Многоуровневое моделирование
- Автор метода
- Anthony Bryk and Stephen Raudenbush
- Год
- 1992
- Тип
- Method
- Семейство
- hierarchical-data-analysis
Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском
Что он делает?
Многоуровневое моделирование (также называемое иерархическим линейным моделированием, моделированием со смешанными эффектами) представляет собой статистический подход для анализа данных, организованных в иерархические или кластерные структуры: студенты в школах, пациенты в больницах, повторные измерения у индивидов.
Разработанное Брайком и Рауденбушем (Bryk and Raudenbush, 1992), оно учитывает зависимость между наблюдениями и разделяет дисперсию на уровни (внутрикластерный и межкластерный), что позволяет делать обоснованные выводы и выявлять контекстные эффекты. Этот метод незаменим в образовании, медицине, организационных исследованиях и любой области, где данные имеют естественные иерархии.
Интуиция метода
Стандартная регрессия предполагает независимость наблюдений; однако кластерные данные нарушают это предположение. Когда студенты объединены в школы, студенты одной школы более похожи друг на друга, чем на студентов из разных школ (независимость нарушена). Игнорирование кластеризации приводит к заниженным стандартным ошибкам, излишне узким доверительным интервалам и завышенной вероятности ошибки I рода. Многоуровневое моделирование решает эту проблему путем (1) одновременной оценки дисперсий на нескольких уровнях (внутришкольная и межшкольная дисперсия), (2) допущения вариации регрессионных коэффициентов по кластерам (случайные наклоны) и (3) моделирования характеристик на уровне кластера как предикторов внутрикластерных взаимосвязей. Это позволяет учесть, как контекст влияет на индивидов, и получить обоснованные проверки гипотез.
История
Учебник Энтони Брайка и Стивена Рауденбуша 1992 года «Иерархические линейные модели» популяризировал многоуровневое моделирование в образовании и социальных науках. Работа Харви Голдштейна продвинула методологию для сложных иерархий и перекрестно-классифицированных моделей. Современные разработки включают обобщенные линейные смешанные модели (GLMM; Breslow & Clayton, 1993) для ненормально распределенных зависимых переменных, байесовские многоуровневые модели (Gelman & Hill, 2007) и динамические модели (латентные кривые роста; Raudenbush, 2001). Прогресс в программном обеспечении (lme4, nlme, MLwiN, HLM) сделал многоуровневый анализ доступным.
Когда применять
Используйте многоуровневое моделирование всякий раз, когда наблюдения вложены: студенты в школах (образование), пациенты в больницах (медицина), сотрудники в компаниях (организационные исследования), моменты времени у индивидов (лонгитюдные исследования), повторные измерения у субъектов (клинические испытания), члены семьи в семьях (семейные исследования). Игнорируйте кластеризацию только если ICC < 0.02 (незначительная кластеризация). Также используйте при оценке кластер-специфических прогнозов (например, скорректированная по риску смертность в больницах); случайные эффекты сжимают оценки к общему среднему, корректируя на изменчивость выборки.
Ограничения и замечания
- Требует адекватного размера выборки уровня 2: малое количество кластеров (< 10–20) приводит к нестабильным оценкам случайных эффектов; менее 30 кластеров увеличивает неопределенность.
- Предполагает априорное определение принадлежности к кластеру: перекрестно-классифицированные планы (студенты как в школах, так и в районах) требуют перекрестно-классифицированных моделей, которые сложнее подгонять.
- Асимптотическая теория: стандартные ошибки и p-значения являются приблизительными; надежность снижается при малом размере выборки уровня 2. Бутстрап или перестановочные тесты предоставляют альтернативы.
- Спецификация модели сложна: решение о том, какие эффекты являются фиксированными, а какие случайными, и на каком уровне, требует тщательного рассмотрения. Неправильная спецификация (например, пропущенные случайные наклоны) приводит к смещенным фиксированным эффектам.
- Предполагает нормально распределенные случайные эффекты; нарушения на уровне 2 могут привести к смещенным оценкам; помогают робастные методы или проверка модели (графики остатков).
Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.
Сильные стороны
- Учитывает несамостоятельность: дает правильные стандартные ошибки и доверительные интервалы, несмотря на кластеризацию; предотвращает завышение ошибки I рода.
- Разделяет дисперсию: количественно оценивает внутрикластерную и межкластерную вариацию, выявляя контекстные эффекты и информируя политику (например, влияние школы на успеваемость).
- Случайные эффекты как предсказания: эмпирические байесовские оценки кластер-специфических свободных членов/наклонов более стабильны, чем фиксированные эффекты, полезны для корректировки риска и ранжирования.
- Гибкость для несбалансированных планов: различные размеры кластеров и пропущенные данные обрабатываются естественным образом; не требует сбалансированных планов.
- Обрабатывает несколько уровней: три или более уровней (например, студенты в школах в районах) оцениваются в одной модели.
Применение
- Исследования в области образования: моделирование успеваемости студентов, когда студенты вложены в классы/школы; количественная оценка эффектов школы и эффективности учителя.
- Медицинские исследования: моделирование исходов пациентов (смертность, повторная госпитализация), когда пациенты вложены в больницы; корректировка по риску больничных показателей для сравнения качества.
- Лонгитюдные исследования: моделирование изменений во времени с повторными измерениями (уровень 1), вложенными в индивидов (уровень 2); кривые роста, моделирование траекторий.
- Организационные исследования: моделирование результатов сотрудников (удовлетворенность, производительность), когда сотрудники вложены в команды/отделы/организации; оценка влияния организационной культуры.
- Семейные исследования: моделирование поведения детей с братьями и сестрами (уровень 1), вложенными в семьи (уровень 2); характеристики на уровне семьи (социально-экономический статус, воспитание) предсказывают сходство братьев и сестер.
Как это работает
Как это работает
Применяйте многоуровневое моделирование, идентифицируя иерархическую структуру: уровень 1 (низший: индивиды, наблюдения, моменты времени), вложенный в уровень 2 (кластеры: школы, больницы, семьи) и, опционально, уровень 3 (организации, районы). Зафиксируйте: (1) зависимую переменную (непрерывную или бинарную), (2) предикторы уровня 1 (варьируются внутри кластеров, например, возраст студента), (3) предикторы уровня 2 (варьируются между кластерами, например, тип школы), (4) идентификатор кластера (группирующая переменная). Обеспечьте достаточный размер выборки уровня 2 (минимум ≥10 кластеров, в идеале ≥30) для стабильных оценок случайных эффектов. Для лонгитюдных данных: моменты времени (уровень 1) вложены в индивидов (уровень 2), вложенных в группы (уровень 3). Оцените внутриклассовую корреляцию (ICC): корреляцию между наблюдениями в одном кластере; ICC > 0.05 обычно оправдывает многоуровневый анализ.
Подгонка многоуровневых моделей осуществляется с использованием ограниченного максимального правдоподобия (REML, предпочтительно для сравнения случайных эффектов) или ML (предпочтительно для критериев отношения правдоподобия фиксированных эффектов). Модель специфицируется на двух уровнях: Уровень 1 (внутрикластерный): Y_ij = β₀j + β₁j(X_ij) + ε_ij, где i индексирует индивидов, j индексирует кластеры. Уровень 2 (межкластерный): β₀j = γ₀₀ + γ₀₁(Z_j) + u₀j, определяющий, как изменяются свободные члены между кластерами. Сообщайте: (1) Фиксированные эффекты (коэффициенты γ): средний эффект предикторов по кластерам. (2) Случайные эффекты (дисперсии u₀j, u₁j): отклонения, специфичные для кластера; большая дисперсия указывает на существенные различия между кластерами. (3) Внутриклассовая корреляция (ICC): доля общей дисперсии между кластерами, ICC = τ₀₀ / (τ₀₀ + σ²), где τ₀₀ — межкластерная дисперсия, а σ² — остаточная дисперсия внутри кластера. (4) Девиантность и информационные критерии (AIC, BIC): для сравнения моделей; предпочтительны меньшие значения. (5) Критерии отношения правдоподобия: для сравнения вложенных моделей.
Фиксированные эффекты (наклон и свободный член) представляют собой средние взаимосвязи по кластерам. Фиксированный наклон 0.5 означает, что в среднем увеличение предиктора на 1 единицу связано с увеличением зависимой переменной на 0.5 единицы по всем кластерам, с учетом кластеризации. Случайные свободные члены позволяют базовому значению зависимой переменной различаться по кластерам (межкластерная гетерогенность). Случайные наклоны позволяют эффекту предиктора варьироваться по кластерам; большая дисперсия случайного наклона указывает на существенные различия в эффектах ковариат между кластерами. ICC количественно оценивает кластеризацию: ICC = 0.30 означает, что 30% дисперсии приходится на различия между кластерами; 0.05 означает 5% (минимальная кластеризация). Размеры эффектов: сообщайте как фиксированные эффекты, так и компоненты дисперсии. Изучайте предсказанные кластер-специфические наклоны/свободные члены (оценки со сжатием), чтобы понять контекстно-специфические эффекты. Используйте критерии отношения правдоподобия для сравнения вложенных моделей: −2 × (логарифмическое правдоподобие более простой модели − логарифмическое правдоподобие сложной модели) следует распределению χ² с df = разница в параметрах.
Частые ошибки
- Полное игнорирование кластеризации: рассмотрение кластерных данных как независимых приводит к заниженным стандартным ошибкам и ложным срабатываниям.
- Извлечение необработанных средних значений кластеров как новой переменной (экологическая ошибка): средние значения и взаимосвязи на индивидуальном уровне различаются; используйте многоуровневое центрирование (центрирование по общему среднему против центрирования по среднему группы).
- Случайные наклоны без достаточного размера уровня 2: оценка случайных наклонов для всех предикторов при малом количестве кластеров дает нестабильные оценки. Используйте фиксированные наклоны для эффектов, которые теоретически не должны варьироваться, или используйте штрафную оценку.
- Неправильная интерпретация меж-уровневых взаимодействий: взаимодействие между предикторами уровня 1 и уровня 2 означает, что эффект предиктора уровня 1 зависит от контекста уровня 2; тщательно интерпретируйте и стройте графики.
- Выбор модели только по p-значениям: используйте критерии отношения правдоподобия или информационные критерии (AIC, BIC) для сравнения вложенных моделей; пошаговый отбор ненадежен со случайными эффектами.
- Неспособность проверить предположения: исследуйте остатки уровня 1 и уровня 2 на нормальность, гомоскедастичность и выбросы; нарушения предполагают преобразование или робастные методы.
Часто задаваемые вопросы
Что такое внутриклассовая корреляция (ICC) и почему она важна?
Внутриклассовая корреляция (ICC) — это корреляция между наблюдениями в одном кластере; эквивалентно, доля общей дисперсии, обусловленная кластеризацией. ICC = межкластерная дисперсия / общая дисперсия. ICC = 0 означает отсутствие кластеризации (вся вариация внутри кластеров); ICC = 1 означает полную кластеризацию (вся вариация между кластерами). ICC > 0.05 обычно оправдывает многоуровневый анализ. Малый ICC (0.01–0.05) означает, что кластеры похожи, но кластеризация все равно завышает стандартные ошибки, если ее игнорировать. Эмпирические правила: ICC > 0.10 — сильная кластеризация, 0.05–0.10 — умеренная, < 0.05 — слабая. Рассчитывайте ICC после подгонки безусловной модели (без предикторов) для оценки базовой кластеризации.
В чем разница между фиксированными и случайными эффектами?
Фиксированные эффекты — это средние взаимосвязи по кластерам (например, средний эффект возраста на результат по школам). Случайные эффекты — это кластер-специфические отклонения от среднего (например, как эффект возраста в каждой школе отличается от общего среднего). Случайный свободный член позволяет базовому значению зависимой переменной различаться по кластерам (каждая школа имеет свой свободный член). Случайный наклон позволяет эффекту предиктора различаться по кластерам (эффект возраста в каждой школе различается). Включайте случайные эффекты, если кластеры существенно различаются по эффекту; включайте фиксированные эффекты, если эффект концептуально одинаков по кластерам. Дисперсии случайных эффектов количественно оценивают гетерогенность; большая дисперсия указывает на существенные различия в эффектах.
Как выбрать между оценкой REML и ML?
REML (ограниченное максимальное правдоподобие) предпочтительно для сравнения моделей со случайными эффектами (например, сравнение моделей со случайными наклонами); оно дает несмещенные оценки компонент дисперсии. ML (максимальное правдоподобие) предпочтительно для сравнения фиксированных эффектов (особенно при сравнении невложенных моделей) и для критериев отношения правдоподобия фиксированных эффектов. При больших выборках оценки REML и ML сходятся. При малых выборках и небольшом количестве кластеров уровня 2 REML более надежен. Всегда указывайте, какой метод вы использовали; результаты могут различаться, особенно при малых выборках.
Что такое центрирование по общему среднему против центрирования по среднему группы?
Центрирование преобразует предикторы для улучшения интерпретации и численной стабильности. Центрирование по общему среднему (вычитание общего среднего) центрирует предикторы уровня 1 вокруг глобального среднего; свободный член представляет результат, когда предиктор равен общему среднему. Центрирование по среднему группы (вычитание среднего кластера) центрирует предикторы уровня 1 вокруг среднего каждого кластера; разделяет внутрикластерные и межкластерные эффекты. Например, центрирование социально-экономического статуса (СЭС) на уровне студента по среднему значению школы изолирует внутришкольный эффект СЭС на успеваемость; среднее значение кластера (СЭС на уровне школы) становится предиктором уровня 2, представляя эффект состава школы. Центрирование по общему среднему является стандартным; центрирование по среднему группы используется, когда теоретически важно различать внутри- и межкластерные эффекты.
Похожие методы
Источники
Bryk, A. S., & Raudenbush, S. W. (1992). Hierarchical Linear Models: Applications and Data Analysis Methods. SAGE Publications.
Открыть ссылку DOIСкопировано.Goldstein, H. (2011). Multilevel Statistical Models (4th ed.). Wiley-Blackwell.
Открыть ссылку DOIСкопировано.Shrout, P. E., & Fleiss, J. L. (1979). Intraclass correlations: Uses in assessing rater reliability. Psychological Bulletin, 86(2), 420–428.
Открыть ссылку DOIСкопировано.