Flernivåanalyse

Flernivåanalyse, ofte kalt multilevel analyse, er en samling statistiske metoder for å analysere data som har en hierarkisk eller nestet struktur. Observasjoner innenfor samme enhet er ikke uavhengige, fordi tiltak på et lavere nivå ofte påvirkes av kontekst på et høyere nivå. Dette gjør at tradisjonelle analysemetoder kan gi feilestimat, og flernivåanalyse gir bedre estimater ved å modellere avhengigheter mellom nivåene.

Data i en flernivåanalyse er organisert i nivåer. For eksempel kan nivå 1 være individer eller målinger, nivå 2 grupper som klasser eller klinikker, og nivå 3 større enheter som skoler eller regioner. Modellen inkluderer faste effekter (prediktorer på hvert nivå) og tilfeldige effekter som fanger varians mellom enheter på ulike nivåer, for eksempel random intercepts og random slopes.

Hovedtyper av modeller inkluderer lineære blandede effekter-modeller for kontinuerlige utfall og generelle lineære blandede modeller for ikke-normal fordelte utfall (for eksempel binære eller telleutfall). Estimering skjer ofte med maks sannsynlighet (ML) eller trappertekje (REML); Bayesianske tilnærminger brukes også i noen tilfeller. Modellvalg inkluderer vurdering av antall nivåer, hvilke effekter som skal være tilfeldige, og kryssnivåinteraksjoner.

Tilgjengelige tolkninger fokuserer på varianskomponenter, intraklassenkorrelasjon og hvordan effekter på lavere nivåer kan påvirke utfall på høyere nivåer. Flernivåanalyse brukes i utdanning, psykologi, helse og samfunnsvitenskap for å forstå hvordan kontekst og grupper påvirker individuelle utfall, og støtter mer presis prediksjon og politikktiltak. Vanlige programvarer inkluderer R (lme4, nlme), Stata, SAS PROC MIXED, Mplus og HLM.