Skip to content
Retour aux résultats

Modélisation multiniveau

Introduite par
Anthony Bryk and Stephen Raudenbush
Année
1992
Type
Method
Famille
hierarchical-data-analysis

Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais

Taille de police

À quoi sert-elle ?

La modélisation multiniveau (également appelée modélisation linéaire hiérarchique, modélisation à effets mixtes) est un cadre statistique permettant d'analyser des données organisées en structures imbriquées ou groupées — des étudiants au sein d'écoles, des patients au sein d'hôpitaux, des mesures répétées au sein d'individus.

Développée par Bryk et Raudenbush (1992), elle tient compte de la dépendance entre les observations et partitionne la variance en niveaux (intra-groupe et inter-groupes), permettant une inférence valide et révélant les effets contextuels. Elle est essentielle en éducation, en médecine, en recherche organisationnelle et dans tout domaine où les données présentent des hiérarchies naturelles.

L’intuition derrière la méthode

La régression standard suppose des observations indépendantes ; cependant, les données groupées violent cette hypothèse. Lorsque des étudiants sont imbriqués dans des écoles, les étudiants de la même école sont plus similaires entre eux qu'aux étudiants d'écoles différentes (non-indépendance). Ignorer le regroupement conduit à des erreurs standard sous-estimées, des intervalles de confiance trop étroits et une inflation de l'erreur de Type I. La modélisation multiniveau résout ce problème en (1) estimant simultanément les variances à plusieurs niveaux (variance intra-école et variance inter-écoles), (2) permettant aux coefficients de régression de varier selon le groupe (pentes aléatoires), et (3) modélisant les caractéristiques au niveau du groupe comme prédicteurs des relations intra-groupe. Cela permet de saisir comment le contexte affecte les individus et produit des tests d'hypothèse valides.

Histoire

Le manuel de 1992 de Anthony Bryk et Stephen Raudenbush, *Hierarchical Linear Models*, a popularisé la modélisation multiniveau en éducation et en sciences sociales. Les travaux de Harvey Goldstein ont fait progresser la méthodologie pour les hiérarchies complexes et les modèles à classification croisée. Les développements modernes incluent les modèles linéaires généralisés mixtes (GLMM ; Breslow & Clayton, 1993) pour les résultats non normaux, les modèles multiniveaux bayésiens (Gelman & Hill, 2007) et les modèles dynamiques (courbes de croissance latentes ; Raudenbush, 2001). Les avancées logicielles (lme4, nlme, MLwiN, HLM) ont rendu l'analyse multiniveau accessible.

Quand l’utiliser

Utilisez la modélisation multiniveau chaque fois que les observations sont imbriquées : étudiants dans des écoles (éducation), patients dans des hôpitaux (médecine), employés dans des entreprises (recherche organisationnelle), points temporels chez des individus (études longitudinales), mesures répétées chez des sujets (essais cliniques), membres de la famille dans des familles (études familiales). N'ignorez le regroupement que si ICC < 0,02 (regroupement négligeable). Utilisez-la également lors de l'estimation de prédictions spécifiques aux groupes (par exemple, la mortalité hospitalière ajustée au risque) ; les effets aléatoires réduisent les estimations vers la moyenne générale, corrigeant la variabilité d'échantillonnage.

Limites et points d’attention

  • Nécessite une taille d'échantillon adéquate au niveau 2 : peu de groupes (< 10–20) produisent des estimations d'effets aléatoires instables ; moins de 30 groupes augmente l'incertitude.
  • Suppose que l'appartenance au groupe est définie a priori : les plans à classification croisée (étudiants dans les écoles et les quartiers) nécessitent des modèles à classification croisée, plus complexes à ajuster.
  • Théorie asymptotique : les erreurs standard et les valeurs p sont approximatives ; la fiabilité diminue avec une petite taille d'échantillon au niveau 2. Les tests de bootstrap ou de permutation offrent des alternatives.
  • Spécification du modèle difficile : décider quels effets sont fixes ou aléatoires, et à quel niveau, nécessite une considération attentive. Une mauvaise spécification (par exemple, des pentes aléatoires omises) produit des effets fixes biaisés.
  • Suppose des effets aléatoires normalement distribués ; les violations au niveau 2 peuvent produire des estimations biaisées ; des méthodes robustes ou la vérification du modèle (graphiques des résidus) aident.

Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.

Points forts

  • Prend en compte la non-indépendance : produit des erreurs standard et des intervalles de confiance corrects malgré le regroupement ; évite l'inflation de l'erreur de Type I.
  • Partitionne la variance : quantifie la variation intra-groupe et inter-groupes, révélant les effets contextuels et éclairant les politiques (par exemple, les effets de l'école sur la réussite).
  • Effets aléatoires comme prédictions : les estimations empiriques de Bayes des ordonnées à l'origine/pentes spécifiques aux groupes sont plus stables que les effets fixes, utiles pour l'ajustement du risque et le classement.
  • Flexible pour les plans déséquilibrés : les tailles de groupe variables et les données manquantes sont gérées naturellement ; ne nécessite pas de plans équilibrés.
  • Gère plusieurs niveaux : trois niveaux ou plus (par exemple, étudiants au sein d'écoles au sein de districts) estimés dans un seul modèle.

Applications

  • Recherche en éducation : modélisation de la réussite scolaire des élèves avec des élèves imbriqués dans des classes/écoles ; quantification des effets de l'école et de l'efficacité des enseignants.
  • Recherche médicale : modélisation des résultats des patients (mortalité, réadmission) avec des patients imbriqués dans des hôpitaux ; ajustement du risque des taux spécifiques aux hôpitaux pour les comparaisons de qualité.
  • Études longitudinales : modélisation du changement au fil du temps avec des mesures répétées (niveau 1) imbriquées dans des individus (niveau 2) ; courbes de croissance, modélisation de trajectoire.
  • Recherche organisationnelle : modélisation des résultats des employés (satisfaction, performance) avec des employés imbriqués dans des équipes/départements/organisations ; évaluation des effets de la culture organisationnelle.
  • Études familiales : modélisation du comportement des enfants avec des frères et sœurs (niveau 1) imbriqués dans des familles (niveau 2) ; les caractéristiques au niveau de la famille (SES, parentalité) prédisent la similarité entre frères et sœurs.

Comment ça marche

Comment ça marche

1

Administrez la modélisation multiniveau en identifiant la structure hiérarchique : niveau 1 (le plus bas : individus, observations, points temporels) imbriqué dans le niveau 2 (groupes : écoles, hôpitaux, familles) et éventuellement le niveau 3 (organisations, districts). Enregistrez : (1) la variable de résultat (continue ou binaire), (2) les prédicteurs de niveau 1 (varient au sein des groupes, par exemple, l'âge de l'étudiant), (3) les prédicteurs de niveau 2 (varient entre les groupes, par exemple, le type d'école), (4) l'identifiant de groupe (variable de regroupement). Assurez une taille d'échantillon adéquate au niveau 2 (minimum ≥10 groupes, idéalement ≥30) pour des estimations stables des effets aléatoires. Pour les données longitudinales : points temporels (niveau 1) imbriqués dans des individus (niveau 2) au sein de groupes (niveau 3). Évaluez la corrélation intra-classe (ICC) : corrélation entre les observations du même groupe ; une ICC > 0,05 justifie généralement une analyse multiniveau.

2

Ajustez les modèles multiniveaux en utilisant le maximum de vraisemblance restreint (REML, préféré pour comparer les effets aléatoires) ou le ML (préféré pour les tests du rapport de vraisemblance des effets fixes). Le modèle est spécifié à deux niveaux : Niveau 1 (intra-groupe) : Y_ij = β₀j + β₁j(X_ij) + ε_ij, où i indexe les individus, j indexe les groupes. Niveau 2 (inter-groupes) : β₀j = γ₀₀ + γ₀₁(Z_j) + u₀j, spécifiant comment les ordonnées à l'origine varient entre les groupes. Rapportez : (1) Les effets fixes (coefficients γ) : effet moyen des prédicteurs à travers les groupes. (2) Les effets aléatoires (variances u₀j, u₁j) : déviations spécifiques aux groupes ; une grande variance indique que les groupes diffèrent substantiellement. (3) La corrélation intra-classe (ICC) : proportion de la variance totale entre les groupes, ICC = τ₀₀ / (τ₀₀ + σ²) où τ₀₀ est la variance inter-groupes et σ² est la variance résiduelle intra-groupe. (4) La déviance et les critères d'information (AIC, BIC) : pour comparer les modèles ; des valeurs plus faibles sont préférées. (5) Les tests du rapport de vraisemblance : pour comparer les modèles imbriqués dans l'ajustement.

3

Les effets fixes (pente et ordonnée à l'origine) représentent les relations moyennes à travers les groupes. Une pente fixe de 0,5 signifie qu'en moyenne, une augmentation d'une unité du prédicteur est associée à une augmentation de 0,5 unité du résultat à travers les groupes, après avoir tenu compte du regroupement. Les ordonnées à l'origine aléatoires permettent au résultat de base de différer selon le groupe (hétérogénéité inter-groupes). Les pentes aléatoires permettent à l'effet d'un prédicteur de varier selon le groupe ; une grande variance de pente aléatoire indique que les effets des covariables diffèrent substantiellement entre les groupes. L'ICC quantifie le regroupement : ICC = 0,30 signifie que 30 % de la variance est entre les groupes ; 0,05 signifie 5 % (regroupement minimal). Tailles d'effet : rapportez à la fois les effets fixes et les composantes de variance. Examinez les pentes/ordonnées à l'origine spécifiques aux groupes prédites (estimations par rétrécissement) pour comprendre les effets spécifiques au contexte. Utilisez les tests du rapport de vraisemblance pour comparer les modèles imbriqués : −2 × (log-vraisemblance du modèle plus simple − log-vraisemblance du modèle complexe) suit une distribution χ² avec df = différence des paramètres.

Pièges courants

  • Ignorer complètement le regroupement : traiter les données groupées comme indépendantes conduit à des erreurs standard sous-estimées et à des faux positifs.
  • Extraire les moyennes brutes des groupes comme nouvelle variable (sophisme écologique) : les moyennes et les relations au niveau individuel diffèrent ; utiliser le centrage multiniveau (prédicteurs centrés sur la moyenne générale ou sur la moyenne de groupe).
  • Pentes aléatoires sans taille de niveau 2 suffisante : l'estimation de pentes aléatoires pour tous les prédicteurs avec peu de groupes produit des estimations instables. Utilisez des pentes fixes pour les effets qui ne sont pas théoriquement requis de varier, ou utilisez une estimation pénalisée.
  • Mauvaise interprétation des interactions inter-niveaux : une interaction entre les prédicteurs de niveau 1 et de niveau 2 signifie que l'effet du prédicteur de niveau 1 dépend du contexte de niveau 2 ; interprétez et représentez graphiquement avec soin.
  • Sélection du modèle par les seules valeurs p : utilisez les tests du rapport de vraisemblance ou les critères d'information (AIC, BIC) pour la comparaison de modèles imbriqués ; la sélection pas à pas n'est pas fiable avec les effets aléatoires.
  • Ne pas vérifier les hypothèses : examinez les résidus de niveau 1 et de niveau 2 pour la normalité, l'homoscédasticité et les valeurs aberrantes ; les violations suggèrent une transformation ou des méthodes robustes.

Questions fréquentes

Qu'est-ce que la corrélation intra-classe (ICC) et pourquoi est-elle importante ?

La corrélation intra-classe (ICC) est la corrélation entre les observations du même groupe ; de manière équivalente, la proportion de la variance totale attribuable au regroupement. ICC = variance inter-groupes / variance totale. ICC = 0 signifie aucun regroupement (toute la variation est intra-groupe) ; ICC = 1 signifie un regroupement complet (toute la variation est inter-groupes). Une ICC > 0,05 justifie généralement une analyse multiniveau. Une petite ICC (0,01–0,05) signifie que les groupes sont similaires, mais le regroupement gonfle toujours les erreurs standard s'il est ignoré. Règles empiriques : ICC > 0,10 regroupement fort, 0,05–0,10 modéré, < 0,05 faible. Calculez l'ICC après avoir ajusté un modèle inconditionnel (sans prédicteurs) pour évaluer le regroupement de base.

Quelle est la différence entre les effets fixes et les effets aléatoires ?

Les effets fixes sont des relations moyennes à travers les groupes (par exemple, l'effet moyen de l'âge sur le résultat à travers les écoles). Les effets aléatoires sont des déviations spécifiques aux groupes par rapport à la moyenne (par exemple, comment l'effet de l'âge de chaque école diffère de la moyenne générale). Une ordonnée à l'origine aléatoire permet au résultat de base de différer selon le groupe (chaque école a sa propre ordonnée à l'origine). Une pente aléatoire permet à l'effet d'un prédicteur de différer selon le groupe (l'effet de l'âge de chaque école diffère). Incluez des effets aléatoires si les groupes diffèrent substantiellement dans l'effet ; incluez des effets fixes si l'effet est conceptuellement le même à travers les groupes. Les variances des effets aléatoires quantifient l'hétérogénéité ; une grande variance indique que les effets diffèrent substantiellement.

Comment choisir entre l'estimation REML et ML ?

Le REML (Restricted Maximum Likelihood) est préféré pour comparer les modèles à effets aléatoires (par exemple, comparer les modèles à pentes aléatoires) ; il produit des estimations non biaisées des composantes de variance. Le ML (Maximum Likelihood) est préféré pour comparer les effets fixes (surtout lors de la comparaison de modèles non imbriqués) et pour les tests du rapport de vraisemblance des effets fixes. Avec de grands échantillons, les estimations REML et ML convergent. Avec de petits échantillons et peu de groupes de niveau 2, le REML est plus fiable. Indiquez toujours la méthode que vous avez utilisée ; les résultats peuvent différer, surtout avec de petits échantillons.

Qu'est-ce que le centrage sur la moyenne générale par rapport au centrage sur la moyenne de groupe ?

Le centrage transforme les prédicteurs pour améliorer l'interprétation et la stabilité numérique. Le centrage sur la moyenne générale (soustraire la moyenne globale) centre les prédicteurs de niveau 1 autour de la moyenne globale ; l'ordonnée à l'origine représente le résultat lorsque le prédicteur est égal à la moyenne générale. Le centrage sur la moyenne de groupe (soustraire la moyenne du groupe) centre les prédicteurs de niveau 1 autour de la moyenne de chaque groupe ; il sépare les effets intra-groupe et inter-groupes. Par exemple, centrer le statut socio-économique (SES) au niveau de l'étudiant sur la moyenne de l'école isole l'effet intra-école du SES sur la réussite ; la moyenne du groupe (SES au niveau de l'école) devient un prédicteur de niveau 2, représentant l'effet de la composition de l'école. Le centrage sur la moyenne générale est par défaut ; le centrage sur la moyenne de groupe est utilisé lorsque la distinction entre les effets intra et inter-groupes est théoriquement importante.

Méthodes associées

Sources

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

    Ouvrir la référence DOI
    Copié.
  2. Goldstein, H. (2011). Multilevel Statistical Models (4th ed.). Wiley-Blackwell.

    Ouvrir la référence DOI
    Copié.
  3. Shrout, P. E., & Fleiss, J. L. (1979). Intraclass correlations: Uses in assessing rater reliability. Psychological Bulletin, 86(2), 420–428.

    Ouvrir la référence DOI
    Copié.