Pemodelan Multilevel
- Diperkenalkan oleh
- Anthony Bryk and Stephen Raudenbush
- Tahun
- 1992
- Jenis
- Method
- Keluarga
- hierarchical-data-analysis
Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris
Apa fungsinya?
Pemodelan multilevel (juga disebut pemodelan linier hierarkis, pemodelan efek campuran) adalah kerangka kerja statistik untuk menganalisis data yang diorganisasi dalam struktur bersarang atau terkelompok—siswa di dalam sekolah, pasien di dalam rumah sakit, pengukuran berulang di dalam individu.
Dikembangkan oleh Bryk dan Raudenbush (1992), kerangka ini memperhitungkan dependensi antar observasi dan mempartisi varians ke dalam tingkatan (dalam-kelompok dan antar-kelompok), memungkinkan inferensi yang valid dan mengungkap efek konteks. Penting dalam pendidikan, kedokteran, penelitian organisasi, dan bidang apa pun di mana data memiliki hierarki alami.
Intuisi di balik metode
Regresi standar mengasumsikan observasi independen; namun, data terkelompok melanggar asumsi ini. Ketika siswa bersarang di sekolah, siswa di sekolah yang sama lebih mirip satu sama lain daripada dengan siswa di sekolah yang berbeda (non-independensi). Mengabaikan pengelompokan menyebabkan estimasi standar error yang terlalu rendah, interval kepercayaan yang terlalu percaya diri, dan inflasi kesalahan Tipe I. Pemodelan multilevel menyelesaikan ini dengan (1) mengestimasi varians pada berbagai tingkatan secara simultan (varians dalam-sekolah dan varians antar-sekolah), (2) memungkinkan koefisien regresi bervariasi berdasarkan kelompok (kemiringan acak), dan (3) memodelkan karakteristik tingkat kelompok sebagai prediktor hubungan dalam-kelompok. Ini menangkap bagaimana konteks memengaruhi individu dan menghasilkan uji hipotesis yang valid.
Sejarah
Buku teks Anthony Bryk dan Stephen Raudenbush tahun 1992, Hierarchical Linear Models, mempopulerkan pemodelan multilevel dalam pendidikan dan ilmu sosial. Karya Harvey Goldstein memajukan metodologi untuk hierarki kompleks dan model bersilang. Perkembangan modern meliputi model linier campuran umum (GLMM; Breslow & Clayton, 1993) untuk hasil non-normal, model multilevel Bayesian (Gelman & Hill, 2007), dan model dinamis (kurva pertumbuhan laten; Raudenbush, 2001). Kemajuan perangkat lunak (lme4, nlme, MLwiN, HLM) membuat analisis multilevel dapat diakses.
Kapan digunakan
Gunakan pemodelan multilevel kapan pun observasi bersarang: siswa di sekolah (pendidikan), pasien di rumah sakit (kedokteran), karyawan di perusahaan (penelitian organisasi), titik waktu pada individu (studi longitudinal), pengukuran berulang pada subjek (uji klinis), anggota keluarga dalam keluarga (studi keluarga). Abaikan pengelompokan hanya jika ICC < 0,02 (pengelompokan dapat diabaikan). Juga gunakan saat mengestimasi prediksi spesifik kelompok (mis., mortalitas rumah sakit yang disesuaikan dengan risiko); efek acak menyusutkan estimasi ke arah rata-rata global, mengoreksi variabilitas sampel.
Batasan dan pertimbangan
- Memerlukan ukuran sampel tingkat 2 yang memadai: sedikit kelompok (< 10–20) menghasilkan estimasi efek acak yang tidak stabil; kurang dari 30 kelompok meningkatkan ketidakpastian.
- Mengasumsikan keanggotaan kelompok ditentukan sebelumnya: desain bersilang (siswa di sekolah dan lingkungan) memerlukan model bersilang, yang lebih kompleks untuk dipasang.
- Teori asimptotik: standar error dan nilai p adalah perkiraan; keandalan menurun dengan ukuran sampel tingkat 2 yang kecil. Uji bootstrap atau permutasi memberikan alternatif.
- Spesifikasi model menantang: memutuskan efek mana yang tetap vs acak, dan pada tingkatan mana, memerlukan pertimbangan cermat. Kesalahan spesifikasi (mis., kemiringan acak yang dihilangkan) menghasilkan efek tetap yang bias.
- Mengasumsikan efek acak terdistribusi normal; pelanggaran pada tingkat 2 dapat menghasilkan estimasi yang bias; metode robust atau pemeriksaan model (plot residual) membantu.
Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.
Kelebihan
- Memperhitungkan non-independensi: menghasilkan standar error dan interval kepercayaan yang benar meskipun ada pengelompokan; menghindari inflasi kesalahan Tipe I.
- Mempartisi varians: mengukur variasi dalam-kelompok dan antar-kelompok, mengungkap efek konteks dan menginformasikan kebijakan (mis., efek sekolah pada pencapaian).
- Efek acak sebagai prediksi: estimasi Bayes empiris dari intersep/kemiringan spesifik kelompok lebih stabil daripada efek tetap, berguna untuk penyesuaian risiko dan pemeringkatan.
- Fleksibel untuk desain tidak seimbang: ukuran kelompok yang bervariasi dan data yang hilang ditangani secara alami; tidak memerlukan desain yang seimbang.
- Menangani banyak tingkatan: tiga atau lebih tingkatan (mis., siswa di sekolah di distrik) diestimasi dalam satu model.
Penerapan
- Penelitian pendidikan: memodelkan pencapaian siswa dengan siswa bersarang di kelas/sekolah; mengukur efek sekolah dan efektivitas guru.
- Penelitian medis: memodelkan hasil pasien (mortalitas, rawat inap kembali) dengan pasien bersarang di rumah sakit; menyesuaikan tarif spesifik rumah sakit untuk perbandingan kualitas.
- Studi longitudinal: memodelkan perubahan seiring waktu dengan pengukuran berulang (tingkat 1) bersarang pada individu (tingkat 2); kurva pertumbuhan, pemodelan lintasan.
- Penelitian organisasi: memodelkan hasil karyawan (kepuasan, kinerja) dengan karyawan bersarang di tim/departemen/organisasi; menilai efek budaya organisasi.
- Studi keluarga: memodelkan perilaku anak dengan saudara kandung (tingkat 1) bersarang dalam keluarga (tingkat 2); karakteristik tingkat keluarga (SES, pola asuh) memprediksi kesamaan saudara kandung.
Cara kerjanya
Cara kerjanya
Mengadministrasikan pemodelan multilevel dengan mengidentifikasi struktur hierarkis: tingkat 1 (terendah: individu, observasi, titik waktu) bersarang di dalam tingkat 2 (kelompok: sekolah, rumah sakit, keluarga) dan opsional tingkat 3 (organisasi, distrik). Catat: (1) variabel hasil (kontinu atau biner), (2) prediktor tingkat 1 (bervariasi dalam kelompok, mis., usia siswa), (3) prediktor tingkat 2 (bervariasi antar kelompok, mis., jenis sekolah), (4) pengenal kelompok (variabel pengelompokan). Pastikan ukuran sampel tingkat 2 yang memadai (minimum ≥10 kelompok, idealnya ≥30) untuk estimasi efek acak yang stabil. Untuk data longitudinal: titik waktu (tingkat 1) bersarang di dalam individu (tingkat 2) di dalam kelompok (tingkat 3). Nilai korelasi intrakelas (ICC): korelasi antara observasi dalam kelompok yang sama; ICC > 0,05 biasanya membenarkan analisis multilevel.
Fitur model multilevel menggunakan kemungkinan maksimum terbatas (REML, lebih disukai untuk membandingkan efek acak) atau ML (lebih disukai untuk uji rasio kemungkinan efek tetap). Model ditentukan dalam dua tingkatan: Tingkat 1 (dalam-kelompok): Y_ij = β₀j + β₁j(X_ij) + ε_ij, di mana i mengindeks individu, j mengindeks kelompok. Tingkat 2 (antar-kelompok): β₀j = γ₀₀ + γ₀₁(Z_j) + u₀j, menentukan bagaimana intersep bervariasi di seluruh kelompok. Laporkan: (1) Efek tetap (koefisien γ): efek rata-rata prediktor di seluruh kelompok. (2) Efek acak (varians u₀j, u₁j): deviasi spesifik kelompok; varians besar menunjukkan kelompok berbeda secara substansial. (3) Korelasi intrakelas (ICC): proporsi varians total antar kelompok, ICC = τ₀₀ / (τ₀₀ + σ²) di mana τ₀₀ adalah varians antar-kelompok dan σ² adalah varians residual dalam-kelompok. (4) Kriteria devians dan informasi (AIC, BIC): bandingkan model; nilai yang lebih rendah lebih disukai. (5) Uji rasio kemungkinan: membandingkan model yang bersarang dalam fit.
Efek tetap (kemiringan dan intersep) mewakili hubungan rata-rata di seluruh kelompok. Kemiringan tetap 0,5 berarti rata-rata, peningkatan 1 unit pada prediktor terkait dengan peningkatan 0,5 unit pada hasil di seluruh kelompok, setelah memperhitungkan pengelompokan. Intersep acak memungkinkan hasil dasar berbeda berdasarkan kelompok (heterogenitas antar-kelompok). Kemiringan acak memungkinkan efek prediktor bervariasi berdasarkan kelompok; varians kemiringan acak yang besar menunjukkan efek kovariat berbeda secara substansial di seluruh kelompok. ICC mengukur pengelompokan: ICC = 0,30 berarti 30% varians berada di antara kelompok; 0,05 berarti 5% (pengelompokan minimal). Ukuran efek: laporkan baik efek tetap maupun komponen varians. Periksa kemiringan/intersep spesifik kelompok yang diprediksi (estimasi penyusutan) untuk memahami efek spesifik konteks. Gunakan uji rasio kemungkinan untuk membandingkan model bersarang: −2 × (log-kemungkinan model yang lebih sederhana − log-kemungkinan model yang kompleks) mengikuti χ² dengan df = perbedaan parameter.
Kesalahan umum
- Mengabaikan pengelompokan sepenuhnya: memperlakukan data terkelompok sebagai independen menghasilkan standar error yang terlalu rendah dan positif palsu.
- Mengekstrak rata-rata kelompok mentah sebagai variabel baru (kesalahan ekologis): rata-rata dan hubungan tingkat individu berbeda; gunakan pemusatan multilevel (prediktor yang dipusatkan pada rata-rata global vs rata-rata kelompok).
- Kemiringan acak tanpa ukuran tingkat 2 yang cukup: mengestimasi kemiringan acak untuk semua prediktor dengan sedikit kelompok menghasilkan estimasi yang tidak stabil. Gunakan kemiringan tetap untuk efek yang secara teoritis tidak perlu bervariasi, atau gunakan estimasi yang dihukum.
- Salah menafsirkan interaksi lintas tingkat: interaksi antara prediktor tingkat 1 dan tingkat 2 berarti efek prediktor tingkat 1 bergantung pada konteks tingkat 2; tafsirkan dan plot dengan hati-hati.
- Pemilihan model berdasarkan nilai p saja: gunakan uji rasio kemungkinan atau kriteria informasi (AIC, BIC) untuk perbandingan model bersarang; pemilihan bertahap tidak dapat diandalkan dengan efek acak.
- Gagal memeriksa asumsi: periksa residual tingkat 1 dan tingkat 2 untuk normalitas, homoskedastisitas, dan pencilan; pelanggaran menunjukkan transformasi atau metode robust.
Pertanyaan yang sering diajukan
Apa itu korelasi intrakelas (ICC), dan mengapa itu penting?
Korelasi intrakelas (ICC) adalah korelasi antara observasi dalam kelompok yang sama; secara ekuivalen, proporsi varians total yang diatribusikan pada pengelompokan. ICC = varians antar-kelompok / varians total. ICC = 0 berarti tidak ada pengelompokan (semua variasi dalam kelompok); ICC = 1 berarti pengelompokan lengkap (semua variasi antar kelompok). ICC > 0,05 biasanya membenarkan analisis multilevel. ICC kecil (0,01–0,05) berarti kelompok serupa, tetapi pengelompokan masih menggelembungkan standar error jika diabaikan. Aturan praktis: ICC > 0,10 pengelompokan kuat, 0,05–0,10 sedang, < 0,05 lemah. Hitung ICC setelah memasang model tanpa prediktor (unconditional model) untuk menilai pengelompokan dasar.
Apa perbedaan antara efek tetap dan efek acak?
Efek tetap adalah hubungan rata-rata di seluruh kelompok (mis., efek rata-rata usia pada hasil di seluruh sekolah). Efek acak adalah deviasi spesifik kelompok dari rata-rata (mis., bagaimana efek usia setiap sekolah berbeda dari rata-rata global). Intersep acak memungkinkan hasil dasar berbeda berdasarkan kelompok (setiap sekolah memiliki intersepnya sendiri). Kemiringan acak memungkinkan efek prediktor berbeda berdasarkan kelompok (efek usia setiap sekolah berbeda). Sertakan efek acak jika kelompok berbeda secara substansial dalam efeknya; sertakan efek tetap jika efeknya secara konseptual sama di seluruh kelompok. Varians efek acak mengukur heterogenitas; varians besar menunjukkan efek berbeda secara substansial.
Bagaimana cara memilih antara estimasi REML dan ML?
REML (Restricted Maximum Likelihood) lebih disukai untuk membandingkan model efek acak (mis., membandingkan model kemiringan acak); ia menghasilkan estimasi komponen varians yang tidak bias. ML (Maximum Likelihood) lebih disukai untuk membandingkan efek tetap (terutama saat membandingkan model yang tidak bersarang) dan untuk uji rasio kemungkinan efek tetap. Dengan sampel besar, estimasi REML dan ML konvergen. Dengan sampel kecil dan sedikit kelompok tingkat 2, REML lebih andal. Selalu laporkan metode yang Anda gunakan; hasilnya bisa berbeda, terutama dengan sampel kecil.
Apa itu pemusatan rata-rata global vs pemusatan rata-rata kelompok?
Pemusatan mengubah prediktor untuk meningkatkan interpretasi dan stabilitas numerik. Pemusatan rata-rata global (kurangi rata-rata keseluruhan) memusatkan prediktor tingkat 1 di sekitar rata-rata global; intersep mewakili hasil ketika prediktor sama dengan rata-rata global. Pemusatan rata-rata kelompok (kurangi rata-rata kelompok) memusatkan prediktor tingkat 1 di sekitar rata-rata setiap kelompok; memisahkan efek dalam-kelompok dan antar-kelompok. Misalnya, memusatkan status sosial ekonomi tingkat siswa (SES) pada rata-rata sekolah mengisolasi efek SES dalam sekolah pada pencapaian; rata-rata kelompok (SES tingkat sekolah) menjadi prediktor tingkat 2, mewakili efek komposisi sekolah. Pemusatan rata-rata global adalah default; pemusatan rata-rata kelompok digunakan ketika membedakan efek dalam vs antar secara teoritis penting.
Metode terkait
Sumber
Bryk, A. S., & Raudenbush, S. W. (1992). Hierarchical Linear Models: Applications and Data Analysis Methods. SAGE Publications.
Buka referensi DOIDisalin.Goldstein, H. (2011). Multilevel Statistical Models (4th ed.). Wiley-Blackwell.
Buka referensi DOIDisalin.Shrout, P. E., & Fleiss, J. L. (1979). Intraclass correlations: Uses in assessing rater reliability. Psychological Bulletin, 86(2), 420–428.
Buka referensi DOIDisalin.