Regressions- und Mehrebenenanalysen mit R und Mplus

Posted on
Print Friendly, PDF & Email
Die Mehrebenenanalyse (englisch Multilevel Analysis, MLA), auch als Hierarchisch Lineare Modellierung (englisch Hierarchical Linear Modeling, HLM) bezeichnet, ist eine Gruppe multivariater statistischer Verfahren zur Analyse hierarchisch strukturierter bzw. gruppierter Daten, die ursprünglich in der empirischen Sozialforschung Anwendung fand, um Abhängigkeiten zwischen Daten aufgrund ihrer Hierarchisierung bzw. Gruppierung zu modellieren. Daten enthalten hierarchische Abhängigkeiten, sobald sie clusterweise erhoben werden, was sehr häufig der Fall ist. Aufgrund ihrer Überlegenheit gegenüber den herkömmlichen Verfahren – die unabhängige Daten voraussetzen und damit nicht in der Lage sind, Abhängigkeiten zwischen Daten zu berücksichtigen, was zu verzerrten Ergebnissen führt – sollten Mehrebenenanalysen in allen Bereichen eingesetzte werden, in denen Daten in unterschiedlichen Gruppen an unterschiedlichen Orten zu unterschiedlichen Zeiten erhoben werden. Dies ist der Regelfall in der empirischen Sozialforschung, der Marktforschung und der klinischen Forschung.

Die meisten Daten sind hierarchisch strukturiert, d.h. man kann sie Gruppen oder Clustern zuordnen, z.B. Kinder zu Familien, Personen zu Wohnorten, Patienten zu Kliniken, Käufer zu Marktsegmenten etc. Wenn eine Untersuchung Probanden zu unterschiedlichen Zeitpunkten an verschiedenen Orten zieht, wie beispielsweise die Passanten zu verschiedenen Uhrzeiten in einer Einkaufspassage, die Mitarbeiter in verschiedenen Abteilungen eines Unternehmens oder die Patienten in verschiedenen Kliniken, dann sind die Daten innerhalb einer Erhebungsstichprobe untereinander abhängig. Dies trifft auch zu, wenn gleichartige Messwerte von ein und derselben Person erhoben werden wie beispielsweise die Bewertungen von verschiedenen Produkten oder die medizinischen Ergebnisse von Patienten über einen längeren Zeitraum. Kann ein untersuchtes Individuum einer Gruppe zugeordnet werden, oder eine Gruppe von Messwerten einem Individuum, dann ist von einem wechselseitigen Einflussprozess zwischen Individuum und Gruppe bzw. Messwert und Individuum auszugehen.

Die Vernachlässigung von Gruppierungseffekten führt zu schweren Fehlinterpretationen von empirischen Ergebnissen bis hin zu gegenteiligen Aussagen (siehe Simpsons-Paradoxon). Mehrebenenanalysen berücksichtigen diese Gruppierungseffekte und erlauben verzerrungsfreie Ergebnisse und valide statistische Aussagen. Die Mehrebenenanalyse baut auf der multiplen Regressionsanalyse auf, daher wird im dreitägigen Basistraining die multiple Regression als Grundlage für die Mehrebenenanalyse im zweitägigen Aufbautraining behandelt.

Alle Bewertungen stammen ausschließlich von von Seminarteilnehmern von Dr. Haug Leuschner.
Die Bewertungen werden von einem unabhängigen Dienstleister gesammelt, geprüft und ausgewertet.

Zielgruppe

Anwender aus den Bereichen der Sozial- und Marktforschung und der psychologischen, pädagogischen, soziologischen und klinischen Forschung

Voraussetzungen

die Inhalte der Seminare Grundlagen der Statistik mit R, Multivariate Datenanalyse mit R und Praxiserfahrungen mit der statistischen Programmiersprache R und der grafischen Benutzeroberfläche RStudio.

Lernziele

Hierarchische Abhängigkeiten in den Daten erkennen und modellieren können, verschiedene Klassen von Mehrebenenmodellen unterscheiden und einsetzen können, Ergebnisse von Mehrebenenanalysen grafisch darstellen, erläutern und interpretieren können. Es wird Wert auf den Anwendungsbezug gelegt, die Praxisbeispiele und Übungsaufgaben erfolgen mit den Statistikprogrammen R und Mplus.

Weiterführendes Seminar

Nach erfolgreichem Abschluss des Seminars Regressions- und Mehrebenenanalysen mit R und Mplus können Sie an dem weiterführendem Seminar Strukturgleichungsmodelle teilzunehmen.

Regressions- und Mehrebenenanalysen mit R und Mplus

Inhouse-Training Mehrebenenanalysen mit R und Mplus (MLA)
Inhalte
  • Multilevel-Analysen mit Schwerpunkt auf Zwei-Ebenen-Modellen
  • Modelle ohne Level-2-Prädiktoren (Random-Intercept-Modelle)
  • Modelle mit Level-2-Prädiktoren (Random-Intercept-and-Slope-Modelle)
  • Berücksichtigung von Modelltermen:
    • Modelle mit kontinuierlichen Prädiktoren
    • Modelle mit kategorialen Prädiktoren
    • Modelle mit Moderator- und Interaktionstermen
    • Modelle mit nichtlinearen polynomialen Termen
    • Modelle mit Cross-Level-Interaktionen
  • Beurteilung der Modellgüte und Regressionsdiagnostik
Voraussetzungen
Seminartyp und Dauer
  • Inhouse-Seminar für 1-18 Teilnehmer an 3-5 Tagen
  • Täglich 9-17 Uhr mit vier Doppelstunden á 90 Minuten und drei Pausen
Termine
    Fordern Sie ein → Angebot mit Ihren Wunschterminen an!!