Skip to content
بازگشت به نتایج جست‌وجو

مدل‌سازی چندسطحی

معرفی‌شده توسط
Anthony Bryk and Stephen Raudenbush
سال
1992
نوع
Method
خانواده
hierarchical-data-analysis

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

مدل‌سازی چندسطحی (که مدل‌سازی خطی سلسله‌مراتبی یا مدل‌سازی اثرات مختلط نیز نامیده می‌شود) یک چارچوب آماری برای تحلیل داده‌های سازمان‌یافته در ساختارهای تودرتو یا خوشه‌ای است—دانش‌آموزان در مدارس، بیماران در بیمارستان‌ها، اندازه‌گیری‌های مکرر در افراد. این روش که توسط Bryk و Raudenbush (1992) توسعه یافته است، وابستگی بین مشاهدات را در نظر می‌گیرد و واریانس را به سطوح (درون خوشه‌ای و بین خوشه‌ای) تقسیم می‌کند، که امکان استنتاج معتبر و آشکارسازی اثرات زمینه‌ای را فراهم می‌آورد. این روش در آموزش، پزشکی، تحقیقات سازمانی و هر میدانی که داده‌ها دارای سلسله‌مراتب طبیعی هستند، ضروری است.

شهود پشت روش

رگرسیون استاندارد فرض می‌کند مشاهدات مستقل هستند؛ با این حال، داده‌های خوشه‌ای این فرض را نقض می‌کنند. هنگامی که دانش‌آموزان در مدارس تودرتو هستند، دانش‌آموزان یک مدرسه بیشتر از دانش‌آموزان مدارس دیگر شبیه به هم هستند (عدم استقلال). نادیده گرفتن خوشه‌بندی منجر به تخمین خطاهای استاندارد کمتر از واقعیت، فواصل اطمینان بیش از حد مطمئن و تورم خطای نوع اول می‌شود. مدل‌سازی چندسطحی این مشکل را با (۱) تخمین همزمان واریانس‌ها در سطوح متعدد (واریانس درون مدرسه‌ای و واریانس بین مدرسه‌ای)، (۲) اجازه دادن به ضرایب رگرسیون برای تغییر بر اساس خوشه (شیب‌های تصادفی)، و (۳) مدل‌سازی ویژگی‌های سطح خوشه به عنوان پیش‌بینی‌کننده روابط درون خوشه‌ای، حل می‌کند. این روش چگونگی تأثیر زمینه بر افراد را ثبت کرده و آزمون‌های فرضیه معتبر ارائه می‌دهد.

تاریخ

کتاب درسی Anthony Bryk و Stephen Raudenbush با عنوان Hierarchical Linear Models در سال ۱۹۹۲ مدل‌سازی چندسطحی را در آموزش و علوم اجتماعی رایج کرد. کارهای Harvey Goldstein روش‌شناسی را برای سلسله‌مراتب‌های پیچیده و مدل‌های طبقه‌بندی متقاطع پیش برد. تحولات مدرن شامل مدل‌های خطی مختلط تعمیم‌یافته (GLMM؛ Breslow & Clayton, 1993) برای پیامدهای غیرنرمال، مدل‌های چندسطحی بیزی (Gelman & Hill, 2007) و مدل‌های پویا (منحنی‌های رشد نهفته؛ Raudenbush, 2001) است. پیشرفت‌های نرم‌افزاری (lme4, nlme, MLwiN, HLM) تحلیل چندسطحی را در دسترس قرار داده‌اند.

چه زمانی استفاده شود

هر زمان که مشاهدات تودرتو هستند از مدل‌سازی چندسطحی استفاده کنید: دانش‌آموزان در مدارس (آموزش)، بیماران در بیمارستان‌ها (پزشکی)، کارکنان در شرکت‌ها (تحقیقات سازمانی)، نقاط زمانی در افراد (مطالعات طولی)، اندازه‌گیری‌های مکرر در افراد (آزمایش‌های بالینی)، اعضای خانواده در خانواده‌ها (مطالعات خانوادگی). تنها در صورتی خوشه‌بندی را نادیده بگیرید که ICC < 0.02 (خوشه‌بندی ناچیز) باشد. همچنین زمانی که تخمین پیش‌بینی‌های خاص خوشه (به عنوان مثال، مرگ‌ومیر تعدیل‌شده بر اساس ریسک بیمارستان) مورد نیاز است، از آن استفاده کنید؛ اثرات تصادفی تخمین‌ها را به سمت میانگین کلی انقباض می‌دهند و واریانس نمونه‌برداری را تصحیح می‌کنند.

محدودیت‌ها و ملاحظات

  • نیاز به اندازه نمونه کافی در سطح ۲ دارد: خوشه‌های کم (کمتر از ۱۰-۲۰) تخمین‌های اثر تصادفی ناپایدار تولید می‌کنند؛ کمتر از ۳۰ خوشه عدم قطعیت را افزایش می‌دهد.
  • فرض می‌کند عضویت خوشه از پیش تعریف شده است: طرح‌های طبقه‌بندی متقاطع (دانش‌آموزان در مدارس و محلات) نیازمند مدل‌های طبقه‌بندی متقاطع هستند که برازش آن‌ها پیچیده‌تر است.
  • نظریه مجانبی: خطاهای استاندارد و مقادیر p تقریبی هستند؛ قابلیت اطمینان با اندازه نمونه کوچک سطح ۲ کاهش می‌یابد. آزمون‌های بوت استرپ یا جایگشت جایگزین‌هایی را ارائه می‌دهند.
  • مشخص‌سازی مدل چالش‌برانگیز است: تصمیم‌گیری در مورد اینکه کدام اثرات ثابت و کدام تصادفی هستند، و در چه سطحی، نیازمند بررسی دقیق است. مشخص‌سازی نادرست (به عنوان مثال، شیب‌های تصادفی حذف شده) منجر به اثرات ثابت بایاس شده می‌شود.
  • فرض می‌کند اثرات تصادفی توزیع نرمال دارند؛ نقض این فرض در سطح ۲ ممکن است منجر به تخمین‌های بایاس شده شود؛ روش‌های مقاوم یا بررسی مدل (نمودارهای باقی‌مانده) کمک می‌کنند.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • عدم استقلال را در نظر می‌گیرد: خطاهای استاندارد و فواصل اطمینان صحیح را علی‌رغم خوشه‌بندی ارائه می‌دهد؛ از تورم خطای نوع اول جلوگیری می‌کند.
  • واریانس را تقسیم می‌کند: تنوع درون خوشه‌ای و بین خوشه‌ای را کمی می‌کند، اثرات زمینه را آشکار می‌سازد و سیاست‌گذاری را آگاه می‌سازد (به عنوان مثال، اثرات مدرسه بر پیشرفت تحصیلی).
  • اثرات تصادفی به عنوان پیش‌بینی‌کننده: تخمین‌های تجربی بیزی از عرض‌های از مبدأ/شیب‌های خاص خوشه پایدارتر از اثرات ثابت هستند و برای تعدیل ریسک و رتبه‌بندی مفیدند.
  • برای طرح‌های نامتوازن انعطاف‌پذیر است: اندازه‌های مختلف خوشه و داده‌های گمشده به طور طبیعی مدیریت می‌شوند؛ نیازی به طرح‌های متوازن ندارد.
  • چندین سطح را مدیریت می‌کند: سه سطح یا بیشتر (به عنوان مثال، دانش‌آموزان در مدارس در مناطق) در یک مدل واحد تخمین زده می‌شوند.

کاربردها

  • تحقیقات آموزشی: مدل‌سازی پیشرفت تحصیلی دانش‌آموزان با دانش‌آموزان تودرتو در کلاس‌ها/مدارس؛ کمی‌سازی اثرات مدرسه و اثربخشی معلم.
  • تحقیقات پزشکی: مدل‌سازی پیامدهای بیمار (مرگ‌ومیر، بستری مجدد) با بیماران تودرتو در بیمارستان‌ها؛ تعدیل ریسک نرخ‌های خاص بیمارستان برای مقایسه کیفیت.
  • مطالعات طولی: مدل‌سازی تغییر در طول زمان با اندازه‌گیری‌های مکرر (سطح ۱) تودرتو در افراد (سطح ۲)؛ منحنی‌های رشد، مدل‌سازی مسیر.
  • تحقیقات سازمانی: مدل‌سازی پیامدهای کارکنان (رضایت، عملکرد) با کارکنان تودرتو در تیم‌ها/بخش‌ها/سازمان‌ها؛ ارزیابی اثرات فرهنگ سازمانی.
  • مطالعات خانوادگی: مدل‌سازی رفتار کودک با خواهر و برادران (سطح ۱) تودرتو در خانواده‌ها (سطح ۲)؛ ویژگی‌های سطح خانواده (وضعیت اقتصادی-اجتماعی، شیوه‌های فرزندپروری) پیش‌بینی‌کننده شباهت خواهر و برادر است.

چگونه کار می‌کند

چگونه کار می‌کند

1

مدل‌سازی چندسطحی را با شناسایی ساختار سلسله‌مراتبی اجرا کنید: سطح ۱ (پایین‌ترین: افراد، مشاهدات، نقاط زمانی) که در سطح ۲ (خوشه‌ها: مدارس، بیمارستان‌ها، خانواده‌ها) و به طور اختیاری سطح ۳ (سازمان‌ها، مناطق) تودرتو شده‌اند. موارد زیر را ثبت کنید: (۱) متغیر پیامد (پیوسته یا دودویی)، (۲) پیش‌بینی‌کننده‌های سطح ۱ (درون خوشه‌ها متغیر هستند، به عنوان مثال، سن دانش‌آموز)، (۳) پیش‌بینی‌کننده‌های سطح ۲ (بین خوشه‌ها متغیر هستند، به عنوان مثال، نوع مدرسه)، (۴) شناسه خوشه (متغیر گروه‌بندی). برای تخمین پایدار اثرات تصادفی، اندازه نمونه کافی در سطح ۲ (حداقل ≥ ۱۰ خوشه، ترجیحاً ≥ ۳۰) را تضمین کنید. برای داده‌های طولی: نقاط زمانی (سطح ۱) که در افراد (سطح ۲) در گروه‌ها (سطح ۳) تودرتو شده‌اند. همبستگی درون خوشه‌ای (ICC) را ارزیابی کنید: همبستگی بین مشاهدات در یک خوشه؛ ICC > 0.05 معمولاً تحلیل چندسطحی را توجیه می‌کند.

2

مدل‌های چندسطحی را با استفاده از حداکثر درست‌نمایی محدود شده (REML، ترجیحی برای مقایسه اثرات تصادفی) یا ML (حداکثر درست‌نمایی؛ ترجیحی برای آزمون نسبت درست‌نمایی اثرات ثابت) برازش دهید. مدل در دو سطح مشخص می‌شود: سطح ۱ (درون خوشه‌ای): Y_ij = β₀j + β₁j(X_ij) + ε_ij، که در آن i شاخص افراد و j شاخص خوشه‌ها است. سطح ۲ (بین خوشه‌ای): β₀j = γ₀₀ + γ₀₁(Z_j) + u₀j، که نحوه تغییر عرض‌های از مبدأ در بین خوشه‌ها را مشخص می‌کند. موارد زیر را گزارش کنید: (۱) اثرات ثابت (ضرایب γ): میانگین اثر پیش‌بینی‌کننده‌ها در بین خوشه‌ها. (۲) اثرات تصادفی (واریانس‌های u₀j، u₁j): انحرافات خاص خوشه؛ واریانس بزرگ نشان‌دهنده تفاوت قابل توجه بین خوشه‌ها است. (۳) همبستگی درون خوشه‌ای (ICC): نسبت واریانس کل بین خوشه‌ها، ICC = τ₀₀ / (τ₀₀ + σ²) که در آن τ₀₀ واریانس بین خوشه‌ای و σ² واریانس باقی‌مانده درون خوشه‌ای است. (۴) معیار انحراف و اطلاعات (AIC، BIC): مدل‌ها را مقایسه کنید؛ مقادیر کمتر ترجیح داده می‌شوند. (۵) آزمون‌های نسبت درست‌نمایی: مقایسه مدل‌های تودرتو در برازش.

3

اثرات ثابت (شیب و عرض از مبدأ) نشان‌دهنده روابط میانگین در بین خوشه‌ها هستند. یک شیب ثابت 0.5 به این معنی است که به طور متوسط، افزایش ۱ واحدی در پیش‌بینی‌کننده با افزایش 0.5 واحدی در پیامد در بین خوشه‌ها، پس از در نظر گرفتن خوشه‌بندی، مرتبط است. عرض‌های از مبدأ تصادفی اجازه می‌دهند پیامد پایه در هر خوشه متفاوت باشد (ناهمگونی بین خوشه‌ای). شیب‌های تصادفی اجازه می‌دهند اثر یک پیش‌بینی‌کننده در هر خوشه متفاوت باشد؛ واریانس بزرگ شیب تصادفی نشان‌دهنده تفاوت قابل توجه اثرات متغیرها در بین خوشه‌ها است. ICC خوشه‌بندی را کمی می‌کند: ICC = 0.30 به این معنی است که 30% واریانس بین خوشه‌ها است؛ 0.05 به این معنی است که 5% (خوشه‌بندی ناچیز). اندازه اثر: هم اثرات ثابت و هم مولفه‌های واریانس را گزارش کنید. شیب‌ها/عرض‌های از مبدأ خاص خوشه را (تخمین‌های انقباضی) بررسی کنید تا اثرات خاص زمینه را درک کنید. از آزمون‌های نسبت درست‌نمایی برای مقایسه مدل‌های تودرتو استفاده کنید: −2 × (لگاریتم درست‌نمایی مدل ساده‌تر − لگاریتم درست‌نمایی مدل پیچیده‌تر) از توزیع χ² با درجه آزادی = تفاوت در پارامترها پیروی می‌کند.

دام‌های رایج

  • نادیده گرفتن کامل خوشه‌بندی: رفتار با داده‌های خوشه‌ای به عنوان مستقل منجر به خطاهای استاندارد کمتر از واقعیت و مثبت کاذب می‌شود.
  • استخراج میانگین‌های خام خوشه به عنوان یک متغیر جدید (مغالطه بوم‌شناختی): میانگین‌ها و روابط سطح فردی متفاوت هستند؛ از مرکزیت‌دهی چندسطحی (پیش‌بینی‌کننده‌های مرکزیت‌یافته به میانگین کلی در مقابل میانگین گروهی) استفاده کنید.
  • شیب‌های تصادفی بدون اندازه کافی سطح ۲: تخمین شیب‌های تصادفی برای همه پیش‌بینی‌کننده‌ها با خوشه‌های کم منجر به تخمین‌های ناپایدار می‌شود. از شیب‌های ثابت برای اثراتی که از نظر تئوری نیازی به تغییر ندارند، استفاده کنید، یا از برازش جریمه‌شده استفاده کنید.
  • تفسیر نادرست تعاملات بین سطحی: تعامل بین پیش‌بینی‌کننده‌های سطح ۱ و سطح ۲ به این معنی است که اثر پیش‌بینی‌کننده سطح ۱ به زمینه سطح ۲ بستگی دارد؛ با دقت تفسیر و رسم کنید.
  • انتخاب مدل صرفاً بر اساس مقادیر p: از آزمون‌های نسبت درست‌نمایی یا معیارهای اطلاعاتی (AIC، BIC) برای مقایسه مدل‌های تودرتو استفاده کنید؛ انتخاب گام به گام با اثرات تصادفی قابل اعتماد نیست.
  • عدم بررسی مفروضات: باقی‌مانده‌های سطح ۱ و ۲ را از نظر نرمال بودن، همگنی و داده‌های پرت بررسی کنید؛ نقض مفروضات نشان‌دهنده نیاز به تبدیل یا روش‌های مقاوم است.

پرسش‌های متداول

همبستگی درون خوشه‌ای (ICC) چیست و چرا اهمیت دارد؟

همبستگی درون خوشه‌ای (ICC) همبستگی بین مشاهدات در یک خوشه است؛ معادل آن، نسبت واریانس کل است که به خوشه‌بندی نسبت داده می‌شود. ICC = واریانس بین خوشه‌ای / واریانس کل. ICC = 0 به معنی عدم وجود خوشه‌بندی است (تمام واریانس درون خوشه‌ها)؛ ICC = 1 به معنی خوشه‌بندی کامل است (تمام واریانس بین خوشه‌ها). ICC > 0.05 معمولاً تحلیل چندسطحی را توجیه می‌کند. ICC کوچک (0.01–0.05) به این معنی است که خوشه‌ها شبیه به هم هستند، اما اگر نادیده گرفته شود، خوشه‌بندی همچنان خطاهای استاندارد را افزایش می‌دهد. قوانین سرانگشتی: ICC > 0.10 خوشه‌بندی قوی، 0.05–0.10 متوسط، < 0.05 ضعیف. ICC را پس از برازش مدل بدون پیش‌بینی‌کننده (مدل بدون متغیر) برای ارزیابی خوشه‌بندی پایه محاسبه کنید.

تفاوت بین اثرات ثابت و اثرات تصادفی چیست؟

اثرات ثابت روابط میانگین در بین خوشه‌ها هستند (به عنوان مثال، میانگین اثر سن بر پیامد در بین مدارس). اثرات تصادفی انحرافات خاص خوشه از میانگین هستند (به عنوان مثال، اینکه چگونه اثر سن هر مدرسه با میانگین کلی متفاوت است). یک عرض از مبدأ تصادفی اجازه می‌دهد پیامد پایه در هر خوشه متفاوت باشد (هر مدرسه عرض از مبدأ خاص خود را دارد). یک شیب تصادفی اجازه می‌دهد اثر یک پیش‌بینی‌کننده در هر خوشه متفاوت باشد (اثر سن هر مدرسه متفاوت است). اثرات تصادفی را در صورتی که خوشه‌ها به طور قابل توجهی در اثر متفاوت باشند، لحاظ کنید؛ اثرات ثابت را در صورتی که اثر از نظر مفهومی در بین خوشه‌ها یکسان باشد، لحاظ کنید. واریانس‌های اثر تصادفی ناهمگونی را کمی می‌کنند؛ واریانس بزرگ نشان‌دهنده تفاوت قابل توجه اثرات است.

چگونه بین تخمین REML و ML انتخاب کنم؟

REML (حداکثر درست‌نمایی محدود شده) برای مقایسه مدل‌های اثرات تصادفی (به عنوان مثال، مقایسه مدل‌های شیب تصادفی) ترجیح داده می‌شود؛ این روش تخمین‌های مولفه واریانس نااریب تولید می‌کند. ML (حداکثر درست‌نمایی) برای مقایسه اثرات ثابت (به ویژه هنگام مقایسه مدل‌های غیر تودرتو) و برای آزمون‌های نسبت درست‌نمایی اثرات ثابت ترجیح داده می‌شود. با نمونه‌های بزرگ، تخمین‌های REML و ML همگرا می‌شوند. با نمونه‌های کوچک و خوشه‌های سطح ۲ کم، REML قابل اطمینان‌تر است. همیشه روشی را که استفاده کرده‌اید گزارش کنید؛ نتایج می‌توانند متفاوت باشند، به خصوص با نمونه‌های کوچک.

مرکزیت‌دهی به میانگین کلی در مقابل مرکزیت‌دهی به میانگین گروهی چیست؟

مرکزیت‌دهی پیش‌بینی‌کننده‌ها را برای بهبود تفسیر و پایداری عددی تبدیل می‌کند. مرکزیت‌دهی به میانگین کلی (کسر میانگین کلی) پیش‌بینی‌کننده‌های سطح ۱ را حول میانگین جهانی مرکزیت می‌دهد؛ عرض از مبدأ زمانی نشان‌دهنده پیامد است که پیش‌بینی‌کننده برابر با میانگین کلی باشد. مرکزیت‌دهی به میانگین گروهی (کسر میانگین خوشه) پیش‌بینی‌کننده‌های سطح ۱ را حول میانگین هر خوشه مرکزیت می‌دهد؛ اثرات درون خوشه‌ای و بین خوشه‌ای را جدا می‌کند. به عنوان مثال، مرکزیت‌دهی وضعیت اقتصادی-اجتماعی در سطح دانش‌آموز (SES) به میانگین مدرسه، اثر درون مدرسه‌ای SES بر پیشرفت تحصیلی را جدا می‌کند؛ میانگین خوشه (SES در سطح مدرسه) به یک پیش‌بینی‌کننده سطح ۲ تبدیل می‌شود که اثر ترکیب مدرسه را نشان می‌دهد. مرکزیت‌دهی به میانگین کلی پیش‌فرض است؛ مرکزیت‌دهی به میانگین گروهی زمانی استفاده می‌شود که تمایز بین اثرات درون و بین خوشه‌ای از نظر تئوری مهم باشد.

روش‌های مرتبط

منابع

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

    باز کردن مرجع DOI
    کپی شد.
  2. Goldstein, H. (2011). Multilevel Statistical Models (4th ed.). Wiley-Blackwell.

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

    باز کردن مرجع DOI
    کپی شد.