İçeriğe atla
Arama sonuçlarına dön

Çok Düzeyli Modelleme

Ortaya koyan
Anthony Bryk and Stephen Raudenbush
Yıl
1992
Tür
Method
Aile
hierarchical-data-analysis

Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku

Yazı boyutu

Ne işe yarar?

Çok düzeyli modelleme (hiyerarşik doğrusal modelleme, karma etkili modelleme olarak da bilinir), iç içe geçmiş veya kümelenmiş yapılara sahip verileri analiz etmek için istatistiksel bir çerçevedir—okullardaki öğrenciler, hastanelerdeki hastalar, bireylerdeki tekrarlanan ölçümler.

Bryk ve Raudenbush (1992) tarafından geliştirilen bu yöntem, gözlemler arasındaki bağımlılığı hesaba katar ve varyansı düzeylere (küme içi ve küme dışı) ayırarak geçerli çıkarım yapmayı ve bağlam etkilerini ortaya çıkarmayı sağlar. Eğitim, tıp, örgütsel araştırmalar ve verilerin doğal hiyerarşilere sahip olduğu herhangi bir alanda esastır.

Yöntemin mantığı

Standart regresyon bağımsız gözlemler varsayar; ancak, kümelenmiş veriler bu varsayımı ihlal eder. Öğrenciler okullara iç içe geçtiğinde, aynı okuldaki öğrenciler farklı okullardaki öğrencilerden daha benzerdir (bağımsız olmama). Kümelenmeyi göz ardı etmek, standart hataların hafife alınmasına, güven aralıklarının aşırı güvenli olmasına ve Tip I hata oranının şişmesine yol açar. Çok düzeyli modelleme, (1) birden çok düzeydeki varyansları eş zamanlı olarak tahmin ederek (okul içi varyans ve okullar arası varyans), (2) regresyon katsayılarının kümeye göre değişmesine izin vererek (rastgele eğimler) ve (3) küme düzeyindeki özellikleri küme içi ilişkilerin öngörücüsü olarak modelleyerek bu sorunu çözer. Bu, bağlamın bireyleri nasıl etkilediğini yakalar ve geçerli hipotez testleri sağlar.

Tarih

Anthony Bryk ve Stephen Raudenbush'un 1992 tarihli Hiyerarşik Doğrusal Modeller ders kitabı, çok düzeyli modellemeyi eğitim ve sosyal bilimlerde popülerleştirdi. Harvey Goldstein'ın çalışmaları, karmaşık hiyerarşiler ve çapraz sınıflandırılmış modeller için metodolojiyi geliştirdi. Modern gelişmeler arasında normal olmayan sonuçlar için genelleştirilmiş doğrusal karma modeller (GLMM; Breslow & Clayton, 1993), Bayesçi çok düzeyli modeller (Gelman & Hill, 2007) ve dinamik modeller (gizli büyüme eğrileri; Raudenbush, 2001) yer alır. Yazılım gelişmeleri (lme4, nlme, MLwiN, HLM) çok düzeyli analizi erişilebilir hale getirdi.

Ne zaman kullanılır?

Gözlemler iç içe geçtiğinde çok düzeyli modelleme kullanın: okullardaki öğrenciler (eğitim), hastanelerdeki hastalar (tıp), şirketlerdeki çalışanlar (örgütsel araştırma), bireylerdeki zaman noktaları (boylamsal çalışmalar), deneklerdeki tekrarlanan ölçümler (klinik denemeler), ailelerdeki aile üyeleri (aile çalışmaları). ICC < 0.02 (ihmal edilebilir kümelenme) ise kümelenmeyi göz ardı edin. Ayrıca küme özel tahminleri (örn. risk ayarlı hastane ölüm oranı) tahmin ederken de kullanın; rastgele etkiler tahminleri ortalama değere doğru daraltır, örneklem değişkenliğini düzeltir.

Sınırlar ve dikkat edilmesi gerekenler

  • Yeterli düzey 2 örneklem büyüklüğü gerektirir: az sayıda küme (< 10–20) kararsız rastgele etki tahminleri üretir; 30'dan az küme belirsizliği artırır.
  • Küme üyeliğinin önceden tanımlandığını varsayar: çapraz sınıflandırılmış tasarımlar (hem okullarda hem de mahallelerdeki öğrenciler) çapraz sınıflandırılmış modeller gerektirir, uydurması daha karmaşıktır.
  • Asimptotik teori: standart hatalar ve p-değerleri yaklaşıktır; düzey 2 örneklem büyüklüğünün küçük olmasıyla güvenilirlik azalır. Bootstrap veya permütasyon testleri alternatifler sunar.
  • Model belirleme zorlayıcıdır: hangi etkilerin sabit mi yoksa rastgele mi olacağına ve hangi düzeyde olacağına karar vermek dikkatli bir değerlendirme gerektirir. Yanlış belirleme (örn. eksik rastgele eğimler) yanlı yanlı sabit etkilere yol açar.
  • Rastgele etkilerin normal dağıldığını varsayar; düzey 2'deki ihlaller yanlı tahminlere yol açabilir; sağlam yöntemler veya model kontrolü (artık çizimleri) yardımcı olur.

Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.

Güçlü yönleri

  • Bağımsız olmama durumunu hesaba katar: kümelenmeye rağmen doğru standart hataları ve güven aralıklarını verir; Tip I hata şişmesini önler.
  • Varyansı ayırır: küme içi ve küme dışı değişimi ölçer, bağlam etkilerini ortaya çıkarır ve politika bilgilendirmesi yapar (örn. başarı üzerindeki okul etkileri).
  • Rastgele etkiler tahmin olarak: küme özel kesişimlerin/eğimlerin ampirik Bayes tahminleri, sabit etkilerden daha kararlıdır, risk ayarlaması ve sıralama için kullanışlıdır.
  • Dengesiz tasarımlar için esnektir: değişen küme boyutları ve eksik veriler doğal olarak ele alınır; dengeli tasarımlar gerektirmez.
  • Birden çok düzeyi ele alır: üç veya daha fazla düzey (örn. bölgelerdeki okullardaki öğrenciler) tek bir modelde tahmin edilir.

Uygulama alanları

  • Eğitim araştırmaları: sınıflara/okullara iç içe geçmiş öğrencilerin öğrenci başarısını modelleme; okul etkilerini ve öğretmen etkinliğini ölçme.
  • Tıbbi araştırmalar: hastanelere iç içe geçmiş hastaların hasta sonuçlarını (ölüm, yeniden kabul) modelleme; kalite karşılaştırmaları için hastaneye özgü oranları risk ayarlama.
  • Boylamsal çalışmalar: bireylere (düzey 2) iç içe geçmiş tekrarlanan ölçümlerle (düzey 1) zaman içindeki değişimi modelleme; büyüme eğrileri, yörünge modellemesi.
  • Örgütsel araştırmalar: ekiplere/departmanlara/kuruluşlara iç içe geçmiş çalışanların çalışan sonuçlarını (tatmin, performans) modelleme; örgütsel kültür etkilerini değerlendirme.
  • Aile çalışmaları: ailelere (düzey 2) iç içe geçmiş kardeşlerin (düzey 1) çocuk davranışlarını modelleme; aile düzeyindeki özellikler (SES, ebeveynlik) kardeş benzerliğini öngörür.

Nasıl çalışır?

Nasıl çalışır?

1

Çok düzeyli modellemeyi, hiyerarşik yapıyı tanımlayarak uygulayın: düzey 1 (en düşük: bireyler, gözlemler, zaman noktaları) düzey 2'nin (kümeler: okullar, hastaneler, aileler) içine iç içe geçmiş ve isteğe bağlı olarak düzey 3 (kuruluşlar, bölgeler). Kaydedin: (1) sonuç değişkeni (sürekli veya ikili), (2) düzey 1 öngörücüleri (kümeler içinde değişir, örn. öğrenci yaşı), (3) düzey 2 öngörücüleri (kümeler arasında değişir, örn. okul türü), (4) küme tanımlayıcısı (gruplama değişkeni). Rastgele etkilerin kararlı tahminleri için yeterli düzey 2 örneklem büyüklüğünü (minimum ≥10 küme, ideal olarak ≥30) sağlayın. Boylamsal veriler için: zaman noktaları (düzey 1) bireylerin (düzey 2) grupların (düzey 3) içine iç içe geçmiş. Sınıf içi korelasyonu (ICC) değerlendirin: aynı kümedeki gözlemler arasındaki korelasyon; ICC > 0.05 genellikle çok düzeyli analizi haklı çıkarır.

2

Çok düzeyli modelleri, sınırlı maksimum olabilirlik (REML, rastgele etkileri karşılaştırmak için tercih edilir) veya ML (sabit etkilerin olabilirlik oranı testleri için tercih edilir) kullanarak uydurun. Model iki düzeyde belirtilir: Düzey 1 (küme içi): Y_ij = β₀j + β₁j(X_ij) + ε_ij, burada i bireyleri, j kümeleri indeksler. Düzey 2 (küme dışı): β₀j = γ₀₀ + γ₀₁(Z_j) + u₀j, kesişimlerin kümeler arasında nasıl değiştiğini belirterek. Raporlayın: (1) Sabit etkiler (γ katsayıları): öngörücülerin kümeler üzerindeki ortalama etkisi. (2) Rastgele etkiler (u₀j, u₁j varyansları): küme özel sapmalar; büyük varyans kümelerin önemli ölçüde farklılaştığını gösterir. (3) Sınıf içi korelasyon (ICC): kümeler arasındaki toplam varyansın oranı, ICC = τ₀₀ / (τ₀₀ + σ²) burada τ₀₀ küme dışı varyans ve σ² küme içi artık varyanstır. (4) Sapma ve bilgi kriterleri (AIC, BIC): modelleri karşılaştırın; daha düşük değerler tercih edilir. (5) Olabilirlik oranı testleri: iç içe geçmiş modelleri karşılaştırma.

3

Sabit etkiler (eğim ve kesişim), kümeler arasındaki ortalama ilişkileri temsil eder. 0.5'lik sabit bir eğim, kümelenmeyi hesaba kattıktan sonra, öngörücüdeki 1 birimlik bir artışın, kümeler genelinde sonuçtaki 0.5 birimlik bir artışla ortalama olarak ilişkilendirildiği anlamına gelir. Rastgele kesişimler, temel sonucun küme başına farklılık göstermesine izin verir (küme dışı heterojenlik). Rastgele eğimler, bir öngörücünün etkisinin kümeye göre değişmesine izin verir; büyük rastgele eğim varyansı, kovaryant etkilerinin kümeler arasında önemli ölçüde farklılaştığını gösterir. ICC kümelenmeyi ölçer: ICC = 0.30, varyansın %30'unun kümeler arasında olduğu anlamına gelir; 0.05, %5'i (minimal kümelenme). Etki büyüklükleri: hem sabit etkileri hem de varyans bileşenlerini raporlayın. Bağlam özel etkilerini anlamak için tahmini küme özel eğimleri/kesişimleri (daraltma tahminleri) inceleyin. İç içe geçmiş modelleri karşılaştırmak için olabilirlik oranı testlerini kullanın: −2 × (daha basit modelin log-olabilirliği − karmaşık modelin log-olabilirliği) df = parametre farkı ile χ²'yi takip eder.

Sık yapılan hatalar

  • Kümelenmeyi tamamen göz ardı etme: kümelenmiş verileri bağımsız olarak ele almak, hafife alınmış standart hatalara ve yanlış pozitiflere yol açar.
  • Ham küme ortalamalarını yeni bir değişken olarak çıkarma (ekolojik yanılgı): ortalamalar ve birey düzeyindeki ilişkiler farklıdır; çok düzeyli merkezleme kullanın (genel ortalama vs grup ortalaması merkezlenmiş öngörücüler).
  • Yeterli düzey 2 boyutu olmadan rastgele eğimler: az sayıda küme ile tüm öngörücüler için rastgele eğimleri tahmin etmek kararsız tahminler üretir. Teorik olarak değişmesi gerekmeyen etkiler için sabit eğimler kullanın veya cezalı tahmin kullanın.
  • Düzeyler arası etkileşimlerin yanlış yorumlanması: düzey 1 ve düzey 2 öngörücüleri arasındaki bir etkileşim, düzey 1 öngörücüsünün etkisinin düzey 2 bağlamına bağlı olduğu anlamına gelir; dikkatlice yorumlayın ve çizin.
  • Model seçimi sadece p-değerleri ile: iç içe geçmiş modelleri karşılaştırmak için olabilirlik oranı testleri veya bilgi kriterleri (AIC, BIC) kullanın; kademeli seçim rastgele etkilerle güvenilmezdir.
  • Varsayımları kontrol etmeyi başaramama: normalite, homoskedastisite ve aykırı değerler için düzey 1 ve düzey 2 artıklarını inceleyin; ihlaller dönüşüm veya sağlam yöntemler önerir.

Sık sorulan sorular

Sınıf içi korelasyon (ICC) nedir ve neden önemlidir?

Sınıf içi korelasyon (ICC), aynı kümedeki gözlemler arasındaki korelasyondur; eşdeğer olarak, toplam varyansın kümelenmeye atfedilebilir oranıdır. ICC = küme dışı varyans / toplam varyans. ICC = 0 kümelenme yok anlamına gelir (tüm varyasyon kümeler içinde); ICC = 1 tam kümelenme anlamına gelir (tüm varyasyon kümeler arasında). ICC > 0.05 genellikle çok düzeyli analizi haklı çıkarır. Küçük ICC (0.01–0.05), kümelerin benzer olduğu anlamına gelir, ancak kümelenme göz ardı edilirse standart hataları yine de şişirir. Kaba kurallar: ICC > 0.10 güçlü kümelenme, 0.05–0.10 orta, < 0.05 zayıf. Temel kümelenmeyi değerlendirmek için koşulsuz bir model (öngörücü yok) uydurduktan sonra ICC'yi hesaplayın.

Sabit etkiler ile rastgele etkiler arasındaki fark nedir?

Sabit etkiler, kümeler arasındaki ortalama ilişkilerdir (örn. yaşın sonuç üzerindeki ortalama etkisi okullar genelinde). Rastgele etkiler, ortalamadan küme özel sapmalardır (örn. her okulun yaş etkisinin genel ortalamadan nasıl farklılaştığı). Rastgele bir kesişim, temel sonucun kümeye göre farklılık göstermesine izin verir (her okulun kendi kesişimi vardır). Rastgele bir eğim, bir öngörücünün etkisinin kümeye göre farklılık göstermesine izin verir (her okulun yaş etkisi farklıdır). Kümeler etkide esaslı bir şekilde farklılık gösteriyorsa rastgele etkiler ekleyin; etki kümeler arasında kavramsal olarak aynıysa sabit etkiler ekleyin. Rastgele etki varyansları heterojenliği ölçer; büyük varyans etkilerin önemli ölçüde farklılaştığını gösterir.

REML ve ML tahminleri arasında nasıl seçim yapmalıyım?

REML (Sınırlı Maksimum Olabilirlik), rastgele etkili modelleri karşılaştırmak için tercih edilir (örn. rastgele eğim modellerini karşılaştırma); yanlı olmayan varyans bileşeni tahminleri üretir. ML (Maksimum Olabilirlik), sabit etkileri karşılaştırmak (özellikle iç içe geçmemiş modelleri karşılaştırırken) ve sabit etkilerin olabilirlik oranı testleri için tercih edilir. Büyük örneklemlerde, REML ve ML tahminleri yakınsar. Küçük örneklemlerde ve az sayıda düzey 2 kümede, REML daha güvenilirdir. Her zaman hangi yöntemi kullandığınızı bildirin; sonuçlar, özellikle küçük örneklemlerde farklılık gösterebilir.

Genel ortalama merkezleme ile grup ortalaması merkezleme arasındaki fark nedir?

Merkezleme, yorumlamayı ve sayısal kararlılığı iyileştirmek için öngörücüleri dönüştürür. Genel ortalama merkezleme (genel ortalamayı çıkarma), düzey 1 öngörücülerini küresel ortalamanın etrafında merkezler; kesişim, öngörücü küresel ortalamaya eşit olduğunda sonucu temsil eder. Grup ortalaması merkezleme (küme ortalamasını çıkarma), düzey 1 öngörücülerini her kümenin ortalamasının etrafında merkezler; küme içi ve küme dışı etkileri ayırır. Örneğin, öğrenci düzeyindeki sosyoekonomik durumun (SES) okul ortalamasında merkezlenmesi, SES'in başarı üzerindeki küme içi etkisini izole eder; küme ortalaması (okul düzeyindeki SES), okul kompozisyon etkisini temsil eden bir düzey 2 öngörücüsü haline gelir. Genel ortalama merkezleme varsayılandır; grup ortalaması merkezleme, küme içi ve küme dışı etkileri ayırt etmek teorik olarak önemli olduğunda kullanılır.

İlgili yöntemler

Kaynaklar

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

    DOI kaynağını aç
    Kopyalandı.
  2. Goldstein, H. (2011). Multilevel Statistical Models (4th ed.). Wiley-Blackwell.

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

    DOI kaynağını aç
    Kopyalandı.