Är mina data nästlade (nested) i grupper? (flernivåmodell)

Kort sagt

Personerna tillhör grupper: barn till klasser, studenter till seminarier, flera mätningar till en person. Personer i samma grupp liknar ofta varandra mer; vanliga test förutsätter oberoende värden och blir då för optimistiska. Flernivåmodellen (blandad modell) tar hänsyn till grupperna. Statable beräknar den med R (lme4, lmerTest). R laddas en gång första gången (ca 40 MB), därefter tar det ungefär en sekund; data stannar på enheten.

Välj måttet (ett tal).
Välj kolumnen som anger gruppen (klass, seminarium, eller personen vid upprepade mätningar).
Valfritt: egenskaper hos personerna som kan förklara skillnaderna.

Har måttet bara två värden (ja/nej) räknar Statable en blandad logitmodell: oddskvoter och en latent ICC; händelsen är det större värdet.

Under ”Skiljer sig grupper åt?” och ”Går det att förutsäga något?” påpekar Statable detta när det finns en kolumn som ”klass” eller ett ID med upprepningar, och öppnar sedan frågan färdigifylld. Det finns också under ”Fler metoder”.

Läsa resultatet

ICC (nollmodell): andelen av variationen som ligger mellan grupperna. Designeffekten visar hur mycket grupperingen skulle förvränga standardfelen i vanliga test.
Fixa effekter: b med 95 %-intervall, Satterthwaite-frihetsgrader och p; detta är effekten av en egenskap med hänsyn tagen till grupperna.
Slumpeffekter: varians mellan grupper (τ₀₀) och inom grupper (σ²). Marginellt R²: andelen som beror på de fixa effekterna; betingat R²: andelen som beror på fixa och slumpeffekter tillsammans.
Diagram: varje grupps avvikelse från det totala medelvärdet med 95 %-igt intervall, ordnat (caterpillar plot). Fyllda punkter: intervallet utesluter 0.

Förutsättningar och begränsningar

Flera grupper med flera fall vardera: mycket osäkert under 10 grupper, tillförlitligt från omkring 30 (tumregel).
Ett tal som mått, ungefär normala residualer, grupper som är oberoende av varandra. För ja/nej-utfall gäller i stället logitmodellen (se ovan).
Om R rapporterar en randlösning (singulär anpassning) eller utebliven konvergens gör Statable det till en mening; en enklare modell hjälper oftast.

Flernivåmodell: ICC (nollmodell) = ,16; SES: b = 2,61, 95 % KI [1,97; 3,25], t(688,8) = 8,01, p < ,001; R²m = ,17, R²c = ,22 (N = 720 i 40 grupper)

Typiska exempel

Elever i klasser: lästest per klass, med förtest som prediktor.
Patienter i vårdcentraler, anställda i företag, upprepade mätningar inom personer.

För specialister

lmerTest::lmer med REML (standard som i jamovi och JASP), Satterthwaite-frihetsgrader; paketet lmerTest levereras utan sina ritfunktioner (ggplot2), beräkningen är oförändrad. Slumpmässig intercept per grupp; en slumpmässig lutning (tal eller kolumn med två värden) och centrering kring totalt medelvärde (grand mean) finns under ”För specialister” i resultatet. R² enligt Nakagawa och Schielzeth (2013) med tillägget för lutningar enligt Johnson (2014), som performance::r2_nakagawa. Kontrollerat mot R på Mac: sleepstudy, MathAchieve (160 skolor), klassutdrag.