Modelado multinivel
- Propuesto por
- Anthony Bryk and Stephen Raudenbush
- Año
- 1992
- Tipo
- Method
- Familia
- hierarchical-data-analysis
Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés
¿Qué hace?
El modelado multinivel (también llamado modelado lineal jerárquico, modelado de efectos mixtos) es un marco estadístico para analizar datos organizados en estructuras anidadas o agrupadas: estudiantes dentro de escuelas, pacientes dentro de hospitales, medidas repetidas dentro de individuos.
Desarrollado por Bryk y Raudenbush (1992), considera la dependencia entre observaciones y particiona la varianza en niveles (dentro de los conglomerados y entre conglomerados), lo que permite una inferencia válida y revela efectos contextuales. Es esencial en educación, medicina, investigación organizacional y cualquier campo donde los datos presenten jerarquías naturales.
La intuición detrás del método
La regresión estándar asume observaciones independientes; sin embargo, los datos agrupados violan esta suposición. Cuando los estudiantes están anidados en escuelas, los estudiantes de la misma escuela son más similares entre sí que a los estudiantes de diferentes escuelas (no independencia). Ignorar el agrupamiento conduce a errores estándar subestimados, intervalos de confianza sobreconfiados y una inflación del error de Tipo I. El modelado multinivel resuelve esto (1) estimando varianzas en múltiples niveles simultáneamente (varianza dentro de la escuela y varianza entre escuelas), (2) permitiendo que los coeficientes de regresión varíen por conglomerado (pendientes aleatorias), y (3) modelando las características a nivel de conglomerado como predictores de las relaciones dentro del conglomerado. Esto captura cómo el contexto afecta a los individuos y produce pruebas de hipótesis válidas.
Historia
El libro de texto de Anthony Bryk y Stephen Raudenbush de 1992, "Hierarchical Linear Models", popularizó el modelado multinivel en educación y ciencias sociales. El trabajo de Harvey Goldstein avanzó la metodología para jerarquías complejas y modelos clasificados cruzados. Los desarrollos modernos incluyen modelos lineales generalizados mixtos (GLMM; Breslow & Clayton, 1993) para resultados no normales, modelos multinivel bayesianos (Gelman & Hill, 2007) y modelos dinámicos (curvas de crecimiento latente; Raudenbush, 2001). Los avances de software (lme4, nlme, MLwiN, HLM) hicieron accesible el análisis multinivel.
Cuándo usarlo
Utilice el modelado multinivel siempre que las observaciones estén anidadas: estudiantes en escuelas (educación), pacientes en hospitales (medicina), empleados en empresas (investigación organizacional), puntos de tiempo en individuos (estudios longitudinales), medidas repetidas en sujetos (ensayos clínicos), miembros de la familia en familias (estudios familiares). Ignore el agrupamiento solo si ICC < 0.02 (agrupamiento insignificante). También úselo al estimar predicciones específicas del conglomerado (p. ej., mortalidad hospitalaria ajustada por riesgo); los efectos aleatorios reducen las estimaciones hacia la media global, corrigiendo la variabilidad del muestreo.
Limitaciones y consideraciones
- Requiere un tamaño de muestra adecuado para el nivel 2: pocos conglomerados (< 10–20) producen estimaciones inestables de efectos aleatorios; menos de 30 conglomerados aumentan la incertidumbre.
- Asume que la pertenencia al conglomerado se define a priori: los diseños clasificados cruzados (estudiantes en escuelas y vecindarios) requieren modelos clasificados cruzados, más complejos de ajustar.
- Teoría asintótica: los errores estándar y los valores p son aproximados; la fiabilidad disminuye con un tamaño de muestra pequeño en el nivel 2. Las pruebas de bootstrap o permutación ofrecen alternativas.
- La especificación del modelo es desafiante: decidir qué efectos son fijos o aleatorios, y en qué nivel, requiere una consideración cuidadosa. Una especificación incorrecta (p. ej., pendientes aleatorias omitidas) produce efectos fijos sesgados.
- Asume efectos aleatorios distribuidos normalmente; las violaciones en el nivel 2 pueden producir estimaciones sesgadas; los métodos robustos o la verificación del modelo (gráficos de residuos) ayudan.
Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.
Fortalezas
- Considera la no independencia: produce errores estándar e intervalos de confianza correctos a pesar del agrupamiento; evita la inflación del error de Tipo I.
- Particiona la varianza: cuantifica la variación dentro y entre conglomerados, revelando efectos contextuales e informando políticas (p. ej., efectos escolares en el rendimiento).
- Efectos aleatorios como predicciones: las estimaciones empíricas de Bayes de los interceptos/pendientes específicos del conglomerado son más estables que los efectos fijos, útiles para el ajuste de riesgo y la clasificación.
- Flexible para diseños desequilibrados: los tamaños de conglomerado variables y los datos faltantes se manejan de forma natural; no requiere diseños equilibrados.
- Maneja múltiples niveles: tres o más niveles (p. ej., estudiantes dentro de escuelas dentro de distritos) estimados en un solo modelo.
Aplicaciones
- Investigación educativa: modelado del rendimiento estudiantil con estudiantes anidados en aulas/escuelas; cuantificación de los efectos escolares y la eficacia docente.
- Investigación médica: modelado de los resultados de los pacientes (mortalidad, reingreso) con pacientes anidados en hospitales; ajuste de riesgo de las tasas hospitalarias específicas para comparaciones de calidad.
- Estudios longitudinales: modelado del cambio a lo largo del tiempo con medidas repetidas (nivel 1) anidadas en individuos (nivel 2); curvas de crecimiento, modelado de trayectorias.
- Investigación organizacional: modelado de los resultados de los empleados (satisfacción, rendimiento) con empleados anidados en equipos/departamentos/organizaciones; evaluación de los efectos de la cultura organizacional.
- Estudios familiares: modelado del comportamiento infantil con hermanos (nivel 1) anidados en familias (nivel 2); las características a nivel familiar (SES, crianza) predicen la similitud entre hermanos.
Cómo funciona
Cómo funciona
Administre el modelado multinivel identificando la estructura jerárquica: nivel 1 (el más bajo: individuos, observaciones, puntos de tiempo) anidado dentro del nivel 2 (conglomerados: escuelas, hospitales, familias) y opcionalmente el nivel 3 (organizaciones, distritos). Registre: (1) variable de resultado (continua o binaria), (2) predictores de nivel 1 (varían dentro de los conglomerados, p. ej., edad del estudiante), (3) predictores de nivel 2 (varían entre conglomerados, p. ej., tipo de escuela), (4) identificador de conglomerado (variable de agrupación). Asegure un tamaño de muestra adecuado para el nivel 2 (mínimo ≥10 conglomerados, idealmente ≥30) para estimaciones estables de efectos aleatorios. Para datos longitudinales: puntos de tiempo (nivel 1) anidados dentro de individuos (nivel 2) dentro de grupos (nivel 3). Evalúe la correlación intraclase (ICC): correlación entre observaciones en el mismo conglomerado; ICC > 0.05 generalmente justifica el análisis multinivel.
Ajuste modelos multinivel utilizando la máxima verosimilitud restringida (REML, preferida para comparar efectos aleatorios) o ML (preferida para pruebas de razón de verosimilitud de efectos fijos). El modelo se especifica en dos niveles: Nivel 1 (dentro del conglomerado): Y_ij = β₀j + β₁j(X_ij) + ε_ij, donde i indexa individuos, j indexa conglomerados. Nivel 2 (entre conglomerados): β₀j = γ₀₀ + γ₀₁(Z_j) + u₀j, especificando cómo varían las intersecciones entre conglomerados. Informe: (1) Efectos fijos (coeficientes γ): efecto promedio de los predictores entre conglomerados. (2) Efectos aleatorios (varianzas u₀j, u₁j): desviaciones específicas del conglomerado; una varianza grande indica que los conglomerados difieren sustancialmente. (3) Correlación intraclase (ICC): proporción de la varianza total entre conglomerados, ICC = τ₀₀ / (τ₀₀ + σ²) donde τ₀₀ es la varianza entre conglomerados y σ² es la varianza residual dentro del conglomerado. (4) Desviación y criterios de información (AIC, BIC): para comparar modelos; se prefieren valores más bajos. (5) Pruebas de razón de verosimilitud: para comparar modelos anidados en el ajuste.
Los efectos fijos (pendiente e intercepto) representan relaciones promedio entre conglomerados. Una pendiente fija de 0.5 significa que, en promedio, un aumento de 1 unidad en el predictor se asocia con un aumento de 0.5 unidades en el resultado entre conglomerados, después de considerar el agrupamiento. Los interceptos aleatorios permiten que el resultado base difiera por conglomerado (heterogeneidad entre conglomerados). Las pendientes aleatorias permiten que el efecto de un predictor varíe por conglomerado; una gran varianza de pendiente aleatoria indica que los efectos de las covariables difieren sustancialmente entre conglomerados. El ICC cuantifica el agrupamiento: ICC = 0.30 significa que el 30% de la varianza está entre conglomerados; 0.05 significa el 5% (agrupamiento mínimo). Tamaños del efecto: informe tanto los efectos fijos como los componentes de la varianza. Examine las pendientes/interceptos predichos específicos del conglomerado (estimaciones de contracción) para comprender los efectos específicos del contexto. Utilice pruebas de razón de verosimilitud para comparar modelos anidados: −2 × (log-verosimilitud del modelo más simple − log-verosimilitud del modelo complejo) sigue una χ² con df = diferencia en los parámetros.
Errores comunes
- Ignorar el agrupamiento por completo: tratar los datos agrupados como independientes conduce a errores estándar subestimados y falsos positivos.
- Extraer las medias brutas del conglomerado como una nueva variable (falacia ecológica): las medias y las relaciones a nivel individual difieren; utilice el centrado multinivel (predictores centrados en la media global frente a la media del grupo).
- Pendientes aleatorias sin un tamaño de nivel 2 suficiente: estimar pendientes aleatorias para todos los predictores con pocos conglomerados produce estimaciones inestables. Utilice pendientes fijas para efectos que no se requiere teóricamente que varíen, o utilice la estimación penalizada.
- Malinterpretar las interacciones entre niveles: una interacción entre predictores de nivel 1 y nivel 2 significa que el efecto del predictor de nivel 1 depende del contexto de nivel 2; interprete y grafique cuidadosamente.
- Selección de modelos solo mediante valores p: utilice pruebas de razón de verosimilitud o criterios de información (AIC, BIC) para la comparación de modelos anidados; la selección paso a paso no es fiable con efectos aleatorios.
- No verificar los supuestos: examine los residuos de nivel 1 y nivel 2 para detectar normalidad, homocedasticidad y valores atípicos; las violaciones sugieren transformación o métodos robustos.
Preguntas frecuentes
¿Qué es la correlación intraclase (ICC) y por qué es importante?
La correlación intraclase (ICC) es la correlación entre observaciones en el mismo conglomerado; equivalentemente, la proporción de la varianza total atribuible al agrupamiento. ICC = varianza entre conglomerados / varianza total. ICC = 0 significa que no hay agrupamiento (toda la variación dentro de los conglomerados); ICC = 1 significa agrupamiento completo (toda la variación entre conglomerados). ICC > 0.05 generalmente justifica el análisis multinivel. Un ICC pequeño (0.01–0.05) significa que los conglomerados son similares, pero el agrupamiento aún infla los errores estándar si se ignora. Reglas generales: ICC > 0.10 agrupamiento fuerte, 0.05–0.10 moderado, < 0.05 débil. Calcule el ICC después de ajustar un modelo incondicional (sin predictores) para evaluar el agrupamiento inicial.
¿Cuál es la diferencia entre efectos fijos y efectos aleatorios?
Los efectos fijos son relaciones promedio entre conglomerados (p. ej., el efecto promedio de la edad en el resultado entre escuelas). Los efectos aleatorios son desviaciones específicas del conglomerado de la media (p. ej., cómo el efecto de la edad de cada escuela difiere de la media global). Un intercepto aleatorio permite que el resultado base difiera por conglomerado (cada escuela tiene su propio intercepto). Una pendiente aleatoria permite que el efecto de un predictor difiera por conglomerado; una gran varianza de efecto aleatorio indica que los efectos difieren sustancialmente. Incluya efectos aleatorios si los conglomerados difieren sustancialmente en el efecto; incluya efectos fijos si el efecto es conceptualmente el mismo entre conglomerados. Las varianzas de los efectos aleatorios cuantifican la heterogeneidad; una varianza grande indica que los efectos difieren sustancialmente.
¿Cómo elijo entre la estimación REML y ML?
REML (Máxima Verosimilitud Restringida) se prefiere para comparar modelos de efectos aleatorios (p. ej., comparar modelos de pendientes aleatorias); produce estimaciones insesgadas de los componentes de la varianza. ML (Máxima Verosimilitud) se prefiere para comparar efectos fijos (especialmente al comparar modelos no anidados) y para pruebas de razón de verosimilitud de efectos fijos. Con muestras grandes, las estimaciones REML y ML convergen. Con muestras pequeñas y pocos conglomerados de nivel 2, REML es más fiable. Siempre informe qué método utilizó; los resultados pueden diferir, especialmente con muestras pequeñas.
¿Qué es el centrado en la media global frente al centrado en la media del grupo?
El centrado transforma los predictores para mejorar la interpretación y la estabilidad numérica. El centrado en la media global (restar la media general) centra los predictores de nivel 1 alrededor de la media global; el intercepto representa el resultado cuando el predictor es igual a la media global. El centrado en la media del grupo (restar la media del conglomerado) centra los predictores de nivel 1 alrededor de la media de cada conglomerado; separa los efectos dentro del conglomerado y entre conglomerados. Por ejemplo, centrar el estatus socioeconómico (SES) a nivel de estudiante en la media de la escuela aísla el efecto dentro de la escuela del SES en el rendimiento; la media del conglomerado (SES a nivel de escuela) se convierte en un predictor de nivel 2, representando el efecto de la composición de la escuela. El centrado en la media global es el predeterminado; el centrado en la media del grupo se utiliza cuando distinguir los efectos dentro frente a los efectos entre es teóricamente importante.
Métodos relacionados
Fuentes
Bryk, A. S., & Raudenbush, S. W. (1992). Hierarchical Linear Models: Applications and Data Analysis Methods. SAGE Publications.
Abrir referencia DOICopiado.Goldstein, H. (2011). Multilevel Statistical Models (4th ed.). Wiley-Blackwell.
Abrir referencia DOICopiado.Shrout, P. E., & Fleiss, J. L. (1979). Intraclass correlations: Uses in assessing rater reliability. Psychological Bulletin, 86(2), 420–428.
Abrir referencia DOICopiado.