Modellazione multilivello
- Introdotto da
- Anthony Bryk and Stephen Raudenbush
- Anno
- 1992
- Tipo
- Method
- Famiglia
- hierarchical-data-analysis
Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese
A cosa serve?
La modellazione multilivello (detta anche modellazione lineare gerarchica, modellazione a effetti misti) è un quadro statistico per analizzare dati organizzati in strutture nidificate o raggruppate: studenti all'interno di scuole, pazienti all'interno di ospedali, misurazioni ripetute all'interno di individui.
Sviluppata da Bryk e Raudenbush (1992), tiene conto della dipendenza tra le osservazioni e ripartisce la varianza in livelli (all'interno del cluster e tra i cluster), consentendo inferenze valide e rivelando effetti contestuali. Essenziale nell'istruzione, nella medicina, nella ricerca organizzativa e in qualsiasi campo in cui i dati presentino gerarchie naturali.
L’intuizione alla base del metodo
La regressione standard presuppone osservazioni indipendenti; tuttavia, i dati raggruppati violano questa assunzione. Quando gli studenti sono nidificati nelle scuole, gli studenti della stessa scuola sono più simili tra loro rispetto agli studenti di scuole diverse (non indipendenza). Ignorare il raggruppamento porta a errori standard sottostimati, intervalli di confidenza eccessivamente ottimistici e un aumento del tasso di errore di Tipo I. La modellazione multilivello risolve questo problema (1) stimando simultaneamente le varianze a più livelli (varianza intra-scuola e varianza inter-scuola), (2) consentendo ai coefficienti di regressione di variare per cluster (pendenze casuali) e (3) modellando le caratteristiche a livello di cluster come predittori delle relazioni intra-cluster. Ciò cattura come il contesto influisce sugli individui e produce test di ipotesi validi.
Storia
Il libro del 1992 Hierarchical Linear Models di Anthony Bryk e Stephen Raudenbush ha reso popolare la modellazione multilivello nell'istruzione e nelle scienze sociali. Il lavoro di Harvey Goldstein ha fatto progredire la metodologia per gerarchie complesse e modelli a classificazione incrociata. Gli sviluppi moderni includono modelli lineari generalizzati misti (GLMM; Breslow & Clayton, 1993) per esiti non normali, modelli multilivello bayesiani (Gelman & Hill, 2007) e modelli dinamici (curve di crescita latenti; Raudenbush, 2001). I progressi software (lme4, nlme, MLwiN, HLM) hanno reso accessibile l'analisi multilivello.
Quando usarlo
Utilizzare la modellazione multilivello ogni volta che le osservazioni sono nidificate: studenti in scuole (istruzione), pazienti in ospedali (medicina), dipendenti in aziende (ricerca organizzativa), punti temporali in individui (studi longitudinali), misurazioni ripetute in soggetti (studi clinici), membri della famiglia in famiglie (studi familiari). Ignorare il raggruppamento solo se l'ICC < 0.02 (raggruppamento trascurabile). Utilizzare anche quando si stimano previsioni specifiche del cluster (ad es. mortalità ospedaliera aggiustata per il rischio); gli effetti casuali riducono le stime verso la media generale, correggendo la variabilità campionaria.
Limiti e considerazioni
- Richiede una dimensione campionaria adeguata di livello 2: pochi cluster (< 10–20) producono stime instabili degli effetti casuali; meno di 30 cluster aumenta l'incertezza.
- Presuppone che l'appartenenza al cluster sia definita a priori: disegni a classificazione incrociata (studenti sia in scuole che in quartieri) richiedono modelli a classificazione incrociata, più complessi da adattare.
- Teoria asintotica: errori standard e p-value sono approssimativi; l'affidabilità diminuisce con piccole dimensioni campionarie di livello 2. Test bootstrap o di permutazione forniscono alternative.
- Specificazione del modello impegnativa: decidere quali effetti sono fissi o casuali, e a quale livello, richiede un'attenta considerazione. Una specificazione errata (ad es. pendenze casuali omesse) produce effetti fissi distorti.
- Presuppone effetti casuali distribuiti normalmente; violazioni a livello 2 possono produrre stime distorte; metodi robusti o controllo del modello (grafici dei residui) aiutano.
Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.
Punti di forza
- Tiene conto della non indipendenza: produce errori standard e intervalli di confidenza corretti nonostante il raggruppamento; evita l'inflazione dell'errore di Tipo I.
- Ripartisce la varianza: quantifica la variazione intra-cluster e inter-cluster, rivelando effetti contestuali e informando le politiche (ad es. effetti scolastici sul rendimento).
- Effetti casuali come previsioni: le stime bayesiane empiriche delle intercette/pendenze specifiche del cluster sono più stabili degli effetti fissi, utili per l'aggiustamento del rischio e la classificazione.
- Flessibile per disegni sbilanciati: dimensioni dei cluster variabili e dati mancanti gestiti naturalmente; non richiede disegni bilanciati.
- Gestisce più livelli: tre o più livelli (ad es. studenti all'interno di scuole all'interno di distretti) stimati in un unico modello.
Applicazioni
- Ricerca educativa: modellazione del rendimento degli studenti con studenti nidificati in classi/scuole; quantificazione degli effetti scolastici e dell'efficacia degli insegnanti.
- Ricerca medica: modellazione degli esiti dei pazienti (mortalità, riammissioni) con pazienti nidificati in ospedali; aggiustamento per il rischio dei tassi specifici dell'ospedale per confronti di qualità.
- Studi longitudinali: modellazione del cambiamento nel tempo con misurazioni ripetute (livello 1) nidificate in individui (livello 2); curve di crescita, modellazione di traiettorie.
- Ricerca organizzativa: modellazione degli esiti dei dipendenti (soddisfazione, prestazioni) con dipendenti nidificati in team/dipartimenti/organizzazioni; valutazione degli effetti della cultura organizzativa.
- Studi familiari: modellazione del comportamento infantile con fratelli (livello 1) nidificati in famiglie (livello 2); caratteristiche a livello familiare (SES, genitorialità) predicono la somiglianza tra fratelli.
Come funziona
Come funziona
Amministrare la modellazione multilivello identificando la struttura gerarchica: livello 1 (più basso: individui, osservazioni, punti temporali) nidificato all'interno del livello 2 (cluster: scuole, ospedali, famiglie) e opzionalmente livello 3 (organizzazioni, distretti). Registrare: (1) variabile di esito (continua o binaria), (2) predittori di livello 1 (variano all'interno dei cluster, es. età dello studente), (3) predittori di livello 2 (variano tra i cluster, es. tipo di scuola), (4) identificatore del cluster (variabile di raggruppamento). Assicurare una dimensione campionaria adeguata di livello 2 (minimo ≥10 cluster, idealmente ≥30) per stime stabili degli effetti casuali. Per dati longitudinali: punti temporali (livello 1) nidificati all'interno di individui (livello 2) all'interno di gruppi (livello 3). Valutare la correlazione intraclasse (ICC): correlazione tra osservazioni nello stesso cluster; un ICC > 0.05 giustifica tipicamente l'analisi multilivello.
Adattare modelli multilivello utilizzando la massima verosimiglianza ristretta (REML, preferita per confrontare effetti casuali) o ML (Massima Verosimiglianza, preferita per test del rapporto di verosimiglianza sugli effetti fissi). Il modello è specificato su due livelli: Livello 1 (intra-cluster): Y_ij = β₀j + β₁j(X_ij) + ε_ij, dove i indicizza gli individui, j i cluster. Livello 2 (inter-cluster): β₀j = γ₀₀ + γ₀₁(Z_j) + u₀j, specificando come le intercette variano tra i cluster. Riportare: (1) Effetti fissi (coefficienti γ): effetto medio dei predittori tra i cluster. (2) Effetti casuali (varianze u₀j, u₁j): deviazioni specifiche del cluster; una grande varianza indica che i cluster differiscono sostanzialmente. (3) Correlazione intraclasse (ICC): proporzione della varianza totale tra i cluster, ICC = τ₀₀ / (τ₀₀ + σ²) dove τ₀₀ è la varianza inter-cluster e σ² è la varianza residua intra-cluster. (4) Devianza e criteri informativi (AIC, BIC): confrontare modelli; valori inferiori sono preferiti. (5) Test del rapporto di verosimiglianza: confronto tra modelli annidati.
Gli effetti fissi (pendenza e intercetta) rappresentano le relazioni medie tra i cluster (ad esempio, un'inclinazione fissa di 0.5 significa che in media, un aumento di 1 unità nel predittore è associato a un aumento di 0.5 unità nell'esito tra i cluster, dopo aver tenuto conto del raggruppamento). Le intercette casuali consentono all'esito di base di differire per cluster (eterogeneità inter-cluster). Le pendenze casuali consentono all'effetto di un predittore di variare per cluster; una grande varianza della pendenza casuale indica che gli effetti delle covariate differiscono sostanzialmente tra i cluster. L'ICC quantifica il raggruppamento: ICC = 0.30 significa che il 30% della varianza è tra i cluster; 0.05 significa il 5% (raggruppamento minimo). Misure di effetto: riportare sia gli effetti fissi che le componenti di varianza. Esaminare le pendenze/intercette specifiche del cluster previste (stime di shrinkage) per comprendere gli effetti specifici del contesto. Utilizzare test del rapporto di verosimiglianza per confrontare modelli annidati: −2 × (log-verosimiglianza del modello più semplice − log-verosimiglianza del modello complesso) segue una distribuzione χ² con df = differenza nei parametri.
Errori comuni
- Ignorare completamente il raggruppamento: trattare i dati raggruppati come indipendenti porta a errori standard sottostimati e falsi positivi.
- Estrarre medie grezze del cluster come nuova variabile (fallacia ecologica): medie e relazioni a livello individuale differiscono; utilizzare la centratura multilivello (predittori centrati sulla media generale vs. sulla media del gruppo).
- Pendenze casuali senza dimensione di livello 2 sufficiente: stimare pendenze casuali per tutti i predittori con pochi cluster produce stime instabili. Utilizzare pendenze fisse per effetti che non è teoricamente necessario varino, o utilizzare stime penalizzate.
- Interpretazione errata delle interazioni tra livelli: un'interazione tra predittori di livello 1 e di livello 2 significa che l'effetto del predittore di livello 1 dipende dal contesto di livello 2; interpretare e tracciare attentamente.
- Selezione del modello basata solo sui p-value: utilizzare test del rapporto di verosimiglianza o criteri informativi (AIC, BIC) per il confronto di modelli annidati; la selezione passo-passo non è affidabile con effetti casuali.
- Mancata verifica delle assunzioni: esaminare i residui di livello 1 e di livello 2 per normalità, omoschedasticità e outlier; le violazioni suggeriscono trasformazioni o metodi robusti.
Domande frequenti
Cos'è la correlazione intraclasse (ICC) e perché è importante?
La correlazione intraclasse (ICC) è la correlazione tra osservazioni nello stesso cluster; equivalentemente, la proporzione della varianza totale attribuibile al raggruppamento. ICC = varianza inter-cluster / varianza totale. ICC = 0 significa nessun raggruppamento (tutta la variazione all'interno dei cluster); ICC = 1 significa raggruppamento completo (tutta la variazione tra i cluster). Un ICC > 0.05 giustifica tipicamente l'analisi multilivello. Un ICC basso (0.01–0.05) significa che i cluster sono simili, ma il raggruppamento gonfia comunque gli errori standard se ignorato. Regole pratiche: ICC > 0.10 raggruppamento forte, 0.05–0.10 moderato, < 0.05 debole. Calcolare l'ICC dopo aver adattato un modello incondizionato (nessun predittore) per valutare il raggruppamento di base.
Qual è la differenza tra effetti fissi ed effetti casuali?
Gli effetti fissi sono relazioni medie tra i cluster (ad es. l'effetto medio dell'età sull'esito tra le scuole). Gli effetti casuali sono deviazioni specifiche del cluster dalla media (ad es. come l'effetto dell'età di ciascuna scuola differisce dalla media generale). Un'intercetta casuale consente all'esito di base di differire per cluster (ogni scuola ha la propria intercetta). Una pendenza casuale consente all'effetto di un predittore di differire per cluster (l'effetto dell'età di ogni scuola differisce). Includere effetti casuali se i cluster differiscono sostanzialmente nell'effetto; includere effetti fissi se l'effetto è concettualmente lo stesso tra i cluster. Le varianze degli effetti casuali quantificano l'eterogeneità; una grande varianza indica che gli effetti differiscono sostanzialmente.
Come scelgo tra la stima REML e ML?
REML (Restricted Maximum Likelihood) è preferita per confrontare modelli con effetti casuali (ad es. confrontare modelli con pendenze casuali); produce stime non distorte delle componenti di varianza. ML (Maximum Likelihood) è preferita per confrontare effetti fissi (specialmente quando si confrontano modelli non annidati) e per test del rapporto di verosimiglianza sugli effetti fissi. Con campioni di grandi dimensioni, le stime REML e ML convergono. Con campioni di piccole dimensioni e pochi cluster di livello 2, REML è più affidabile. Riportare sempre quale metodo è stato utilizzato; i risultati possono differire, specialmente con campioni piccoli.
Cos'è la centratura sulla media generale (grand-mean centering) rispetto alla centratura sulla media del gruppo (group-mean centering)?
La centratura trasforma i predittori per migliorare l'interpretazione e la stabilità numerica. La centratura sulla media generale (sottraendo la media generale) centra i predittori di livello 1 attorno alla media globale; l'intercetta rappresenta l'esito quando il predittore è uguale alla media generale. La centratura sulla media del gruppo (sottraendo la media del cluster) centra i predittori di livello 1 attorno alla media di ciascun cluster; separa gli effetti intra-cluster e inter-cluster. Ad esempio, centrare lo stato socioeconomico (SES) a livello di studente sulla media scolastica isola l'effetto intra-scuola del SES sul rendimento; la media del cluster (SES a livello scolastico) diventa un predittore di livello 2, che rappresenta l'effetto della composizione scolastica. La centratura sulla media generale è l'impostazione predefinita; la centratura sulla media del gruppo viene utilizzata quando distinguere gli effetti intra-cluster e inter-cluster è teoricamente importante.
Metodi correlati
Fonti
Bryk, A. S., & Raudenbush, S. W. (1992). Hierarchical Linear Models: Applications and Data Analysis Methods. SAGE Publications.
Apri il riferimento DOICopiato.Goldstein, H. (2011). Multilevel Statistical Models (4th ed.). Wiley-Blackwell.
Apri il riferimento DOICopiato.Shrout, P. E., & Fleiss, J. L. (1979). Intraclass correlations: Uses in assessing rater reliability. Psychological Bulletin, 86(2), 420–428.
Apri il riferimento DOICopiato.