Multilevel Modeling
- ผู้เสนอ
- Anthony Bryk and Stephen Raudenbush
- ปี
- 1992
- ประเภท
- Method
- กลุ่มวิธี
- hierarchical-data-analysis
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
ใช้ทำอะไร?
Multilevel modeling (หรือที่เรียกว่า hierarchical linear modeling, mixed-effects modeling) เป็นกรอบการวิเคราะห์ทางสถิติสำหรับข้อมูลที่มีโครงสร้างแบบลำดับชั้นหรือแบบกลุ่ม เช่น นักเรียนในโรงเรียน ผู้ป่วยในโรงพยาบาล การวัดซ้ำในบุคคล พัฒนาโดย Bryk และ Raudenbush (1992) แบบจำลองนี้คำนึงถึงความสัมพันธ์ระหว่างการสังเกต และแบ่งความแปรปรวนออกเป็นระดับต่างๆ (ภายในกลุ่มและระหว่างกลุ่ม) ทำให้สามารถอนุมานได้อย่างถูกต้องและเปิดเผยผลกระทบของบริบท มีความสำคัญอย่างยิ่งในการวิจัยด้านการศึกษา การแพทย์ การวิจัยองค์กร และสาขาใดๆ ที่ข้อมูลมีโครงสร้างแบบลำดับชั้นตามธรรมชาติ
แนวคิดเบื้องหลังวิธีการ
การถดถอยมาตรฐานตั้งสมมติฐานว่าการสังเกตเป็นอิสระต่อกัน อย่างไรก็ตาม ข้อมูลแบบกลุ่มละเมิดสมมติฐานนี้ เมื่อนักเรียนถูกจัดกลุ่มในโรงเรียนเดียวกัน นักเรียนในโรงเรียนเดียวกันจะมีความคล้ายคลึงกันมากกว่านักเรียนในโรงเรียนที่แตกต่างกัน (ความไม่เป็นอิสระ) การละเลยการจัดกลุ่มจะนำไปสู่การประมาณค่าความคลาดเคลื่อนมาตรฐานที่ต่ำกว่าความเป็นจริง ช่วงความเชื่อมั่นที่สูงเกินจริง และอัตราความผิดพลาดประเภทที่ 1 ที่สูงเกินไป Multilevel modeling แก้ปัญหานี้โดย (1) การประมาณค่าความแปรปรวนในหลายระดับพร้อมกัน (ความแปรปรวนภายในโรงเรียนและความแปรปรวนระหว่างโรงเรียน) (2) การอนุญาตให้สัมประสิทธิ์การถดถอยแตกต่างกันไปตามกลุ่ม (random slopes) และ (3) การสร้างแบบจำลองลักษณะของกลุ่มในระดับกลุ่มในฐานะตัวทำนายความสัมพันธ์ภายในกลุ่ม สิ่งนี้จะจับภาพว่าบริบทส่งผลต่อบุคคลอย่างไร และให้การทดสอบสมมติฐานที่ถูกต้อง
ประวัติศาสตร์
ตำรา Hierarchical Linear Models ของ Anthony Bryk และ Stephen Raudenbush ในปี 1992 ได้รับความนิยมในการใช้ multilevel modeling ในด้านการศึกษาและสังคมศาสตร์ งานของ Harvey Goldstein ได้พัฒนาวิธีการสำหรับลำดับชั้นที่ซับซ้อนและแบบจำลอง cross-classified การพัฒนาที่ทันสมัย ได้แก่ generalized linear mixed models (GLMM; Breslow & Clayton, 1993) สำหรับผลลัพธ์ที่ไม่ปกติ แบบจำลอง multilevel แบบเบย์ (Bayesian multilevel models; Gelman & Hill, 2007) และแบบจำลองพลวัต (dynamic models; latent growth curves; Raudenbush, 2001) ความก้าวหน้าของซอฟต์แวร์ (lme4, nlme, MLwiN, HLM) ทำให้การวิเคราะห์ multilevel เข้าถึงได้ง่ายขึ้น
ควรใช้เมื่อใด
ใช้ multilevel modeling เมื่อใดก็ตามที่การสังเกตมีการจัดกลุ่ม: นักเรียนในโรงเรียน (การศึกษา) ผู้ป่วยในโรงพยาบาล (การแพทย์) พนักงานในบริษัท (การวิจัยองค์กร) จุดเวลาในบุคคล (การศึกษาตามกาลเวลา) การวัดซ้ำในผู้เข้าร่วมวิจัย (การทดลองทางคลินิก) สมาชิกในครอบครัว (การศึกษาครอบครัว) ละเว้นการจัดกลุ่มหาก ICC < 0.02 (การจัดกลุ่มน้อยมาก) ใช้เมื่อประมาณค่าการคาดการณ์เฉพาะกลุ่ม (เช่น อัตราการเสียชีวิตของโรงพยาบาลที่ปรับตามความเสี่ยง) random effects จะปรับค่าประมาณให้เข้าใกล้ค่าเฉลี่ยโดยรวม (shrinkage estimates) เพื่อแก้ไขความแปรปรวนจากการสุ่มตัวอย่าง
ข้อจำกัดและข้อควรพิจารณา
- ต้องการขนาดตัวอย่างระดับ 2 ที่เพียงพอ: จำนวนกลุ่มน้อย (< 10–20) ทำให้การประมาณค่า random effect ไม่เสถียร จำนวนกลุ่มน้อยกว่า 30 กลุ่มเพิ่มความไม่แน่นอน
- สมมติฐานว่าการเป็นสมาชิกของกลุ่มถูกกำหนดไว้ล่วงหน้า: การออกแบบแบบ cross-classified (นักเรียนทั้งในโรงเรียนและละแวกบ้าน) ต้องการแบบจำลองแบบ cross-classified ซึ่งซับซ้อนกว่าในการสร้างแบบจำลอง
- ทฤษฎีเชิงเส้นกำกับ (Asymptotic theory): ค่าความคลาดเคลื่อนมาตรฐานและค่า p มีค่าประมาณ ความน่าเชื่อถือลดลงเมื่อขนาดตัวอย่างระดับ 2 เล็ก Bootstrap หรือ permutation tests เป็นทางเลือก
- การระบุแบบจำลองที่ท้าทาย: การตัดสินใจว่าผลกระทบใดเป็น fixed และใดเป็น random และในระดับใด ต้องพิจารณาอย่างรอบคอบ การระบุแบบจำลองผิดพลาด (เช่น การละเลย random slopes) จะทำให้ fixed effects ลำเอียง
- สมมติฐานว่า random effects มีการแจกแจงแบบปกติ การละเมิดที่ระดับ 2 อาจทำให้ค่าประมาณลำเอียง วิธีการที่ทนทาน (robust methods) หรือการตรวจสอบแบบจำลอง (residual plots) ช่วยได้
เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้
จุดแข็ง
- คำนึงถึงความไม่เป็นอิสระ: ให้ค่าความคลาดเคลื่อนมาตรฐานและช่วงความเชื่อมั่นที่ถูกต้อง แม้จะมีการจัดกลุ่ม; หลีกเลี่ยงการเพิ่มขึ้นของอัตราความผิดพลาดประเภทที่ 1
- แบ่งความแปรปรวน: วัดปริมาณความแปรปรวนภายในกลุ่มและระหว่างกลุ่ม เปิดเผยผลกระทบของบริบทและให้ข้อมูลแก่นโยบาย (เช่น ผลกระทบของโรงเรียนต่อผลสัมฤทธิ์ทางการเรียน)
- Random effects เป็นค่าคาดการณ์: ค่าประมาณของ intercept/slope เฉพาะกลุ่มแบบ empirical Bayes มีความเสถียรมากกว่า fixed effects มีประโยชน์สำหรับการปรับตามความเสี่ยงและการจัดอันดับ
- ยืดหยุ่นสำหรับการออกแบบที่ไม่สมดุล: ขนาดกลุ่มที่แตกต่างกันและข้อมูลที่ขาดหายไปได้รับการจัดการตามธรรมชาติ; ไม่ต้องการการออกแบบที่สมดุล
- รองรับหลายระดับ: ระดับสามระดับหรือมากกว่า (เช่น นักเรียนในโรงเรียนในเขต) สามารถประมาณค่าได้ในแบบจำลองเดียว
การประยุกต์ใช้
- การวิจัยทางการศึกษา: การสร้างแบบจำลองผลสัมฤทธิ์ทางการเรียนโดยมีนักเรียนซ้อนอยู่ในชั้นเรียน/โรงเรียน การวัดผลกระทบของโรงเรียนและประสิทธิภาพของครู
- การวิจัยทางการแพทย์: การสร้างแบบจำลองผลลัพธ์ของผู้ป่วย (อัตราการเสียชีวิต การกลับมารักษาซ้ำ) โดยมีผู้ป่วยซ้อนอยู่ในโรงพยาบาล การปรับอัตราเฉพาะโรงพยาบาลตามความเสี่ยงเพื่อเปรียบเทียบคุณภาพ
- การศึกษาตามกาลเวลา: การสร้างแบบจำลองการเปลี่ยนแปลงเมื่อเวลาผ่านไป โดยมีการวัดซ้ำ (ระดับ 1) ซ้อนอยู่ในบุคคล (ระดับ 2) การสร้างแบบจำลองเส้นโค้งการเติบโต (growth curves) และวิถี (trajectory modeling)
- การวิจัยองค์กร: การสร้างแบบจำลองผลลัพธ์ของพนักงาน (ความพึงพอใจ ประสิทธิภาพ) โดยมีพนักงานซ้อนอยู่ในทีม/แผนก/องค์กร การประเมินผลกระทบของวัฒนธรรมองค์กร
- การศึกษาครอบครัว: การสร้างแบบจำลองพฤติกรรมเด็กโดยมีพี่น้อง (ระดับ 1) ซ้อนอยู่ในครอบครัว (ระดับ 2) ลักษณะระดับครอบครัว (เช่น SES, การเลี้ยงดู) เป็นตัวทำนายความคล้ายคลึงกันของพี่น้อง
วิธีการทำงาน
วิธีการทำงาน
การบริหารจัดการ multilevel modeling โดยการระบุโครงสร้างลำดับชั้น: ระดับ 1 (ต่ำสุด: บุคคล การสังเกต จุดเวลา) ที่ซ้อนอยู่ในระดับ 2 (กลุ่ม: โรงเรียน โรงพยาบาล ครอบครัว) และอาจมีระดับ 3 (องค์กร เขต) บันทึก: (1) ตัวแปรตาม (ต่อเนื่องหรือทวิภาค) (2) ตัวทำนายระดับ 1 (แปรผันภายในกลุ่ม เช่น อายุของนักเรียน) (3) ตัวทำนายระดับ 2 (แปรผันระหว่างกลุ่ม เช่น ประเภทโรงเรียน) (4) ตัวระบุกลุ่ม (ตัวแปรจัดกลุ่ม) ตรวจสอบให้แน่ใจว่ามีขนาดตัวอย่างระดับ 2 เพียงพอ (ขั้นต่ำ ≥10 กลุ่ม โดยปกติ ≥30) สำหรับการประมาณค่า random effects ที่เสถียร สำหรับข้อมูลตามกาลเวลา: จุดเวลา (ระดับ 1) ซ้อนอยู่ในบุคคล (ระดับ 2) ซ้อนอยู่ในกลุ่ม (ระดับ 3) ประเมิน intraclass correlation (ICC): ความสัมพันธ์ระหว่างการสังเกตในกลุ่มเดียวกัน; ICC > 0.05 โดยทั่วไปจะสนับสนุนการวิเคราะห์ multilevel
การสร้างแบบจำลอง multilevel โดยใช้ restricted maximum likelihood (REML ซึ่งเป็นที่นิยมสำหรับการเปรียบเทียบ random effects) หรือ ML (เป็นที่นิยมสำหรับการทดสอบ likelihood ratio ของ fixed effects) แบบจำลองถูกระบุในสองระดับ: ระดับ 1 (ภายในกลุ่ม): Y_ij = β₀j + β₁j(X_ij) + ε_ij โดยที่ i แทนบุคคล j แทนกลุ่ม ระดับ 2 (ระหว่างกลุ่ม): β₀j = γ₀₀ + γ₀₁(Z_j) + u₀j ซึ่งระบุว่าค่า intercept แตกต่างกันไปตามกลุ่มอย่างไร (how intercepts vary across clusters) รายงาน: (1) Fixed effects (สัมประสิทธิ์ γ): ผลเฉลี่ยของตัวทำนายในทุกกลุ่ม (2) Random effects (ความแปรปรวน u₀j, u₁j): ส่วนเบี่ยงเบนเฉพาะกลุ่ม ค่าความแปรปรวนสูงบ่งชี้ว่ากลุ่มมีความแตกต่างกันอย่างมาก (3) Intraclass correlation (ICC): สัดส่วนของความแปรปรวนทั้งหมดระหว่างกลุ่ม ICC = τ₀₀ / (τ₀₀ + σ²) โดยที่ τ₀₀ คือความแปรปรวนระหว่างกลุ่ม และ σ² คือความแปรปรวนส่วนที่เหลือภายในกลุ่ม (4) Deviance และเกณฑ์ข้อมูล (AIC, BIC): เปรียบเทียบแบบจำลอง ค่าที่ต่ำกว่าจะดีกว่า (5) Likelihood ratio tests: เปรียบเทียบแบบจำลองที่ซ้อนกันในการปรับ
Fixed effects (slope และ intercept) แสดงถึงความสัมพันธ์เฉลี่ยในทุกกลุ่ม (เช่น slope ที่คงที่เท่ากับ 0.5 หมายความว่าโดยเฉลี่ยแล้ว การเพิ่มขึ้น 1 หน่วยของตัวทำนายสัมพันธ์กับการเพิ่มขึ้น 0.5 หน่วยของตัวแปรตามในทุกกลุ่ม หลังจากคำนึงถึงการจัดกลุ่มแล้ว) Random intercepts อนุญาตให้ค่า baseline ของตัวแปรตามแตกต่างกันไปตามกลุ่ม (ความแตกต่างระหว่างกลุ่ม) Random slopes อนุญาตให้ผลกระทบของตัวทำนายแตกต่างกันไปตามกลุ่ม (ความแปรปรวนของ random slope สูงบ่งชี้ว่าผลกระทบของตัวแปรตามแตกต่างกันอย่างมากในแต่ละกลุ่ม) ICC วัดระดับการจัดกลุ่ม: ICC = 0.30 หมายความว่า 30% ของความแปรปรวนอยู่ระหว่างกลุ่ม; 0.05 หมายความว่า 5% (การจัดกลุ่มน้อย) ขนาดผลกระทบ (Effect sizes): รายงานทั้ง fixed effects และ variance components ตรวจสอบค่า slope/intercept เฉพาะกลุ่มที่คาดการณ์ไว้ (shrinkage estimates) เพื่อทำความเข้าใจผลกระทบเฉพาะบริบท ใช้ likelihood ratio tests เพื่อเปรียบเทียบแบบจำลองที่ซ้อนกัน: −2 × (log-likelihood ของแบบจำลองที่ง่ายกว่า − log-likelihood ของแบบจำลองที่ซับซ้อนกว่า) จะมีการแจกแจงแบบ χ² โดยมี df เท่ากับผลต่างของพารามิเตอร์
ข้อผิดพลาดที่พบบ่อย
- การละเลยการจัดกลุ่มโดยสิ้นเชิง: การปฏิบัติต่อข้อมูลแบบกลุ่มเสมือนว่าอิสระต่อกัน นำไปสู่การประมาณค่าความคลาดเคลื่อนมาตรฐานที่ต่ำกว่าความเป็นจริงและผลบวกลวง
- การดึงค่าเฉลี่ยดิบของกลุ่มเป็นตัวแปรใหม่ (ecological fallacy): ค่าเฉลี่ยและความสัมพันธ์ระดับบุคคลแตกต่างกัน ใช้การปรับค่ากลางแบบ multilevel (grand-mean centering หรือ group-mean centering predictors)
- Random slopes โดยไม่มีขนาดตัวอย่างระดับ 2 เพียงพอ: การประมาณค่า random slopes สำหรับตัวทำนายทั้งหมดด้วยจำนวนกลุ่มน้อย ทำให้ได้ค่าประมาณที่ไม่เสถียร ใช้ fixed slopes สำหรับผลกระทบที่ไม่จำเป็นต้องแตกต่างกันตามทฤษฎี หรือใช้การประมาณค่าแบบ penalized
- การตีความ cross-level interactions ผิดพลาด: การปฏิสัมพันธ์ระหว่างตัวทำนายระดับ 1 และระดับ 2 หมายความว่าผลกระทบของตัวทำนายระดับ 1 ขึ้นอยู่กับบริบทของระดับ 2 ต้องตีความและพล็อตอย่างระมัดระวัง
- การเลือกแบบจำลองโดยใช้ค่า p เพียงอย่างเดียว: ใช้ likelihood ratio tests หรือเกณฑ์ข้อมูล (AIC, BIC) สำหรับการเปรียบเทียบแบบจำลองที่ซ้อนกัน การเลือกแบบจำลองทีละขั้นตอน (step-wise selection) ไม่น่าเชื่อถือเมื่อมี random effects
- การไม่ตรวจสอบสมมติฐาน: ตรวจสอบ residuals ระดับ 1 และระดับ 2 เพื่อหาความเป็นปกติ ความแปรปรวนสม่ำเสมอ (homoscedasticity) และค่าผิดปกติ การละเมิดบ่งชี้ถึงการแปลงข้อมูลหรือวิธีการที่ทนทาน
คำถามที่พบบ่อย
Intraclass correlation (ICC) คืออะไร และมีความสำคัญอย่างไร?
Intraclass correlation (ICC) คือความสัมพันธ์ระหว่างการสังเกตในกลุ่มเดียวกัน หรือเทียบเท่าคือ สัดส่วนของความแปรปรวนทั้งหมดที่เกิดจากการจัดกลุ่ม ICC = ความแปรปรวนระหว่างกลุ่ม / ความแปรปรวนทั้งหมด ICC = 0 หมายถึงไม่มีการจัดกลุ่ม (ความแปรปรวนทั้งหมดอยู่ภายในกลุ่ม); ICC = 1 หมายถึงมีการจัดกลุ่มสมบูรณ์ (ความแปรปรวนทั้งหมดอยู่ระหว่างกลุ่ม) ICC > 0.05 โดยทั่วไปจะสนับสนุนการวิเคราะห์ multilevel ICC น้อย (0.01–0.05) หมายถึงกลุ่มมีความคล้ายคลึงกัน แต่การจัดกลุ่มยังคงทำให้ความคลาดเคลื่อนมาตรฐานสูงขึ้นหากละเลย กฎทั่วไป: ICC > 0.10 การจัดกลุ่มสูง, 0.05–0.10 ปานกลาง, < 0.05 ต่ำ คำนวณ ICC หลังจากสร้างแบบจำลองที่ไม่มีตัวทำนาย (unconditional model) เพื่อประเมินการจัดกลุ่มพื้นฐาน
ความแตกต่างระหว่าง fixed effects และ random effects คืออะไร?
Fixed effects คือความสัมพันธ์เฉลี่ยในทุกกลุ่ม (เช่น ผลเฉลี่ยของอายุต่อตัวแปรตามในทุกโรงเรียน) Random effects คือส่วนเบี่ยงเบนเฉพาะกลุ่มจากค่าเฉลี่ย (เช่น ผลของอายุของแต่ละโรงเรียนแตกต่างจากค่าเฉลี่ยโดยรวมอย่างไร) Random intercept อนุญาตให้ค่า baseline ของตัวแปรตามแตกต่างกันไปตามกลุ่ม (แต่ละโรงเรียนมี intercept ของตัวเอง) Random slope อนุญาตให้ผลกระทบของตัวทำนายแตกต่างกันไปตามกลุ่ม (ผลกระทบของอายุของแต่ละโรงเรียนแตกต่างกัน) รวม random effects หากกลุ่มมีความแตกต่างกันอย่างมีนัยสำคัญในผลกระทบนั้น รวม fixed effects หากผลกระทบนั้นมีความเหมือนกันในทุกกลุ่มตามแนวคิด ค่าความแปรปรวนของ random effect วัดระดับความแตกต่าง (heterogeneity) ค่าความแปรปรวนสูงบ่งชี้ว่าผลกระทบแตกต่างกันอย่างมีนัยสำคัญ
จะเลือกระหว่างการประมาณค่า REML และ ML ได้อย่างไร?
REML (Restricted Maximum Likelihood) เป็นที่นิยมสำหรับการเปรียบเทียบแบบจำลอง random effects (เช่น การเปรียบเทียบแบบจำลอง random slopes) ให้ค่าประมาณ variance component ที่ไม่ลำเอียง ML (Maximum Likelihood) เป็นที่นิยมสำหรับการเปรียบเทียบ fixed effects (โดยเฉพาะเมื่อเปรียบเทียบแบบจำลองที่ไม่ซ้อนกัน) และสำหรับการทดสอบ likelihood ratio ของ fixed effects ในกลุ่มตัวอย่างขนาดใหญ่ ค่าประมาณ REML และ ML จะใกล้เคียงกัน ในกลุ่มตัวอย่างขนาดเล็กและมีจำนวนกลุ่มระดับ 2 น้อย REML จะน่าเชื่อถือมากกว่า ควรรายงานเสมอว่าใช้วิธีใด ผลลัพธ์อาจแตกต่างกัน โดยเฉพาะอย่างยิ่งในกลุ่มตัวอย่างขนาดเล็ก
ความแตกต่างระหว่าง grand-mean centering และ group-mean centering คืออะไร?
Centering เป็นการแปลงตัวทำนายเพื่อปรับปรุงการตีความและความเสถียรเชิงตัวเลข Grand-mean centering (ลบค่าเฉลี่ยโดยรวม) จะปรับค่าตัวทำนายระดับ 1 ให้มีค่าเฉลี่ยเท่ากับค่าเฉลี่ยทั่วโลก intercept จะแสดงถึงค่าตัวแปรตามเมื่อตัวทำนายมีค่าเท่ากับค่าเฉลี่ยทั่วโลก Group-mean centering (ลบค่าเฉลี่ยของกลุ่ม) จะปรับค่าตัวทำนายระดับ 1 ให้มีค่าเฉลี่ยเท่ากับค่าเฉลี่ยของแต่ละกลุ่ม แยกผลกระทบภายในกลุ่มและระหว่างกลุ่ม ตัวอย่างเช่น การทำ group-mean centering ของ socioeconomic status (SES) ระดับนักเรียนตามค่าเฉลี่ยของโรงเรียน จะแยกผลกระทบของ SES ภายในโรงเรียนต่อผลสัมฤทธิ์ทางการเรียน ค่าเฉลี่ยของกลุ่ม (SES ระดับโรงเรียน) จะกลายเป็นตัวทำนายระดับ 2 ซึ่งแสดงถึงผลกระทบขององค์ประกอบของโรงเรียน Grand-mean centering เป็นค่าเริ่มต้น group-mean centering ใช้เมื่อการแยกแยะผลกระทบภายในกลุ่มและระหว่างกลุ่มมีความสำคัญทางทฤษฎี
วิธีการที่เกี่ยวข้อง
แหล่งอ้างอิง
Bryk, A. S., & Raudenbush, S. W. (1992). Hierarchical Linear Models: Applications and Data Analysis Methods. SAGE Publications.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้วGoldstein, H. (2011). Multilevel Statistical Models (4th ed.). Wiley-Blackwell.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้วShrout, P. E., & Fleiss, J. L. (1979). Intraclass correlations: Uses in assessing rater reliability. Psychological Bulletin, 86(2), 420–428.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้ว