Institut fr Soziologie Professur fr empirische Sozialforschung Prof. Dr. Johannes Kopp pp Dr.

Daniel Lois

Einfhrung in die Mehrebenenanalyse

(und Anwendung in Mplus / SPSS)

Stand: Mrz 2010

Inhaltsverzeichnis
1. Mehrebenenanalyse: Grundlagen 2. Mehrebenenanalyse in Mplus 3. Mehrebenenanalyse in SPSS 4. Exkurs: Fixed oder Random? 5 Hinweise 5. 6. Literaturempfehlungen 3 26 54 64 74 76

Mehrebenenanalyse

Mehrebenenanalyse: Grundlagen
Eine Mehrebenenstruktur liegt vor, wenn Daten einer Analyseebene hierarchisch e a c sc in e einer e zweiten e te gesc geschachtelt ac te t s sind d Die nchste Folie zeigt hierzu drei Beispiele: Personen (Ebene 1) sind der bergeordneten Ebene Land oder Haushalt zugeordnet Auch Lngsschnitt- bzw. Paneldaten lassen sich als Mehrebenendaten auffassen; hier entspricht Ebene 1 den Messzeitpunkten und die bergeordnete Ebene 2 sind Personen, bei denen eine Variable mehrfach gemessen wird Die Beispiele beschrnken sich auf 2 Ebenen; grundstzlich sind jedoch auch komplexere Hierarchien mit 3 oder mehr Ebenen denkbar (z.B. Ebene 3 = Lnder, Ebene 2 = Haushalte, Ebene 1 = Personen)

Mehrebenenanalyse

Mehrebenenanalyse: Grundlagen
Beispiel 1: Personen (Ebene 1) gruppieren sich in Lndern (Ebene 2) Beispiel 2: Personen (Ebene 1) gruppieren sich in Haushalten (Ebene 2) Beispiel 3: Messzeitpunkte (Ebene 1) gruppieren sich in Personen (Ebene 2)
Land 1 Land 2

Person 1

Person 2

Person 3

Person 4

Haushalt 1

Haushalt 2

Person 1

Person 2

Person 3

Person 4

Person 1

Person 2

Zeitpunkt 1

Zeitpunkt 2

Zeitpunkt 1

Zeitpunkt 2

Mehrebenenanalyse

Mehrebenenanalyse: Grundlagen
Wenn hierarchische Daten vorliegen, sind die einzelnen Beobachtungen auf Ebene au be e 1 (z.B. ( Personenebene) e so e ebe e) nicht c tu unabhngig ab g g voneinander, o e a de , was as bei der Datenanalyse zu bercksichtigen ist Geschieht dies nicht, knnen Schtzungen von Zusammenhngen, V i Varianzen und d Signifikanzniveaus Si ifik i verflscht fl ht werden d Das folgende Skript beschftigt sich einfhrend mit Verfahren zur Analyse von Mehrebenendaten; behandelt werden das Prinzip und die praktische Umsetzung in den Programmen Mplus und SPSS Die Darstellung beschrnkt sich auf 2 Ebenen, eine metrische abhngige Variable und Querschnittdaten Erweiterungen (3 oder mehr Ebenen, Verfahren fr dichotome AV, MultiLevel-Panelanalyse) Level Panelanalyse) sind der genannten Literatur zu entnehmen

Mehrebenenanalyse

Mehrebenenanalyse: Grundlagen
Mehrebenenanalysen sind vor allem zum Zweck der Analyse von Individuen in Gruppen entwickelt worden Da z.B. Schler in Schulklassen geschachtelt sind, muss die Leistung eines Schlers als Funktion von Einflssen auf individueller Ebene (etwa kognitive Fhigkeiten) und auf Klassenebene (z (z.B. B Erfahrung des jeweiligen Lehrers) analysiert werden Merkmale auf Klassenebene sind fr alle Schler einer Klasse gleich, knnen sich aber zwischen Schulklassen unterscheiden Daneben kann von Interesse sein, ob die Beziehungen zwischen Variablen auf der Individualebene auf Gruppenebene variieren und ob diese Variabilitt durch Gruppenmerkmale erklrt werden kann

Mehrebenenanalyse

Mehrebenenanalyse: Grundlagen
Ein Beispiel: Es geht um den Zusammenhang zwischen sozialer Herkunft und Schulleistung fr einen Datensatz mit 40 Personen aus zwei Schulklassen Auf der folgenden Folie ist der positive Zusammenhang der beiden Variablen dargestellt; berechnet wurde eine einfache lineare Regression Auf der Regressionsgeraden sind der Gesamtmittelwert (5,27) und die Steigung der Geraden (b = 1,61) eingetragen Das einfache Regressionsmodell trifft die Wirklichkeit jedoch nicht bzw. fhrt zu falschen Schlussfolgerungen

Mehrebenenanalyse

Mehrebenenanalyse: Grundlagen

Quelle: Ditton (1998: 22)

Mehrebenenanalyse

Mehrebenenanalyse: Grundlagen
Es bleibt offen, ob bedeutsame Unterschiede zwischen den Schulklassen bestehen, wobei es hier mehrere Mglichkeiten gibt: Zum einen kann das Leistungsniveau in den beiden Klassen unterschiedlich sein Zum anderen kann auch der Zusammenhang zwischen sozialer Herkunft und Leistung in der einen Klasse strker oder schwcher sein als in der anderen Zu beiden Fragestellungen bietet die zuvor durchgefhrte Analyse mittels einer einzigen linearen Regression keine Informationen; es besteht vielmehr die Gefahr, Gefahr dass Unterschiede verdeckt geblieben sind

Mehrebenenanalyse

Mehrebenenanalyse: Grundlagen

Quelle: Ditton (1998: 24)

Mehrebenenanalyse

10

Mehrebenenanalyse: Grundlagen
Auf der vorangehenden Folie ist das Streudiagramm erneut dargestellt; diesmal sind jedoch getrennt fr beide Klassen zwei Regressionsgeraden eingezeichnet und es werden gravierende Unterschiede deutlich: Es ist zu erkennen, erkennen dass die Schler aus der zweiten Schulklasse deutlich hhere Schulleistungen erzielen (der Mittelwert in Klasse 2 betrgt 7,45 gegenber 3,10 in Klasse 1) Der zweite Unterschied besteht darin, dass der Zusammenhang zwischen sozialer Herkunft und Schulleistung in Klasse 2 viel strker ist (b = 2,80) als in Klasse 1 (b = 0,66) Eine einfache Methode, um die Unterschiede zwischen den Klassen aufzuzeigen, ist die Berechnung von zwei getrennten Regressionen

Mehrebenenanalyse

11

Mehrebenenanalyse: Grundlagen
Der Unterschied zwischen den Schulklassen uert sich dann a) in den unterschiedlichen Regressionskonstanten (intercepts) und b) in den unterschiedlichen Regressionsgewichten (slopes) Diese Vorgehensweise wird bei steigender Zahl von Level 2-Einheiten unpraktikabel (Verfahren zur Mehrebenenanalyse lsen dies eleganter), eleganter) sie soll hier aus didaktischen Grnden jedoch vorlufig gengen Wenn also Unterschiede zwischen den Klassen im Hinblick auf die Konstanten und die Regressionsgewichte bestehen stellt sich die Frage: wie knnen diese Unterschiede erklrt werden? Denkbar wre, wre dass die Leistungsunterschiede zwischen den Klassen durch unterschiedliche kognitive Fhigkeiten der Schler, also durch einen individuellen Faktor, erklrbar sind

Mehrebenenanalyse

12

Mehrebenenanalyse: Grundlagen
ber solche Erklrungen auf der Individualebene hinaus knnten aber auch Merkmale der Schulklassen selbst, z.B. des Lehrers oder des Unterrichts, fr die Unterschiede zwischen den Klassen verantwortlich sein Im Hinblick auf den unterschiedlichen Zusammenhang zwischen Herkunft und Leistung knnte es z.B. sein, dass durch Vorurteile der Lehrer Kinder aus oberen Schichten in der einen Klasse bevorzugt werden in der anderen dagegen weniger stark werden, Damit entsteht eine Fragestellung, die eine Mehrebenenanalyse erfordert: Gibt es ber den Effekt individueller Faktoren hinaus Bedingungen und Prozesse in den Schulklassen, die zu Unterschieden im Leistungsniveau oder zu einer greren Selektivitt beitragen?

Mehrebenenanalyse

13

Mehrebenenanalyse: Grundlagen
Das einfache Beispiel hat verdeutlicht: Analysen fr hierarchisch strukturierte Daten, welche die Mehrebenenstruktur der Daten ignorieren, sind unbefriedigend und knnen irrefhrend sein Zumindest mssen bei dieser Datenstruktur die folgenden beiden Fragen gestellt werden: Gibt es Differenzen in den Mittelwerten der Level 2-Einheiten (Regressionskonstanten)? Gibt es Differenzen in den Beziehungen zwischen den Variablen innerhalb der Level 2-Einheiten (Regressionssteigungen)? Verfahren zur Mehrebenenanalyse knnen diese Fragen beantworten; ihr Grundprinzip ist, dass Phnomene auf unterschiedlichen Analyseebenen y (Individual( und Aggregatebene) gg g )g gleichzeitig g untersucht werden

Mehrebenenanalyse

14

Mehrebenenanalyse: Grundlagen
Daten mit Mehrebenenstrukturen wurden lange Zeit mit suboptimalen Verfahren analysiert (dazu zhlt z.B. die Aggregation oder Disaggregation der Daten, um Analysen auf nur einer Ebene durchzufhren knnen) Seit den 1980er Jahren stehen leistungsfhige Verfahren zur Verfgung, Verfgung die fr hierarchisch strukturierte Datenstze angemessen sind Behandelt werden im Folgenden Mehrebenenmodelle mit Zufallskoeffizienten (multilevel random coefficient modeling, MRCM) Diese Verfahren kann man sich konzeptuell als eine Reihe geschachtelter Regressionsanalysen vorstellen vorstellen, in denen die Koeffizienten einer Analyseebene zur abhngigen Variablen auf der nchsten Analyseebene werden (deshalb wird oft auch von hierarchischen hierarchischen linearen Modellen Modellen (HLM) gesprochen)

Mehrebenenanalyse

15

Mehrebenenanalyse: Grundlagen
Im Rahmen der systems of equations-Notation werden diese Modelle durch separate Gleichungen fr jede Analyseebene beschrieben (so auch im Folgenden) Die einfachsten Analysen, die als Nullmodell bezeichnet werden, modellieren nur den Mittelwert auf jeder Ebene (siehe Tabelle nchste Folie, Modell 1) In diesem Modell wird die kontinuierliche Variable Y fr i Individuen in j Gruppen gemessen Die Regressionskonstante (intercept) 0j gibt den Mittelwert von Y fr jede Gruppe j an Die Variable Y wird auf Ebene 1 als Funktion der Regressionskonstante fr j jede Gruppe pp (0j) und des Fehlers rij modelliert; die Varianz von rij entspricht der Varianz der abhngigen Variablen auf Ebene 1

Mehrebenenanalyse

16

Mehrebenenanalyse: Grundlagen

Klasse Unkonditioniert ( Nullmodell) (Nullmodell )

Nr Nr. Level 1: 1

Gleichungen

Anmerkung
Wird benutzt, um ICC zu berechnen

Yij = oj + rij Yijj = ojj + 1 jX ijj + rijj

1 j = 10

Level 2: 0 j = 00 + u 0 j Level 1: Level 2: 0 j = 00 + u 0 j

2 Random I t Intercept t

Level 1: 3 Level 2:

Yij = oj + rij

0 j = 00 + 01Wj + u 0 j

Fokus liegt auf Erklrung von Unterschieden zwischen Level 2Einheiten (z.B. Lnder)

Mehrebenenanalyse

17

Mehrebenenanalyse: Grundlagen
Die Regressionskonstante 0j wird in diesem Modell nur als Funktion des Gesamtmittelwertes (00) und des Fehlers (u0jj) modelliert; die Varianz von u0j ist die Varianz der abhngigen Variablen auf Ebene 2 Die Gesamtvarianz von Y entspricht der Summe der Varianzen auf Ebene 1 und 2; Nullmodelle geben also als erster Schritt in der Analyse Aufschluss darber, wie die Varianz auf die einzelnen Analyseebenen verteilt ist Das Hauptinteresse wird jedoch meist auf Modellen mit Prdiktoren liegen Die nchste Modellklasse wird unter dem Begriff Random Random Intercept Intercept zusammengefasst

Mehrebenenanalyse

18

Mehrebenenanalyse: Grundlagen
Ein solches Modell ist anzuwenden, wenn davon ausgegangen wird, dass es zwar Unterschiede im Y-Mittelwert zwischen den Level 2Einheiten gibt (die intercepts also variieren), der Effekt einer oder mehrerer Level 1-Variablen X sich aber nicht zwischen den Level 2Einheiten unterscheidet (siehe Folie 22) In Modell Nr. 2 ist eine Individualvariable X als Prdiktor enthalten, die Level 2-Modellierung entspricht hier dem unkonditionierten Modell Dieses Modell hnelt einer einfachen OLS-Regression, das Subscript j zeigt allerdings, dass je ein Level 1-Modell pro Level 2-Einheit geschtzt wird In Modell Nr. 3 wird eine Level 2-Variable W als Prdiktor verwendet; die Gleichung auf Level 1 entspricht dem Nullmodell

Mehrebenenanalyse

19

Mehrebenenanalyse: Grundlagen
In diesem Modell wird berprft, ob der mittlere Y-Wert einer Level 2Einheit mit dem Level 2-Prdiktor W zusammenhngt, indem die Signifikanz des 01-Koeffizienten getestet wird; erklrt werden sollen also Unterschiede zwischen Level 2-Einheiten Die Modelle Nr Nr. 3 und Nr Nr. 4 erhhen die Komplexitt weiter weiter, weil es nun einen Random Intercept und zustzlich einen Random Slope gibt Derartige slopes as outcome-Modelle sind anzuwenden, wenn man davon ausgeht, dass sich nicht nur Unterschiede im mittleren Y-Wert zwischen den Level 2-Einheiten ergeben, sondern dass zustzlich der Effekt eines Level 1-Prdiktors X zwischen den Level 2-Einheiten variiert (zur Verdeutlichung siehe auch das Diagramm bernchste Folie)

Mehrebenenanalyse

20

Mehrebebenanalyse: Grundlagen

Typ

Nr Nr. Level 1: 3 Level 2:

Gleichungen

Anmerkung
Intercepts und Slopes varrieren zwischen Level 2-Einheiten, diese Variabilitt wird aber nicht durch L2Prdiktoren erklrt Level-1 Intercept und Slope werden als Funktion von Level 2 2Variablen modelliert

Yij = oj + 1 jX j + rij

Random Intercept + Random Slope 4

0 j = 00 + u 0 j 1 j = 10 + u ij
Yij = oj + 1 jX j + rij

Level 1: Level 2:

0 j = 00 + 01Wj + u 0 j 1 j = 10 + 11Wj + u1 j

Mehrebenenanalyse

21

Mehrebenenanalyse: Grundlagen

Quelle: Luke (2004: 12) Mehrebenenanalyse 22

Mehrebenenanalyse: Grundlagen
In den Modellen Nr. 3 und Nr. 4 wird fr jede der j Level 2-Einheiten ein Koeffizient 1jj (slope) geschtzt, der den Effekt von X auf Y in jeder Gruppe reprsentiert In Modell Nr. 3 wird der Mittelwert der Regressionssteigungen durch 10 reprsentiert; wenn dieser Koeffizient sich signifikant von Null unterscheidet, ist der mittlere Effekt von X auf Y signifikant Sowohl 0jj (intercept) als auch 1jj (slope) werden als Zufallseffekte modelliert; entsprechend ist beiden ein Zufallsfehlerterm (u0j, u1j) zugeordnet, der jeweils Auskunft ber ihre (Residual-)Varianz gibt In Modell Nr Nr. 4 wird nun versucht versucht, nicht nur die Unterschiede zwischen den Level 2-Einheiten bei den intercepts durch einen Level 2-Prdiktor W zu erklren, sondern auch die Unterschiede zwischen den slopes

Mehrebenenanalyse

23

Mehrebenenanalyse: Grundlagen
Dies bedeutet, dass Interaktionseffekte modelliert werden, nmlich Interaktionen von Prdiktoren auf der Individualebene und der Kontextebene (sog. cross-level interaction) Konkret gibt die Strke und Signifikanz des Effektes 11 darber Auskunft inwieweit der Effekt einer Level 1-Variablen X in Abhngigkeit Auskunft, der Level 2-Variablen W zwischen den Level 2-Einheiten variiert (siehe das Diagramm nchste Folie) Alle zuletzt dargestellten Modelle tragen zudem der Tatsache Rechnung, dass die Level 1-Einheiten, die zu derselben Level 2-Einheit gehren, statistisch nicht unabhngig voneinander (d.h.: sich hnlich) sind Mehrebenenanalysen fhren also im Gegensatz zu einfachen OLSRegressionen zu einer unverzerrten Schtzung der Standardfehler und Signifikanzniveaus in hierarchischen Datenstzen

Mehrebenenanalyse

24

Mehrebenenanalyse: Grundlagen

Mehrebenenanalyse

25

Mehrebenenanalyse in Mplus
Nach der formellen Einfhrung soll das Verfahren nun anhand eines emprischen Beispiels erlutert werden Die Datengrundlage bildet die 1999er-Welle des SOEP; hier stellen Personen Level 1 und Haushalte Level 2 dar, Personen sind also innerhalb von Haushalten gruppiert Die abhngige Variable ist die allgemeine Lebenszufriedenheit (1 = sehr niedrig bis 10 = sehr hoch) Folgende allgemeine soziodemografischen Variablen sind unabhngig: Level 1: Alter, Bildung (casmin), Geschlecht, Ost/West, Familienstand Level 2: Haushaltseinkommen (gewichtet), Wohnflche des Haushaltes in qm qm, Kinder 0 0-1 1 Jahre im Haushalt (ja/nein) (ja/nein), Anzahl der Kinder 2-4 Jahre im Haushalt

Mehrebenenanalyse

26

Mehrebenenanalyse in Mplus
Zur Durchfhrung von Mehrebenenanalysen stehen verschiedene Programmpakete zur Verfgung (spezialisierte Programme wie HLM und MLwiN sowie allgemeine Programme wie STATA, SAS, R, SPSS, Mplus); im Folgenden wird zunchst die Anwendung in Mplus erlutert Zum Import der Daten in Mplus (z.B. (z B aus SPSS) siehe die nchste Folie Zur Datenstruktur: Die Zeilen des Datensatzes stellen Personen dar, in einem Haushalt zusammen lebende Personen werden ber eine gemeinsame Haushaltsnummer identifiziert; alle Personen mit missings wurden entfernt Manche Mehrebenen-Programme Mehrebenen Programme (z (z.B. B HLM) erfordern erfordern, dass Level 11 Prdiktoren und Level 2-Prdiktoren in separaten Dateien gespeichert werden; dies ist in Mplus oder SPSS nicht notwendig

Mehrebenenanalyse

27

Mehrebenenanalyse in Mplus

Mehrebenenanalyse

28

Mehrebenenanalyse in Mplus
Der erste Analyseschritt ist die berprfung der Frage, ob die Anwendung eines Mehrebenenmodells berhaupt notwendig und angemessen ist Neben verschiedenen grafischen Analysemglichkeiten (siehe z.B. Luke 2004: 17ff), 17ff) die sich vor allem bei einer berschaubaren Anzahl von Level 2-Einheiten anbieten, besteht ein formeller Test in der Berechnung des sog. Intraklassenkorrelationskoeffizienten (ICC) Dieser gibt den Anteil der Level 2-Varianz an der Gesamtvarianz in der abhngigen Variablen wieder (u0 = Level 2-Varianz, r = Level 1Varianz):

u20 = 2 ( u 0 + r2 )

Mehrebenenanalyse

29

Mehrebenenanalyse in Mplus
Zur Berechnung des ICC in Mplus muss ein unkonditioniertes Modell (Nullmodell) geschtzt werden; die Syntax im entsprechenden Syntaxfile ist auf der nchsten Folie dargestellt Mit TYPE = TWOLEVEL wird festgelegt, dass eine Mehrebenenanalyse berechnet wird; mit CLUSTER CLUSTER = hhnr hhnr wird angegeben, angegeben dass die Level 2-Einheiten anhand der Haushaltsnummer (hhnr) zu indentifizieren sind In Mplus wird das Modell getrennt fr Ebene 1 (within, hier: Personen) und fr Ebene 2 (between, hier: Haushalte) spezifiziert Bei einem Nullmodell wird auf beiden Ebenen lediglich die abhngige Variable ( (zufried zufried) ) angegeben

Mehrebenenanalyse

30

Mehrebenenanalyse in Mplus

Mehrebenenanalyse

31

Mehrebenenanalyse in Mplus
Auf der nchsten Folie ist der Teil des Outputs dargestellt, der grundstzliche Informationen ber die Datenstruktur liefert Es gibt 7132 Level 2-Einheiten (Haushalte), die durchschnittliche Clustergre betrgt 1,884 Personen. Im Durchschnitt leben also knapp 2 Personen in einem Haushalt Der ICC betrgt fr diesen Datensatz 0,477, knapp 50% der Varianz der Lebenszufriedenheit geht also auf Unterschiede zwischen Haushalten zurck; der Rest entfllt auf Unterschiede zwischen Personen Wrde der ICC einen Wert nahe 0 annehmen, wre eine Mehrebenenanalyse nicht angemessen; in unserem Fall ist sie jedoch unbedingt erforderlich, da ein vergleichsweise groer Varianzanteil auf die Aggregatebene, d.h. die Haushaltebene, zurckgeht

Mehrebenenanalyse

32

Mehrebenenanalyse in Mplus

Mehrebenenanalyse

33

Mehrebenenanalyse in Mplus
Die nchste Folie zeigt die Ergebnisse des Nullmodells: Geschtzt wird nur ein fester Effekt Effekt, der Gesamtmittelwert der Lebenszufriedenheit (6,953); dies ist 00 in Modell Nr. 1 auf Folie 17 Auerdem werden die quadrierten Abweichungen der personenspezifischen Werte von diesem Gesamtmittelwert berechnet; dies ergibt in Summe die Level 1-Varianz zwischen Personen (1,673); dies ist rijj Parallel werden die quadrierten Abweichungen der Haushaltsmittelwerte vom Gesamtmittelwerte berechnet; dies ergibt die Level 2-Varianz zwischen Haushalten (1 (1,520); 520); dies ist u0j Der ICC berechnet sich dann als: 1,520 / (1,520 + 1,673) = 0,477

Mehrebenenanalyse

34

Mehrebenenanalyse in Mplus

Mehrebenenanalyse

35

Mehrebenenanalyse in Mplus
Der nchste Schritt besteht darin, Prdiktoren in das noch leere Modell aufzunehmen; wir beschrnken uns zunchst auf Merkmale der Individuen (X) auf Ebene 1 Im Mplus-Input werden dazu im Men Variable die Merkmale Geschlecht Alter Geschlecht, Alter, Bildung, Bildung Ost/West und Familienstand (mit der Referenz ledig) als within-Variablen definiert und auch unter Model im within-Teil angegeben Die Ergebnisse sind auf der bernchsten Folie dargestellt; ausgewiesen sind standardisierte Koeffizienten (Betas) Die Regressionskoeffizienten (1j in Modell Nr Nr. 2 auf Folie 17) zeigen folgende Effekte: ltere und geschiedene (im Vergleich zu ledigen) Personen sind signifikant unzufriedener, westdeutsche und hochgebildete Personen signifikant zufriedener

Mehrebenenanalyse

36

Mehrebenenanalyse in Mplus

Mehrebenenanalyse

37

Mehrebenenanalyse: Grundlagen

Mehrebenenanalyse

38

Mehrebenenanalyse in Mplus
Die Residualvarianz der Lebenszufriedenheit auf Ebene 1 (rij in Modell Nr. 2 auf Folie 17) betrgt 0,934 Da es sich um standardisierte Ergebnisse handelt, sind die Level 1- und Level 2-Varianz auf 1 normiert; das R auf Level 1 betrgt daher: 1-0,934 = 0,066; 0 066; 6,6% 6 6% der Unterschiede zwischen Personen werden also durch das Modell erklrt Die standardisierte Varianz auf Level 2 (u0jj) betrgt 1,0, da keine Erklrungsfaktoren auf Level 2 im Modell enthalten sind; Unterschiede zwischen Haushalten bleiben also unaufgeklrt

Mehrebenenanalyse

39

Mehrebenenanalyse in Mplus
Im nchsten Schritt werden nun auch Level 2-Prdiktoren (W) in das Modell eingefgt; hierbei handelt es sich um das Haushaltseinkommen, die Wohnflche des Haushaltes und die Anzahl der Kinder im Haushalt Diese Merkmale sind fr alle Mitglieder eines Haushaltes gleich, sie knnen sich aber zwischen den Haushalten unterscheiden Die Level 2-Prdiktoren (hhek2, wohn, k1, k2) werden im Men Variable als between-Variablen definiert und auch in der Modellspezifikation im between-Teil angegeben

Mehrebenenanalyse

40

Mehrebenenanalysein Mplus

Mehrebenenanalyse

41

Mehrebenenanalyse: Grundlagen

Mehrebenenanalyse

42

Mehrebenenanalyse in Mplus
Im Output sind nun auch fr die Level 2-Prdiktoren Regressionsgewichte angegeben; diese entsprechen 01 in Modell Nr. 3 auf Folie 17 Personen in Haushalten mit hohem Einkommen, mit groer Wohnflche und mit Kindern im Alter von 0-1 Jahren sind hiernach signifikant zufriedener Die standardisierte Residualvarianz auf Level 2 (u0j) betrgt nun 0,934; 6,6% der Unterschiede zwischen Haushalten werden also durch die Level 2-Prdiktoren erklrt Auch auf Level 1 ergeben sich Unterschiede, da vor allem der Bildungseffekt nicht mehr signifikant ist. ist Effekte von Level 1 1-Prdiktoren Prdiktoren lassen sich also durch Level 2-Prdiktoren erklren Der Intercept p ( (5,68) ) bezieht sich wie g gewohnt auf den Fall, dass alle Level 1- und Level 2-Prdiktoren den Wert 0 annehmen

Mehrebenenanalyse

43

Mehrebenenanalyse in Mplus
Nun wird die Komplexitt weiter gesteigert, in dem ein Modell mit Random Slope berechnet wird In diesem Modell wird zugelassen, dass der Effekt des Lebensalters auf die Zufriedenheit zwischen den Haushalten variiert (die Varianz der Slopes zwischen Haushalten wird also geschtzt) In der Mplus-Syntax ist bei Random Slopes unter Analysis TYPE = TWOLEVEL RANDOM anzugeben Der Random Slope wird im within-Teil mit der Befehlszeile s | zufried ON alter definiert, wobei s ein vom Benutzer frei whlbarer Name ist

Mehrebenenanalyse

44

Mehrebenenanalysein Mplus

Mehrebenenanalyse

45

Mehrebenenanalyse in Mplus
Der Output ist auf der nchsten Folie dargestellt; eingegangen wird im Folgenden nur auf die neuen Elemente Der mittlere Effekt des Alters auf die Zufriedenheit ber alle Personen und Haushalte hinweg (10 in Model Nr. 3 auf Folie 21) wird unter Means Means angegeben und betrgt b = -0,011 -0 011 Der Sinn des Modells besteht nun darin zu testen, ob dieser mittlere Alterseffekt berzufllig zwischen den Haushalten variiert, ob es also eine signifikante Varianz der Slopes gibt Dies ist der Fall: Die haushaltsspezifische Varianz des Slopes fr den Effekt des Alters auf die Zufriedenheit (uij in Modell Nr Nr. 3 auf Folie 21) ist hochsignifikant (t = 11,562)

Mehrebenenanalyse

46

Mehrebenenanalyse: Grundlagen

Mehrebenenanalyse

47

Mehrebenenanalyse in Mplus
Der nchste Schritt besteht nun darin, die Varianz der Slopes zu erklren. Von welchen Haushaltsmerkmalen hngt es also ab, dass der Effekt des Alters in bestimmten Haushalten strker oder schwcher ist? Es wird die Hypothese formuliert, dass die Strke des Zusammenhangs zwischen Alter und Lebenszufriedenheit davon abhngt abhngt, ber wie viel Einkommen der Haushalt insgesamt verfgt In Mplus wird dazu der ber Haushalte variierende Effekt des Alters auf Zufriedenheit (s) durch den Level 2-Prdiktor Haushaltseinkommen erklrt (s on hhek2); dies ist eine sog. cross-level-interaction

Mehrebenenanalyse

48

Mehrebenenanalyse in Mplus

Mehrebenenanalyse

49

Mehrebenenanalyse in Mplus
Der mittlere Effekt des Alters auf die Zufriedenheit ber alle Personen und Haushalte hinweg (01 in Model Nr. 4 auf Folie 21) wird nun unter Intercepts angegeben und betrgt b = -0,011 Dieser Effekt bezieht sich zudem auf den Fall, dass das Haushaltseinkommen den Wert 0 annimmt Da ein Haushaltseinkommen von 0 ein empirisch nicht vorkommender theoretischer Wert ist, wurde das Haushaltseinkommen um seinen Gesamtmittelwert zentriert (siehe Folie 50, der Befehl lautet CENTERING = GRANDMEAN (hhek2)) Der mittlere Effekt des Alters auf Zufriedenheit von b = -0,011 0 011 bezieht sich also zudem auf ein mittleres Haushaltseinkommen

Mehrebenenanalyse

50

Mehrebenenanalyse: Grundlagen

Mehrebenenanalyse

51

Mehrebenenanalyse in Mplus
Der Effekt des Alters wird ferner tatschlich tendenziell durch das Einkommen des Haushaltes moderiert, wie die cross-level-interaction (b = 0,002) zeigt (diese entspricht 11 in Model Nr. 4 auf Folie 21) Der ber alle Haushalte und bei mittlerem Einkommen negative Effekt des Alters wird also mit steigendem Haushaltseinkommen positiver; ein Level 2-Merkmal beeinflusst demnach tendenziell die Strke des Effektes eines Level 1-Merkmals Dennoch kann durch diese cross-level-interaction die Varianz der Slopes zwischen den Haushalten nicht sichtbar aufgeklrt werden: Die Residualvarianz des Random Slope (u1j in Modell Nr Nr. 4 auf Folie 21) bleibt hochsignifikant (t = 11,549)

Mehrebenenanalyse

52

Mehrebenenanalyse in SPSS
Im Folgenden wird anhand desselben Beispiels zur Lebenszufriedenheit kurz erlutert, wie Mehrebenenanalysen in SPSS durchgefhrt werden; behandelt werden wie zuvor ein Null-, Random Intercept- und RandomSlope-Modell Mehrebenenanalysen sind in SPSS seit Version 12 im Rahmen des MIXED-Moduls (gemischte Modelle) mglich Im Folgenden wird die fr SPSS-Verhltnisse recht bersichtliche Syntax vorgestellt; alternativ kann man die Modelle auch per Men unter Analysieren gemischte Modelle klicken Die folgende Folie zeigt, zeigt wie ein Nullmodell per Syntax angefordert wird

Mehrebenenanalyse

53

Mehrebenenanalyse in SPSS
MIXED zufried /RANDOM = INTERCEPT | SUBJECT(hhnr) /METHOD = ML /PRINT = G SOLUTION TESTCOV. EXECUTE.

Der bergreifende Befehl fr Mehrebenenmodelle lautet MIXED, gefolgt von der abhngigen Variablen, die in SPSS nur metrisch sein darf Mit der zweiten Befehlszeile wird festgelegt, dass der Mittelwert der Lebenszufriedenheit ber verschiedene Level 2-Einheiten (Haushalte) variieren soll (Random Intercept) Die dritte Befehlszeile fordert eine Maximum-Likelihood-Schtzung an In der vierten Befehlszeile werden bestimmte Elemente des Outputs angefordert, die fr die Berechnung des ICC bentigt werden

Mehrebenenanalyse

54

Mehrebenenanalyse in SPSS
Der auf der nchsten Folie dargestellte Output ist anders strukturiert als in Mplus, enthlt aber dieselben Elemente und Ergebnisse: Der Gesamtmittelwert der Lebenszufriedenheit (6,95) findet sich in der Tabelle feste Parameter Die Varianz zwischen Personen (1,671) und zwischen Haushalten (1,522) knnen der Tabelle Kovarianzparameter entnommen werden Der ICC nimmt entsprechend erneut den Wert 0 0,477 477 an

Mehrebenenanalyse

55

Mehrebenenanalyse in SPSS
Schtzungen fester Parameter a Standardf ehler ,018752 Freiheits grade 6674,602 Konfidenzintervall 95% Untergrenze Obergrenze 6,915870 6,989389

Parameter Konstanter Term

Schtzung 6,952630

T-Statistik 370,773

Signifikanz ,000

a. Abhngige Abh i V Variable: i bl L Lebenszufriedenh. b f i d h gegenwaertig. ti

Schtzungen Sc t u ge von o Kovarianzparametern o a a pa a ete Parameter Schtzung Std.-Fehler Residuum 1,671727 ,030000 Konstanter Term Varianz 1 522519 1,522519 ,046072 046072 [S a. bj kt PHHNR] Abhngige Variable: Lebenszufriedenh. gegenwaertig. Wald Z 55,724 33 046 33,046

Sig. ,000 ,000 000

Konfidenzintervall 95% Untergrenze Obergrenze 1,613950 1,731573 1 434845 1,434845 1 615550 1,615550

Intraklassenkorrelation (ICC): 1,522 / (1,671 + 1,522) = 0,477

Mehrebenenanalyse

56

Mehrebenenanalyse in SPSS
Auf der nchsten Folie wird per Syntax ein Random-Intercept-Modell mit Prdiktoren auf beiden Ebenen spezifiziert Nach dem Befehl MIXED zufried werden kategoriale Prdiktoren auf beiden Ebenen (in SPSS Faktoren genannt) nach dem Befehl BY aufgelistet whrend metrische Kovariaten nach dem Befehl WITH aufgelistet, WITH aufgefhrt werden Die fr die einzelnen Prdiktoren auf beiden Ebenen zu schtzenden Regressionskoeffizienten werden in der Befehlszeile /FIXED angefordert Auerdem wird wieder festgelegt, festgelegt dass die mittlere Lebenszufriedenheit zwischen Haushalten variieren soll (Zeile /RANDOM = INTERCEPT)

Mehrebenenanalyse

57

Mehrebenenanalyse in SPSS
MIXED zufried BY sex verheiratet geschieden verwitwet k1 ow WITH alter bild k2 hhek wohn /FIXED = sex verheiratet geschieden verwitwet k1 ow alter bildung k2 hhek wohn /RANDOM = INTERCEPT | SUBJECT(hhnr) /METHOD = ML /PRINT = G SOLUTION TESTCOV. EXECUTE.

Zur Wiederholung: Der Random Intercept ist kein fester, sondern ein zuflliger Effekt, weil eben nicht fr jeden Haushalt die mittlere Lebenszufriedenheit fixed (z.B. ber eine Dummy-Variable pro Haushalt) geschtzt wird; berechnet wird vielmehr nur die Varianz der Intercepts, d.h. die Abweichungen der Haushaltsmittelwerte vom Gesamtmittelwert

Mehrebenenanalyse

58

Mehrebenenanalyse in SPSS
Die in SPSS geschtzten Effekte der Level 1- und Level 2-Prdiktoren (nchste Folie) entsprechen in ihrer Richtung den Mplus-Ergebnissen (Folie 43) Die Abweichungen in der Hhe der Koeffizienten erklren sich dadurch, dass im Mplus-Output standardisierte Koeffizienten ausgewiesen wurden (Betas), im SPSS-Output dagegen unstandardisierte Koeffizienten; letztere stimmen exakt zwischen SPSS und Mplus berein Die Abweichungen in der t-Statistik zwischen den beiden Programmen erklren sich dadurch, dass Mplus als Standard eine robuste MLSchtzung verwendet, die fr eine schiefe Verteilung der Variablen korrigiert wird Wird in Mplus eine normale ML-Schtzung angefordert, sind auch die tWerte in beiden Programmen exakt identisch

Mehrebenenanalyse

59

Mehrebenenanalyse in SPSS
Schtzungen fester Parameter Standardf ehler ,196357 ,023944 0 ,045522 0 ,064023 0 ,085340 085340 0 ,100781 0 ,042431 042431 0 ,001324 ,006463 ,061218 ,001679 ,000488 Freiheits grade 10303,12 7745,809 . 12676,69 . 13259,17 . 12791 51 12791,51 . 6785,664 . 6915 763 6915,763 . 10658,35 12837,28 6813,737 7768,872 6487,211
b

Parameter Konstanter Term [sex=0] [sex=1] [verheiratet=,00] [verheiratet=1,00] [geschieden=,00] [geschieden=1,00] [ [verwitwet=,00] it t 00] [verwitwet=1,00] [k1=,00] [k1=1,00] [ow=,00] [ow 00] [ow=1,00] alter bild k2 hhek wohnqm

Schtzung 6,377651 -,037819 0a ,052058 0a ,566820 0a ,093584 093584 0a -,340744 0a - 416500 -,416500 0a -,008528 ,003777 ,001271 ,021623 ,002725

T-Statistik 32,480 -1,579 . 1,144 . 8,853 . 1 097 1,097 . -3,381 . -9 816 -9,816 . -6,442 ,584 ,021 12,882 5,585

Signifikanz ,000 ,114 . ,253 . ,000 . ,273 273 . ,001 . ,000 000 . ,000 ,559 ,983 ,000 ,000

Konfidenzintervall 95% Untergrenze Obergrenze 5,992753 6,762548 -,084756 ,009118 . . -,037171 ,141287 . . ,441327 ,692314 . . -,073695 073695 ,260864 260864 . . -,538307 -,143182 . . - 499677 -,499677 - 333323 -,333323 . . -,011123 -,005933 -,008892 ,016446 -,118736 ,121278 ,018333 ,024913 ,001769 ,003682

a. Dieser redundante Parameter wird auf null gesetzt. b. Abhngige g g Variable: Lebenszufriedenh. g gegenwaertig. g g

Mehrebenenanalyse

60

Mehrebenenanalyse in SPSS
Schtzungen von Kovarianzparameterna Parameter Schtzung Std.-Fehler Residuum 1,643688 ,029523 Konstanter Term Varianz 1 346182 1,346182 ,042927 042927 [S a. bj kt PHHNR] Abhngige Variable: Lebenszufriedenh. gegenwaertig. Wald Z 55,675 31 360 31,360 Sig. ,000 ,000 000 Konfidenzintervall 95% Untergrenze Obergrenze 1,586830 1,702582 1 264622 1,264622 1 433003 1,433003

Kovarianzstruktur mit zuflligen Effekten (G) Konstanter Term | PHHNR Konstanter Term | PHHNR 1,346182

Varianz-Komponenten a Abhngige a. Abh i V Variable: i bl L Lebenszufriedenh. b f i d h gegenwaertig. ti

Mehrebenenanalyse

61

Mehrebenenanalyse in SPSS
Abschlieend wird demonstriert, wie ein Random Slope-Modell mit cross-level-interaction in SPSS spezifiziert wird; die entsprechende Syntax ist auf der nchsten Folie dargestellt Das Ziel der Analyse besteht erneut in der berprfung der Frage, ob der Effekt des Alters auf die Zufriedenheit in Abhngigkeit vom Haushaltseinkommen variiert Daher wird nun zustzlich zum einen ein Interaktionseffekt zwischen Alter und Haushaltseinkommen unter /FIXED angefordert (alter*hhek) Zum anderen wird festgelegt, dass nicht nur der Intercept, sondern auch der Effekt des Alters auf Zufriedenheit zwischen Haushalten variiert (/RANDOM = alter | SUBJECT (hhnr))

Mehrebenenanalyse

62

Mehrebenenanalyse in SPSS
MIXED zufried BY sex k1 ow WITH alter bild k2 hhek wohn /FIXED = sex k1 ow alter bildung k2 hhek wohn alter*hhek /RANDOM = INTERCEPT | SUBJECT(hhnr) /RANDOM = alter | SUBJECT(hhnr) /METHOD = ML /PRINT = G SOLUTION TESTCOV. TESTCOV EXECUTE.

Die von SPSS fr dieses Modell geschtzten Regressionskoeffizienten (nicht dargestellt) stimmen exakt mit den MPlus-Ergebnissen (Folie 52) berein

Mehrebenenanalyse

63

Exkurs: Fixed oder Random?

In der Mehrebenenanalyse knnen sowohl Fixed-Effects (FE)- als auch Random-Effects(RE)- Modelle geschtzt werden; im Folgenden wird kurz diskutiert, wo die Unterschiede liegen und wann welche Variante verwendet werden sollte Gegeben ist als Beispiel eine Stichprobe von etwa 7 7.000 000 Frauen Frauen, die abhngige Variable ist das Haushaltsnettoeinkommen (bedarfsgewichtet) und die unabhngigen Variablen auf Level 1 sind das Bildungsniveau der Frau und ihre Autonomie beruflichen Handelns (Nichterwerbsttige = 0) Das Level 2 wird ber die Bundeslnder definiert, die 7000 Frauen sind also gruppiert in 16 Level 2-Einheiten

Mehrebenenanalyse

64

Exkurs: Fixed oder Random?

Zum einen kann man nun ein Fixed Effects-Modell spezifizieren, indem man fr jedes Bundesland bis auf eines (Referenz) eine DummyVariable in eine normale OLS-Regression aufnimmt Die Effekte dieser Dummy-Variablen sind die Fixed Effects Zum anderen kann wie weiter unten dargestellt wurde ein Random Effects-Modell spezifiziert werden, der Einfachheit halber zunchst ein Random Intercept-Modell Hier werden die Mittelwertunterschiede zwischen den einzelnen Bundeslndern wie beschrieben als eine zufllige Fehlerkomponente aufgefasst deren Varianz geschtzt wird (Random Effect) aufgefasst,

Mehrebenenanalyse

65

Exkurs: Fixed oder Random?

Wann sind nun Random Effects angemessen und wann sind ihnen Fixed Effects vorzuziehen? In der Literatur finden sich u.a. folgende Empfehlungen: Wenn es sich bei den Level 2-Einheiten um eine reale oder hypothetische Stichprobe aus einer Population handelt und man inferenzstatistisch etwas ber diese Population aussagen will, sind REModelle vorzuziehen Das FE-Modell erklrt, durch die Verwendung von Dummy-Variablen, alle Unterschiede zwischen den Level 2-Einheiten (hier: Bundeslnder) auf (es bleibt also keine Varianz zwischen den Gruppen brig) Dies bedeutet, dass im FE-Modell keine Level 2-Prdiktoren gleichzeitig mit den Level 2 Dummy-Variablen in das Modell aufgenommen werden knnen; zur Analyse der Effekte von Level 2 2-Prdiktoren Prdiktoren empfiehlt sich also ein RE-Modell

Mehrebenenanalyse

66

Exkurs: Fixed oder Random?

Im RE-Modell wird u.a. angenommen, dass die Level 1-Prdiktoren nicht mit den als zufllig definierten Level 2-Effekten korrelieren; dies hat vor allem Konsequenten fr die Anwendbarkeit von RE-Modellen bei Panelanalysen: RE-Modelle sind zwar grundstzlich auch zur Analyse von Paneldaten geeignet (das im entsprechenden Skript genannte Random EffectsModell ist ein Random Intercept-Modell) Die oben genannte Annahme (Unkorreliertheit von zuflligen Level 2Effekten und Level 1-Prdiktoren) fhrt jedoch dazu, dass RE-Modelle nicht fr Kausalanalysen eingesetzt werden sollten, da sie anfllig fr Selbstselektion sind (die grere Teststrke von RE-Modellen ist hier ein schwaches Argument). Fr Kausalanalysen mit Paneldaten sollten also FE-Modelle verwendet werden

Mehrebenenanalyse

67

Exkurs: Fixed oder Random?

Mehrebenenanalysen mit Zufallskoeffizienten (RE) wurden traditionell fr die Anwendung mit sehr groen Stichproben entwickelt; in der Literatur finden sich bestimmte Minimalanforderungen an die Zahl der Level 2Einheiten Nach neueren Simulationsstudien werden fr die Identifizierung von Kontexteffekten (Random Intercept) mindestens 30 Level 2-Einheiten und fr eine korrekte Schtzung der Standardfehler mindestens 50 Level 2 Einheiten bentigt (Netzlek et al. 2-Einheiten al 2006) Bei wenigen Level 2-Einheiten wird empfohlen, FE- anstelle von REModellen einzusetzen

Mehrebenenanalyse

68

Exkurs: Fixed oder Random?

Im Folgenden werden fr das genannte Beispiel verschiedene Schtzvarianten mit RE und FE prsentiert; auf der nchsten Folie sind insgesamt vier Modelle dargestellt Im ersten Modell (einer normalen OLS-Regression) wird die Mehrebenen-Struktur der Daten ignoriert, ignoriert da Niveauunterschiede im Haushaltseinkommen zwischen Bundeslndern gar nicht (weder mit FE oder RE) modelliert werden Allerdings ist die Mehrebenen-Struktur eher schwach ausgeprgt, da laut Intraklassen-Korrelation nur etwa 3% der Gesamtvarianz auf Unterschiede zwischen den Bundeslndern zurckgehen Bei den Level 1-Prdiktoren zeigen sich positive Effekte des Bildungsniveaus und der beruflichen Autonomie

Mehrebenenanalyse

69

Exkurs: Fixed oder Random?

StandardOLS Fixed Effects I t Intercept t Berufl. Autonomie Bildungsniveau Random Effects Intercept (BL) 1880 6 1880,6 200,1 (22,3) 50,3 (9,3) OLS mit BL-Dummys OLS mit BLDummys + robuste SE 1949 4 1949,4 189,8 (12,9) 70,9 (4,9) Random Intercept

b-Koeffizient (t-Wert) 1949 4 1949,4 189,8 (21,5) 70,9 (12,9) 1782 7 1782,7 190,3 (21,6) 69,9 (12,8)

Schtzer (z (z-Wert) Wert) 45184 (2,6)

AV = Haushaltsquivalenzeinkommen; N = 7209 Frauen

Mehrebenenanalyse

70

Exkurs: Fixed oder Random?

Im zweiten Modell werden zustzlich fr jedes Bundesland auer fr eins Dummy-Variablen (also FE) in das Modell aufgenommen (Effekte der Dummys sind nicht dargestellt) Dies bedeutet, dass nun die gesamte Lndervarianz, also Unterschiede im Haushaltseinkommen, Haushaltseinkommen die auf Unterschiede zwischen Bundeslndern zurckgehen, kontrolliert wird Die Effekte der Level 1-Prdiktoren verndern sich dahingehend, dass das Bildungsniveau nach Kontrolle von Level 2-Effekten an Bedeutsamkeit gewinnt, whrend der Netto- bzw. Individualeffekt der beruflichen Autonomie kleiner ist als der Effekt in Modell 1

Mehrebenenanalyse

71

Exkurs: Fixed oder Random?

Im dritten Modell werden zustzlich robuste Standardfehler berechnet mit denen die Clusterung von Personen in Bundeslndern bercksichtigt wird (verfgbar z.B. ber die cluster-Option in STATA) Whrend die Regressionskoeffizienten sich nicht verndern, ist eine deutliche Reduktion der t-Werte im Vergleich zu Modell 2 zu beobachten Dies deutet darauf hin, dass Personen, die in demselben Bundesland leben, sich berzufllig hnlich sind, was in Modell 2 offensichtlich zu einer Unterschtzung der Standardfehler fhrt Da 16 Level 2-Einheiten streng genommen zu wenig fr ein RE-Modell sind wre Modell 3 die fr diesen Fall empfehlenswerte (konservative) sind, Spezifikation

Mehrebenenanalyse

72

Exkurs: Fixed oder Random?

Im vierten Modell wird ein Modell mit Random Intercept berechnet, dessen Varianz (45184), trotz nur 16 Level 2-Einheiten, auf dem 1%Niveau signifikant ist Die Effekte der Level 1-Prdiktoren liegen im RE-Modell insgesamt deutlich nher am FE-Modell (3) als an der OLS-Regression ohne FE (Modell 1) Inwieweit es bei den Level 1-Prdiktoren zu greren Abweichungen zwischen der RE- und der FE-Spezifikation kommen kann, hngt auch davon ab, welcher Anteil der Gesamtvarianz auf die jeweiligen Ebenen entfllt (siehe Skript zur Panelanalyse) Das RE-Modell weist darber hinaus offensichtlich eine grere Teststrke auf als das FE-Modell (vgl. die greren t-Werte)

Mehrebenenanalyse

73

Hinweise
Mehrebenenanalysen sind ein komplexes Thema, das durch das vorliegende Skript nur angerissen werden kann. Es wird daher empfohlen, sich mit der am Ende angegebenen (einfhrenden) Literatur zu beschftigen Im Folgenden werden einige Hinweise zu Aspekten gegeben, gegeben die beim Literaturstudium besonders beachtenswert sein knnten: Ein wichtiges Thema in der Mehrebenenanalyse ist die Zentrierung der Prdiktoren um den Gruppen- oder Gesamtmittelwert. Dieser Aspekt muss beachtet werden, um Fehlinterpretationen der Effekte zu vermeiden (siehe z.B. Luke 2004: 48-53)

Mehrebenenanalyse

74

Hinweise
In normalen OLS-Regressionen wird R als Anteil aufgeklrter Varianz interpretiert; die bertragung dieser Interpretation auf Mehrebenenanalysen ist nicht unproblematisch, da hier die Aufnahme zustzlicher Prdiktoren sogar zu einer Reduzierung des R fr eine Ebene fhren kann. Es sind daher alternative Vorgehensweisen zur Beurteilung des Modell-Fits vorgeschlagen worden (siehe z.B. Luke 2004: 33-37) Mehrebenenanalysen sind nicht auf metrische abhngige Variable beschrnkt sondern knnen mit geeigneten Programmen wie z beschrnkt, z.B. B HLM HLM, STATA oder Mplus auch fr dichotome AV (und damit auch z.B. im Rahmen von Ereignisdatenanalysen) berechnet werden

Mehrebenenanalyse

75

Literaturempfehlungen
Einfhrungen / berblicksliteratur: Luke, D. A. (2004). Multilevel modeling. Sage University paper series in quantitative applications in the social sciences; 143. Thousand Oaks: Sage Ditton, H. (1998). Mehrebenenanalyse. Grundlagen und Anwendungen des Hierarchisch Linearen Modells. Weinheim: Juventa. Netzlek, J.B., Schrder Ab, M. & Schtz, A. (2006). Mehrebenenmodelle in der psychologischen Forschung. Vorteile und Mglichkeiten der Mehrebenenmodellierung mit Zufallskoeffizienten. Psychologische Rundschau, 57, 213-223. Weiterfhrende Literatur: Langer, W. (2004). Mehrebenenanalyse: Eine Einfhrung fr Forschung und Praxis. Wiesbaden: Verlag fr Sozialwissenschaften. Hox, J. (2002): Multilevel Analysis. Techniques and Applications. Mahwah, New Jersey: Lawrence Erlbaum. Engel, U. (1998). Einfhrung in die Mehrebenenanalyse. Grundlagen, Auswertungsverfahren und praktische Beispiele. Opladen: Westdeutscher Verlag. Bryk, A. S. & Raudenbush, S. W. (1992). Hierarchical linear models: Applications and data analysis methods. Newbury Park, CA: Sage. Snijders, T. & Bosker, R. (1999). Multilevel analysis. An introduction to basic and advanced multilevel modelling. London: Sage. Kreft, I. G. G. & de Leeuw, J. (1998). Introducing multilevel modeling. Newbury Park, CA: Sage.

Mehrebenenanalyse

76