¿Están mis datos anidados en grupos? (modelo multinivel)

En resumen

Las personas pertenecen a grupos: niños a clases, estudiantes a seminarios, varias mediciones a una persona. Las personas del mismo grupo suelen parecerse más; las pruebas habituales suponen valores independientes y resultan entonces demasiado optimistas. El modelo multinivel (modelo mixto) tiene en cuenta los grupos. Statable lo calcula con R (lme4, lmerTest). R se carga una vez la primera vez (unos 40 MB); después tarda alrededor de un segundo y los datos se quedan en el dispositivo.

1. Elige la medida (un número).
2. Elige la columna que nombra el grupo (clase, seminario o la persona, en el caso de medidas repetidas).
3. Opcional: características de las personas que podrían explicar las diferencias.

Si la medida solo tiene dos valores (sí/no), Statable calcula un modelo logit mixto: odds ratios y un ICC latente; el evento es el valor mayor.

En «¿Se diferencian los grupos?» y «¿Se puede predecir algo?», Statable lo señala cuando hay una columna como «clase» o un identificador con repeticiones, y abre entonces la pregunta ya rellenada. También está en «Más métodos».

Cómo leer el resultado

• ICC (modelo nulo): proporción de la variación que se sitúa entre los grupos. El efecto del diseño muestra cuánto distorsionaría la agrupación los errores típicos de las pruebas habituales.
• Efectos fijos: b con intervalo del 95 %, grados de libertad de Satterthwaite y p; es el efecto de una característica teniendo en cuenta los grupos.
• Efectos aleatorios: varianza entre grupos (τ₀₀) y dentro de ellos (σ²). R² marginal: parte debida a los efectos fijos; R² condicional: debida a los efectos fijos y aleatorios en conjunto.
• Gráfico: desviación de cada grupo respecto a la media global con intervalo del 95 %, ordenada (gráfico de oruga). Puntos rellenos: el intervalo excluye el 0.

Requisitos y límites

• Varios grupos con varios casos cada uno: muy incierto por debajo de 10 grupos, fiable a partir de unos 30 (regla general).
• Un número como medida, residuos aproximadamente normales, grupos independientes entre sí. Para resultados sí/no se aplica en su lugar el modelo logit (véase arriba).
• Si R informa de un ajuste singular o de que no hay convergencia, Statable lo convierte en una frase; normalmente ayuda un modelo más sencillo.

Modelo multinivel: ICC (modelo nulo) = ,16; SES: b = 2,61, IC del 95 % [1,97; 3,25], t(688,8) = 8,01, p < ,001; R²m = ,17, R²c = ,22 (N = 720 en 40 grupos)

Ejemplos típicos

• Alumnado en clases: prueba de lectura por clase, con el pretest como predictor.
• Pacientes en consultas, personal en empresas, mediciones repetidas dentro de las personas.

Para especialistas

lmerTest::lmer con REML (por defecto, como en jamovi y JASP), grados de libertad de Satterthwaite; el paquete lmerTest se entrega sin sus funciones de dibujo (ggplot2), el cálculo no cambia. Intercepto aleatorio por grupo; una pendiente aleatoria (número o columna con dos valores) y el centrado en la media global están en «Para especialistas», en el resultado. R² según Nakagawa y Schielzeth (2013), con la extensión para pendientes según Johnson (2014), como performance::r2_nakagawa. Comprobado con R en el Mac: sleepstudy, MathAchieve (160 centros), extracto de clases.