Statistik (Subject) / Hierarchisch-Lineare Modelle (Lesson)
There are 10 cards in this lesson
Kap. 13
This lesson was created by loewi.
This lesson is not released for learning.
- andere Bezeichnungen für HLM - Mehrebenenmodell multilevel Models
- Ziel? Die Ausprägung in einer Variablen soll durch Prädiktoren vorhergesagt werden. Aber: im Unterschied zur Regression liegt bei den Daten hierarchische Strukturierung vor. diese Abhängigkeit in den Daten muss bei der Auswertung berücksichtigt werden.
- Ziel? Die Ausprägung in einer Variablen soll durch Prädiktoren vorhergesagt werden. Aber: im Unterschied zur Regression liegt bei den Daten hierarchische Strukturierung vor. diese Abhängigkeit in den Daten muss bei der Auswertung berücksichtigt werden.
- hierarchische Variablen? Neben den Individuellen gibt es noch Variablen höherer Ordnung Bsp. bei Agressionsbereitschaft von Schülern: Geschlecht, Schulnoten, Beliebtheit Übergeordnete Variablen: Schulart, Stadt vs.Land usw.
- Was ist das Problem bei der Standardanalyse, das bei Den HLM umgangen wird? Unabhängigkeitsannahme
- Voraussetzungen für HLM intervallskaliertes Kriterium Prädiktoren haben Varianz keine Multikollinearität bei den Prädiktoren Prädiktoren korellieren nicht mir im Modell unberücksichtigten Variablen Level-1-Residuen sind normalverteilt mit Mittelwert von 0.
- Vorteile der HLM keine Unabhängigkeitsannahme Mittelwert pro Gruppe wird berücksichtigt Es werden Level-1 und Level-2-Prädiktoren herangezogen Anzahl der abhängigen Elemente auf Level-1 muss nicht gleich sein Fehlende Werte auf Level 1 werden ignoriert.
- allgemeines Vorgehen Bildung eines Nullmodells (Level-1 als Zufallseffekt) Bildung weiterer Modelle durch Hinzunahme von Prädiktoren Vergleich der Passung der Modelle über die deviance (Log-Likelihood-Wert)
- Grundlegende Idee Vorhersage der b-Gewichte auf Level 1 durch die Prädiktoren in Level 2. so soll der Einfluss der Prädiktoren auf beiden Levels ermittelt werden.
- Wieviele Gruppen (Level 2) sollten es nach Möglichkeit sein? 50