Hierarchisch-Lineare Modelle

- Mehrebenenmodell multilevel Models

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.

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.

Neben den Individuellen gibt es noch Variablen höherer Ordnung Bsp. bei Agressionsbereitschaft von Schülern: Geschlecht, Schulnoten, Beliebtheit Übergeordnete Variablen: Schulart, Stadt vs.Land usw.

Unabhängigkeitsannahme

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.

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.

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)

Vorhersage der b-Gewichte auf Level 1 durch die Prädiktoren in Level 2. so soll der Einfluss der Prädiktoren auf beiden Levels ermittelt werden.

50