Przejdź do treści
Wróć do wyników wyszukiwania

Modelowanie wielopoziomowe

Autor metody
Anthony Bryk and Stephen Raudenbush
Rok
1992
Typ
Method
Rodzina
hierarchical-data-analysis

Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku

Rozmiar czcionki

Do czego służy?

Modelowanie wielopoziomowe (nazywane także hierarchicznym modelowaniem liniowym, modelowaniem efektów mieszanych) to ramy statystyczne do analizy danych zorganizowanych w struktury zagnieżdżone lub klastrowane — uczniowie w szkołach, pacjenci w szpitalach, powtarzane pomiary w obrębie jednostek.

Opracowane przez Bryka i Raudenbuscha (1992), uwzględnia zależność między obserwacjami i dzieli wariancję na poziomy (wewnątrzklastrowy i międzyklastrowy), umożliwiając prawidłowe wnioskowanie i ujawniając efekty kontekstowe. Niezbędne w edukacji, medycynie, badaniach organizacyjnych i każdej dziedzinie, gdzie dane mają naturalne hierarchie.

Intuicja stojąca za metodą

Standardowa regresja zakłada niezależne obserwacje; jednak dane klastrowane naruszają to założenie. Gdy uczniowie są zagnieżdżeni w szkołach, uczniowie w tej samej szkole są bardziej podobni do siebie niż do uczniów w innych szkołach (niezależność). Ignorowanie klastrowania prowadzi do niedoszacowanych błędów standardowych, nadmiernie pewnych przedziałów ufności i zawyżonego błędu pierwszego rodzaju. Modelowanie wielopoziomowe rozwiązuje ten problem poprzez (1) jednoczesne szacowanie wariancji na wielu poziomach (wariancja wewnątrzszkolna i między-szkolna), (2) umożliwienie zmienności współczynników regresji w zależności od klastra (losowe nachylenia) i (3) modelowanie charakterystyk poziomu klastra jako predyktorów relacji wewnątrzklastrowych. Pozwala to uchwycić, jak kontekst wpływa na jednostki i prowadzi do prawidłowych testów hipotez.

Historia

Podręcznik Anthony'ego Bryka i Stephena Raudenbuscha z 1992 roku pt. Hierarchical Linear Models spopularyzował modelowanie wielopoziomowe w edukacji i naukach społecznych. Prace Harveya Goldsteina przyczyniły się do rozwoju metodologii dla złożonych hierarchii i modeli skrzyżowanych. Nowoczesne rozwinięcia obejmują uogólnione liniowe modele mieszane (GLMM; Breslow & Clayton, 1993) dla wyników nienormalnych, bayesowskie modele wielopoziomowe (Gelman & Hill, 2007) oraz modele dynamiczne (krzywe wzrostu utajonego; Raudenbush, 2001). Postępy w oprogramowaniu (lme4, nlme, MLwiN, HLM) uczyniły analizę wielopoziomową dostępną.

Kiedy stosować

Używaj modelowania wielopoziomowego, gdy obserwacje są zagnieżdżone: uczniowie w szkołach (edukacja), pacjenci w szpitalach (medycyna), pracownicy w firmach (badania organizacyjne), punkty czasowe w jednostkach (badania podłużne), powtarzane pomiary u osób badanych (badania kliniczne), członkowie rodziny w rodzinach (badania rodzinne). Ignoruj klastrowanie tylko wtedy, gdy ICC < 0.02 (zaniedbywalne klastrowanie). Używaj również do szacowania przewidywań specyficznych dla klastra (np. śmiertelność szpitalna skorygowana o ryzyko); efekty losowe kurczą oszacowania w kierunku średniej ogólnej, korygując zmienność próby.

Ograniczenia i uwagi

  • Wymaga odpowiedniej liczebności próby na poziomie 2: niewiele klastrów (< 10–20) prowadzi do niestabilnych oszacowań efektów losowych; mniej niż 30 klastrów zwiększa niepewność.
  • Zakłada, że przynależność do klastra jest zdefiniowana a priori: projekty skrzyżowane (uczniowie zarówno w szkołach, jak i dzielnicach) wymagają modeli skrzyżowanych, trudniejszych do dopasowania.
  • Teoria asymptotyczna: błędy standardowe i wartości p są przybliżone; niezawodność maleje przy małej liczebności próby na poziomie 2. Testy bootstrap lub permutacji stanowią alternatywy.
  • Specyfikacja modelu jest trudna: decyzja, które efekty są stałe, a które losowe, i na jakim poziomie, wymaga starannego rozważenia. Błędna specyfikacja (np. pominięte losowe nachylenia) prowadzi do błędnych efektów stałych.
  • Zakłada normalnie rozłożone efekty losowe; naruszenia na poziomie 2 mogą prowadzić do błędnych oszacowań; metody odporne lub sprawdzanie modelu (wykresy reszt) pomagają.

Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.

Mocne strony

  • Uwzględnia niezależność: zapewnia prawidłowe błędy standardowe i przedziały ufności pomimo klastrowania; zapobiega inflacji błędu pierwszego rodzaju.
  • Dzieli wariancję: kwantyfikuje zmienność wewnątrzklastrową i międzyklastrową, ujawniając efekty kontekstowe i informując politykę (np. efekty szkoły na osiągnięcia).
  • Efekty losowe jako predykcje: oszacowania empiryczne Bayesa wyrazów wolnych/nachyleń specyficznych dla klastra są stabilniejsze niż efekty stałe, przydatne do korekty ryzyka i rankingu.
  • Elastyczność dla niezbalansowanych projektów: zmienne wielkości klastrów i brakujące dane są obsługiwane naturalnie; nie wymaga zbalansowanych projektów.
  • Obsługuje wiele poziomów: trzy lub więcej poziomów (np. uczniowie w szkołach w okręgach) są szacowane w jednym modelu.

Zastosowania

  • Badania edukacyjne: modelowanie osiągnięć uczniów z uczniami zagnieżdżonymi w klasach/szkołach; kwantyfikowanie efektów szkół i efektywności nauczycieli.
  • Badania medyczne: modelowanie wyników pacjentów (śmiertelność, ponowna hospitalizacja) z pacjentami zagnieżdżonymi w szpitalach; korygowanie o ryzyko wskaźników szpitalnych dla porównań jakościowych.
  • Badania podłużne: modelowanie zmian w czasie z powtarzanymi pomiarami (poziom 1) zagnieżdżonymi w jednostkach (poziom 2); krzywe wzrostu, modelowanie trajektorii.
  • Badania organizacyjne: modelowanie wyników pracowników (satysfakcja, wydajność) z pracownikami zagnieżdżonymi w zespołach/działach/organizacjach; ocena efektów kultury organizacyjnej.
  • Badania rodzinne: modelowanie zachowań dzieci z rodzeństwem (poziom 1) zagnieżdżonym w rodzinach (poziom 2); charakterystyki na poziomie rodziny (SES, rodzicielstwo) przewidują podobieństwo rodzeństwa.

Jak to działa

Jak to działa

1

Przeprowadź modelowanie wielopoziomowe, identyfikując strukturę hierarchiczną: poziom 1 (najniższy: jednostki, obserwacje, punkty czasowe) zagnieżdżony w poziomie 2 (klastry: szkoły, szpitale, rodziny) i opcjonalnie poziom 3 (organizacje, okręgi). Zapisz: (1) zmienną zależną (ciągłą lub binarną), (2) predyktory poziomu 1 (zmienne w obrębie klastrów, np. wiek ucznia), (3) predyktory poziomu 2 (zmienne między klastrami, np. typ szkoły), (4) identyfikator klastra (zmienna grupująca). Zapewnij odpowiednią liczebność próby na poziomie 2 (minimum ≥10 klastrów, idealnie ≥30) dla stabilnych oszacowań efektów losowych. W przypadku danych podłużnych: punkty czasowe (poziom 1) zagnieżdżone w jednostkach (poziom 2) w grupach (poziom 3). Oceń korelację wewnątrzklastrową (ICC): korelację między obserwacjami w tym samym klastrze; ICC > 0.05 zazwyczaj uzasadnia analizę wielopoziomową.

2

Dopasuj modele wielopoziomowe, używając estymacji z ograniczeniem maksymalnej wiarygodności (REML, preferowana do porównywania efektów losowych) lub maksymalnej wiarygodności (ML, preferowana do testów ilorazu wiarygodności efektów stałych). Model jest specyfikowany na dwóch poziomach: Poziom 1 (wewnątrzklastrowy): Y_ij = β₀j + β₁j(X_ij) + ε_ij, gdzie i indeksuje jednostki, j indeksuje klastry. Poziom 2 (międzyklastrowy): β₀j = γ₀₀ + γ₀₁(Z_j) + u₀j, określający, jak wyraz wolny zmienia się w zależności od klastra. Raportuj: (1) Efekty stałe (współczynniki γ): średni efekt predyktorów w różnych klastrach. (2) Efekty losowe (wariancje u₀j, u₁j): odchylenia specyficzne dla klastra; duża wariancja wskazuje na znaczące różnice między klastrami. (3) Korelacja wewnątrzklastrowa (ICC): proporcja całkowitej wariancji między klastrami, ICC = τ₀₀ / (τ₀₀ + σ²), gdzie τ₀₀ to wariancja międzyklastrowa, a σ² to wariancja resztowa wewnątrzklastrowa. (4) Dewiacja i kryteria informacyjne (AIC, BIC): porównywanie modeli; niższe wartości są preferowane. (5) Testy ilorazu wiarygodności: porównywanie modeli zagnieżdżonych w dopasowaniu.

3

Efekty stałe (nachylenie i wyraz wolny) reprezentują średnie zależności między klastrami. Stałe nachylenie 0.5 oznacza, że średnio wzrost predyktora o 1 jednostkę wiąże się ze wzrostem zmiennej zależnej o 0.5 jednostki w różnych klastrach, po uwzględnieniu klastrowania. Losowe wyrazy wolne pozwalają na różnicowanie wyjściowego poziomu zmiennej zależnej w zależności od klastra (heterogeniczność międzyklastrowa). Losowe nachylenia pozwalają na zmienność efektu predyktora w zależności od klastra; duża wariancja losowego nachylenia wskazuje na znaczące różnice w efektach kowariantów między klastrami. ICC kwantyfikuje klastrowanie: ICC = 0.30 oznacza, że 30% wariancji przypada na klastry; 0.05 oznacza 5% (minimalne klastrowanie). Wielkości efektów: raportuj zarówno efekty stałe, jak i komponenty wariancji. Badaj przewidywane nachylenia/wyrazy wolne specyficzne dla klastra (oszacowania kurczenia) w celu zrozumienia efektów specyficznych dla kontekstu. Używaj testów ilorazu wiarygodności do porównywania modeli zagnieżdżonych: −2 × (log-wiarygodność modelu prostszego − log-wiarygodność modelu złożonego) zgodnie z rozkładem χ² z df = różnica w parametrach.

Częste pułapki

  • Całkowite ignorowanie klastrowania: traktowanie danych klastrowanych jako niezależnych prowadzi do niedoszacowanych błędów standardowych i fałszywych pozytywów.
  • Ekstrakcja surowych średnich klastrów jako nowej zmiennej (ekologiczna złudność): średnie i zależności na poziomie indywidualnym różnią się; używaj wielopoziomowego centrowania (centrowanie względem średniej ogólnej vs. średniej grupowej).
  • Losowe nachylenia bez wystarczającej liczebności na poziomie 2: szacowanie losowych nachyleń dla wszystkich predyktorów przy niewielkiej liczbie klastrów daje niestabilne oszacowania. Używaj stałych nachyleń dla efektów, które teoretycznie nie muszą się różnić, lub używaj estymacji z karą.
  • Błędna interpretacja interakcji między poziomami: interakcja między predyktorami poziomu 1 i poziomu 2 oznacza, że efekt predyktora poziomu 1 zależy od kontekstu poziomu 2; interpretuj i rysuj wykresy ostrożnie.
  • Wybór modelu na podstawie samych wartości p: używaj testów ilorazu wiarygodności lub kryteriów informacyjnych (AIC, BIC) do porównywania modeli zagnieżdżonych; selekcja krokowa jest niewiarygodna przy efektach losowych.
  • Niesprawdzenie założeń: badaj reszty poziomu 1 i poziomu 2 pod kątem normalności, homoskedastyczności i wartości odstających; naruszenia sugerują transformację lub metody odporne.

Najczęściej zadawane pytania

Czym jest korelacja wewnątrzklastrowa (ICC) i dlaczego jest ważna?

Korelacja wewnątrzklastrowa (ICC) to korelacja między obserwacjami w tym samym klastrze; równoważnie, proporcja całkowitej wariancji przypisywana klastrowaniu. ICC = wariancja międzyklastrowa / wariancja całkowita. ICC = 0 oznacza brak klastrowania (cała zmienność wewnątrz klastrów); ICC = 1 oznacza całkowite klastrowanie (cała zmienność między klastrami). ICC > 0.05 zazwyczaj uzasadnia analizę wielopoziomową. Niskie ICC (0.01–0.05) oznacza, że klastry są podobne, ale klastrowanie nadal zawyża błędy standardowe, jeśli zostanie zignorowane. Reguły kciuka: ICC > 0.10 silne klastrowanie, 0.05–0.10 umiarkowane, < 0.05 słabe. Oblicz ICC po dopasowaniu modelu bezwarunkowego (bez predyktorów), aby ocenić bazowe klastrowanie.

Jaka jest różnica między efektami stałymi a efektami losowymi?

Efekty stałe to średnie zależności między klastrami (np. średni wpływ wieku na wynik w różnych szkołach). Efekty losowe to odchylenia specyficzne dla klastra od średniej (np. jak efekt wieku w każdej szkole różni się od średniej ogólnej). Losowy wyraz wolny pozwala na różnicowanie wyjściowego poziomu zmiennej zależnej w zależności od klastra (każda szkoła ma swój własny wyraz wolny). Losowe nachylenie pozwala na różnicowanie efektu predyktora w zależności od klastra (efekt wieku w każdej szkole jest inny). Uwzględnij efekty losowe, jeśli klastry znacząco różnią się pod względem efektu; uwzględnij efekty stałe, jeśli efekt jest koncepcyjnie taki sam we wszystkich klastrach. Wariancje efektów losowych kwantyfikują heterogeniczność; duża wariancja oznacza, że efekty znacząco się różnią.

Jak wybrać między estymacją REML a ML?

REML (Restricted Maximum Likelihood) jest preferowana do porównywania modeli z efektami losowymi (np. porównywania modeli z losowymi nachyleniami); daje nieobciążone oszacowania komponentów wariancji. ML (Maximum Likelihood) jest preferowana do porównywania efektów stałych (zwłaszcza przy porównywaniu modeli niezagnieżdżonych) oraz do testów ilorazu wiarygodności efektów stałych. Przy dużych próbach oszacowania REML i ML zbiegają się. Przy małych próbach i niewielkiej liczbie klastrów na poziomie 2, REML jest bardziej niezawodna. Zawsze raportuj, której metody użyłeś; wyniki mogą się różnić, zwłaszcza przy małych próbach.

Czym jest centrowanie względem średniej ogólnej a centrowanie względem średniej grupowej?

Centrowanie przekształca predyktory w celu poprawy interpretacji i stabilności numerycznej. Centrowanie względem średniej ogólnej (odejmowanie średniej ogólnej) centruje predyktory poziomu 1 wokół średniej globalnej; wyraz wolny reprezentuje wynik, gdy predyktor jest równy średniej ogólnej. Centrowanie względem średniej grupowej (odejmowanie średniej klastra) centruje predyktory poziomu 1 wokół średniej każdego klastra; rozdziela efekty wewnątrzklastrowe i międzyklastrowe. Na przykład, centrowanie statusu społeczno-ekonomicznego (SES) na poziomie ucznia względem średniej szkolnej izoluje efekt SES wewnątrz szkoły na osiągnięcia; średnia klastra (SES na poziomie szkoły) staje się predyktorem poziomu 2, reprezentującym efekt składu szkoły. Centrowanie względem średniej ogólnej jest domyślne; centrowanie względem średniej grupowej jest używane, gdy rozróżnienie efektów wewnątrz- i międzyklastrowych jest teoretycznie ważne.

Pokrewne metody

Źródła

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

    Otwórz odnośnik DOI
    Skopiowano.
  2. Goldstein, H. (2011). Multilevel Statistical Models (4th ed.). Wiley-Blackwell.

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

    Otwórz odnośnik DOI
    Skopiowano.