج عن طريق قيم p وحدها: استخدم اختبارات نسبة الترجيح أو معايير المعلومات (AIC، BIC) لمقارنة النماذج المتداخلة؛ الاختيار التدريجي غير موثوق به مع التأثيرات العشوائية.
  • الفشل في التحقق من الافتراضات: افحص البقايا على مستوى 1 والمستوى 2 للتوزيع الطبيعي، وتجانس التباين، والقيم المتطرفة؛ تشير الانتهاكات إلى التحويل أو الطرق القوية.

الأسئلة الشائعة

ما هو الارتباط داخل المجموعة (ICC)، ولماذا هو مهم؟

الارتباط داخل المجموعة (ICC) هو الارتباط بين المشاهدات في نفس المجموعة؛ وبالمثل، نسبة التباين الكلي التي تُعزى إلى التجميع. ICC = التباين بين المجموعات / التباين الكلي. ICC = 0 يعني عدم وجود تجميع (كل التباين داخل المجموعات)؛ ICC = 1 يعني تجميعًا كاملاً (كل التباين بين المجموعات). عادةً ما يبرر ICC > 0.05 التحليل متعدد المستويات. يعني ICC الصغير (0.01-0.05) أن المجموعات متشابهة، ولكن التجميع لا يزال يضخم الأخطاء المعيارية إذا تم تجاهله. قواعد عامة: ICC > 0.10 تجميع قوي، 0.05-0.10 متوسط، < 0.05 ضعيف. احسب ICC بعد تطبيق نموذج غير مشروط (بدون مؤشرات) لتقييم التجميع الأساسي.

ما هو الفرق بين التأثيرات الثابتة والتأثيرات العشوائية؟

التأثيرات الثابتة هي علاقات متوسطة عبر المجموعات (مثل، متوسط تأثير العمر على النتيجة عبر المدارس). التأثيرات العشوائية هي انحرافات خاصة بالمجموعة عن المتوسط (مثل، كيف يختلف تأثير العمر لكل مدرسة عن المتوسط العام). يسمح التقاطع العشوائي للنتيجة الأساسية بالاختلاف حسب المجموعة (لكل مدرسة تقاطعها الخاص). يسمح الميل العشوائي لتباين تأثير المؤشر حسب المجموعة (يختلف تأثير العمر لكل مدرسة). قم بتضمين التأثيرات العشوائية إذا اختلفت المجموعات بشكل كبير في التأثير؛ قم بتضمين التأثيرات الثابتة إذا كان التأثير متطابقًا من الناحية المفاهيمية عبر المجموعات. تقيس تباينات التأثيرات العشوائية التباين؛ يشير التباين الكبير إلى اختلاف التأثيرات بشكل كبير.

كيف أختار بين تقدير REML و ML؟

يُفضل REML (أقصى ترجيح مقيد) لمقارنة نماذج التأثيرات العشوائية (مثل، مقارنة نماذج الميل العشوائي)؛ ينتج عنه تقديرات غير متحيزة لمكونات التباين. يُفضل ML (أقصى ترجيح) لمقارنة التأثيرات الثابتة (خاصة عند مقارنة النماذج غير المتداخلة) ولاختبارات نسبة الترجيح للتأثيرات الثابتة. مع العينات الكبيرة، تتقارب تقديرات REML و ML. مع العينات الصغيرة وعدد قليل من مجموعات المستوى 2، يكون REML أكثر موثوقية. قم دائمًا بالإبلاغ عن الطريقة التي استخدمتها؛ يمكن أن تختلف النتائج، خاصة مع العينات الصغيرة.

ما هو الفرق بين توسيط المتوسط العام وتوسيط متوسط المجموعة؟

يقوم التوسيط بتحويل المؤشرات لتحسين التفسير والاستقرار العددي. توسيط المتوسط العام (طرح المتوسط العام) يركز مؤشرات المستوى 1 حول المتوسط العالمي؛ يمثل التقاطع النتيجة عندما يساوي المؤشر المتوسط العام. توسيط متوسط المجموعة (طرح متوسط المجموعة) يركز مؤشرات المستوى 1 حول متوسط كل مجموعة؛ يفصل التأثيرات داخل المجموعة وبين المجموعات. على سبيل المثال، توسيط الوضع الاجتماعي والاقتصادي على مستوى الطالب (SES) بمتوسط المدرسة يعزل التأثير داخل المدرسة لـ SES على التحصيل؛ يصبح متوسط المجموعة (SES على مستوى المدرسة) مؤشرًا للمستوى 2، ويمثل تأثير تكوين المدرسة. توسيط المتوسط العام هو الافتراضي؛ يستخدم توسيط متوسط المجموعة عندما يكون التمييز بين التأثيرات الداخلية والخارجية مهمًا نظريًا.

طرق ذات صلة

المصادر

  1. Bryk, A. S., & Raudenbush, S. W. (1992). Hierarchical Linear Models: Applications and Data Analysis Methods. SAGE Publications.

    افتح مرجع DOI
    تم النسخ.
  2. Goldstein, H. (2011). Multilevel Statistical Models (4th ed.). Wiley-Blackwell.

    افتح مرجع DOI
    تم النسخ.
  3. Shrout, P. E., & Fleiss, J. L. (1979). Intraclass correlations: Uses in assessing rater reliability. Psychological Bulletin, 86(2), 420–428.

    افتح مرجع DOI
    تم النسخ.