多層レベルモデリング
- 提唱者
- Anthony Bryk and Stephen Raudenbush
- 年
- 1992
- 種類
- Method
- 系統
- hierarchical-data-analysis
この文章は機械翻訳で、まだ確認されていません。 英語の原文を読む
何をする手法か?
多層レベルモデリング(階層的線形モデリング、混合効果モデリングとも呼ばれる)は、ネスト構造またはクラスター構造(学校内の生徒、病院内の患者、個人内の反復測定)を持つデータを分析するための統計的枠組みである。BrykとRaudenbush(1992)によって開発されたこの手法は、観測値間の依存性を考慮し、分散をレベル(クラスター内およびクラスター間)に分割することで、妥当な推論を可能にし、文脈効果を明らかにする。教育、医学、組織研究、および自然な階層を持つデータが存在するあらゆる分野で不可欠である。
手法の背後にある直感
標準的な回帰分析は独立した観測値を仮定するが、クラスター化されたデータはこの仮定に違反する。生徒が学校にネストされている場合、同じ学校の生徒は異なる学校の生徒よりも互いに類似している(非独立性)。クラスター化を無視すると、標準誤差の過小評価、信頼区間の過剰な自信、および第一種の過誤率の増加につながる。多層レベルモデリングは、(1)複数のレベルで同時に分散を推定する(学校内分散と学校間分散)、(2)回帰係数がクラスターごとに変動することを許可する(ランダムスロープ)、(3)クラスターレベルの特性をクラスター内関係の予測因子としてモデル化する、ことによってこれを解決する。これにより、文脈が個人にどのように影響するかを捉え、妥当な仮説検定が得られる。
歴史学
Anthony BrykとStephen Raudenbushによる1992年の著書『Hierarchical Linear Models』は、教育および社会科学における多層レベルモデリングを普及させた。Harvey Goldsteinの研究は、複雑な階層構造やクロス分類モデルの分野で方法論を進歩させた。現代的な発展には、非正規アウトカムのための一般化線形混合モデル(GLMM;Breslow & Clayton, 1993)、ベイズ的多層レベルモデル(Gelman & Hill, 2007)、および動的モデル(潜在成長曲線;Raudenbush, 2001)が含まれる。ソフトウェアの進歩(lme4, nlme, MLwiN, HLM)により、多層レベル分析が利用しやすくなった。
使うべき場面
観測値がネストされている場合はいつでも多層レベルモデリングを使用する:学校内の生徒(教育)、病院内の患者(医学)、企業内の従業員(組織研究)、個人内の時点(縦断研究)、被験者内の反復測定(臨床試験)、家族内の家族メンバー(家族研究)。ICC < 0.02(無視できるクラスター化)の場合のみクラスター化を無視する。クラスター固有の予測(例:リスク調整された病院死亡率)を推定する場合にも使用する;ランダム効果は推定値を全体平均に縮小し、標本変動性を補正する。
限界と注意点
- 十分なレベル2サンプルサイズが必要である:クラスター数が少ない(< 10–20)とランダム効果推定値が不安定になる;クラスター数が30未満だと不確実性が増す。
- クラスターメンバーシップが事前に定義されていることを仮定する:クロス分類デザイン(学校と地域社会の両方に属する生徒)は、適合がより複雑なクロス分類モデルを必要とする。
- 漸近理論:標準誤差とp値は近似値であり、レベル2サンプルサイズが小さいと信頼性が低下する。ブートストラップまたは順列検定が代替手段を提供する。
- モデル仕様が難しい:どの効果を固定とし、どれをランダムとするか、またどのレベルとするかの決定には慎重な検討が必要である。誤った仕様(例:ランダムスロープの省略)は、固定効果のバイアスを生じさせる。
- ランダム効果の正規性を仮定する;レベル2での違反は推定値のバイアスを生じさせる可能性がある;ロバストな手法やモデルチェック(残差プロット)が役立つ。
出典に示された条件は、独立した科学的レビューや分析エンジンによる検証の代わりにはなりません。
強み
- 非独立性を考慮する:クラスター化があっても正しい標準誤差と信頼区間が得られ、第一種の過誤率の増加を回避する。
- 分散を分割する:クラスター内およびクラスター間の変動を定量化し、文脈効果を明らかにし、政策(例:学業成績に対する学校の効果)に情報を提供する。
- ランダム効果を予測として利用する:クラスター固有の切片/スロープの経験的ベイズ推定値は、固定効果よりも安定しており、リスク調整やランキングに有用である。
- 不均衡デザインに柔軟に対応する:クラスターサイズが異なったり、欠損データがあっても自然に処理できる;バランスの取れたデザインを必要としない。
- 複数のレベルを扱う:3つ以上のレベル(例:地区内の学校内の生徒)を単一のモデルで推定できる。
応用
- 教育研究:教室/学校にネストされた生徒の学業成績をモデル化する;学校の効果や教師の有効性を定量化する。
- 医学研究:病院にネストされた患者のアウトカム(死亡率、再入院)をモデル化する;品質比較のために病院固有の率をリスク調整する。
- 縦断研究:個人(レベル2)にネストされた反復測定(レベル1)による時間経過に伴う変化をモデル化する;成長曲線、軌跡モデリング。
- 組織研究:チーム/部門/組織にネストされた従業員のアウトカム(満足度、業績)をモデル化する;組織文化の効果を評価する。
- 家族研究:家族(レベル2)にネストされた兄弟姉妹(レベル1)の子供の行動をモデル化する;家族レベルの特性(SES、養育)が兄弟姉妹の類似性を予測する。
使い方
使い方
多層レベルモデリングを実施するには、階層構造を特定する:レベル1(最低レベル:個人、観測値、時点)がレベル2(クラスター:学校、病院、家族)にネストされ、オプションでレベル3(組織、地区)が存在する。記録すべきは、(1)アウトカム変数(連続または二値)、(2)レベル1予測因子(クラスター内で変動する、例:生徒の年齢)、(3)レベル2予測因子(クラスター間で変動する、例:学校の種類)、(4)クラスター識別子(グループ化変数)である。ランダム効果の推定を安定させるために、十分なレベル2サンプルサイズ(最低でもクラスター数≥10、理想的には≥30)を確保する。縦断データの場合:時点(レベル1)が個人(レベル2)にネストされ、さらにグループ(レベル3)にネストされる。クラスター内相関係数(ICC)を評価する:同じクラスター内の観測値間の相関。ICC > 0.05 は通常、多層レベル分析を正当化する。
多層レベルモデルを適合させるには、制限付き最尤法(REML、ランダム効果の比較に推奨)または最尤法(ML、固定効果の尤度比検定に推奨)を使用する。モデルは2つのレベルで指定される:レベル1(クラスター内):Y_ij = β₀j + β₁j(X_ij) + ε_ij、ここでiは個人を、jはクラスターをインデックスする。レベル2(クラスター間):β₀j = γ₀₀ + γ₀₁(Z_j) + u₀j、クラスター間で切片がどのように変動するかを指定する。報告すべきは、(1)固定効果(γ係数):クラスター全体での予測因子の平均効果。(2)ランダム効果(u₀j、u₁jの分散):クラスター固有の偏差;大きな分散はクラスターが大きく異なることを示す。(3)クラスター内相関係数(ICC):クラスター間の総分散の割合、ICC = τ₀₀ / (τ₀₀ + σ²) ここでτ₀₀はクラスター間分散、σ²はクラスター内残差分散。(4)逸脱度および情報量基準(AIC、BIC):モデルを比較する;値が小さいほど良い。(5)尤度比検定:ネストされたモデルを比較する。
固定効果(スロープと切片)は、クラスター全体での平均的な関係を表す。固定スロープが0.5であるということは、クラスター化を考慮した後、平均して予測因子が1単位増加すると、アウトカムが0.5単位増加することに対応するということである。ランダム切片は、ベースラインのアウトカムがクラスターごとに異なることを許容する(クラスター間の異質性)。ランダムスロープは、予測因子の効果がクラスターごとに異なることを許容する;大きなランダムスロープ分散は、共変量効果がクラスターごとに大きく異なることを示す。ICCはクラスター化を定量化する:ICC = 0.30 は分散の30%がクラスター間にあり、0.05 は5%(最小限のクラスター化)であることを意味する。効果量:固定効果と分散成分の両方を報告する。予測されたクラスター固有のスロープ/切片(縮小推定値)を調べて、文脈固有の効果を理解する。尤度比検定を使用してネストされたモデルを比較する:−2 × (単純なモデルの対数尤度 − 複雑なモデルの対数尤度) は、自由度 = パラメータ差のχ²分布に従う。
よくある落とし穴
- クラスター化の完全な無視:クラスター化されたデータを独立であるとみなすと、標準誤差の過小評価と偽陽性につながる。
- 新しい変数としての生クラスター平均の抽出(生態学的誤謬):平均値と個人レベルの関係は異なる;多層レベル中心化(全体平均中心化 vs グループ平均中心化予測因子)を使用する。
- 十分なレベル2サイズがない場合のランダムスロープ:少数のクラスターで全ての予測因子に対してランダムスロープを推定すると、不安定な推定値が得られる。理論的に変動する必要がない効果には固定スロープを使用するか、ペナルティ付き推定法を使用する。
- クロスレベル相互作用の誤解:レベル1とレベル2の予測因子の間の相互作用は、レベル1予測因子の効果がレベル2の文脈に依存することを意味する;慎重に解釈し、プロットする。
- p値のみによるモデル選択:ネストされたモデル比較には尤度比検定または情報量基準(AIC、BIC)を使用する;ランダム効果がある場合、段階的選択は信頼できない。
- 仮定のチェック漏れ:正規性、等分散性、外れ値についてレベル1およびレベル2の残差を調べる;違反は変換またはロバストな手法を示唆する。
よくある質問
クラスター内相関係数(ICC)とは何か、そしてなぜそれが重要なのか?
クラスター内相関係数(ICC)は、同じクラスター内の観測値間の相関であり、同義的にはクラスター化に起因する総分散の割合である。ICC = クラスター間分散 / 総分散。ICC = 0 はクラスター化がないことを意味する(全ての変動はクラスター内);ICC = 1 は完全なクラスター化を意味する(全ての変動はクラスター間)。ICC > 0.05 は通常、多層レベル分析を正当化する。ICCが小さい(0.01–0.05)場合、クラスターは類似しているが、無視するとクラスター化は依然として標準誤差を増加させる。経験則:ICC > 0.10 は強いクラスター化、0.05–0.10 は中程度、< 0.05 は弱い。ベースラインのクラスター化を評価するために、無条件モデル(予測因子なし)を適合させた後にICCを計算する。
固定効果とランダム効果の違いは何ですか?
固定効果は、クラスター全体での平均的な関係(例:学校全体での年齢がアウトカムに与える平均的な効果)である。ランダム効果は、平均からのクラスター固有の偏差(例:各学校の年齢効果が全体平均からどのように異なるか)である。ランダム切片は、ベースラインのアウトカムがクラスターごとに異なることを許容する(各学校には独自の切片がある)。ランダムスロープは、予測因子の効果がクラスターごとに異なることを許容する(各学校の年齢効果が異なる)。クラスターが効果において実質的に異なる場合はランダム効果を含め、効果がクラスター間で概念的に同じである場合は固定効果を含める。ランダム効果の分散は異質性を定量化する;大きな分散は効果が大きく異なることを示す。
REMLとML推定のどちらを選択すべきですか?
REML(制限付き最尤法)は、ランダム効果モデルの比較(例:ランダムスロープモデルの比較)に推奨され、不偏な分散成分推定値が得られる。ML(最尤法)は、固定効果の比較(特にネストされていないモデルの比較)や固定効果の尤度比検定に推奨される。サンプルサイズが大きい場合、REMLとMLの推定値は収束する。サンプルサイズが小さく、レベル2クラスター数が少ない場合、REMLの方が信頼性が高い。常にどちらの方法を使用したか報告すること;結果は、特にサンプルサイズが小さい場合、異なることがある。
全体平均中心化とグループ平均中心化の違いは何ですか?
中心化は、解釈と数値的安定性を改善するために予測因子を変換する。全体平均中心化(全体の平均を引く)は、レベル1予測因子をグローバル平均を中心に配置する;切片は、予測因子が全体平均と等しいときのアウトカムを表す。グループ平均中心化(クラスター平均を引く)は、レベル1予測因子を各クラスターの平均を中心に配置する;クラスター内効果とクラスター間効果を分離する。例えば、生徒レベルの社会経済的地位(SES)を学校平均で中心化すると、SESが生徒の学業成績に与える学校内効果が分離される;クラスター平均(学校レベルのSES)はレベル2予測因子となり、学校構成効果を表す。全体平均中心化はデフォルトであり、グループ平均中心化は、学校内効果と学校間効果を区別することが理論的に重要な場合に使用される。
関連する手法
参考文献
Bryk, A. S., & Raudenbush, S. W. (1992). Hierarchical Linear Models: Applications and Data Analysis Methods. SAGE Publications.
DOI 文献を開くコピーしました。Goldstein, H. (2011). Multilevel Statistical Models (4th ed.). Wiley-Blackwell.
DOI 文献を開くコピーしました。Shrout, P. E., & Fleiss, J. L. (1979). Intraclass correlations: Uses in assessing rater reliability. Psychological Bulletin, 86(2), 420–428.
DOI 文献を開くコピーしました。