Multilevel Modeling
Multilevel-Modellierung (auch hierarchische lineare Modellierung, gemischte Effekte-Modellierung genannt) ist ein statistischer Rahmen zur Analyse von Daten, die in verschachtelten oder geclusterten Strukturen organisiert sind – Schüler innerhalb von Schulen, Patienten innerhalb von Krankenhäusern, wiederholte Messungen innerhalb von Individuen. Entwickelt von Bryk und Raudenbush (1992), berücksichtigt sie die Abhängigkeit zwischen Beobachtungen und teilt die Varianz in Ebenen (innerhalb des Clusters und zwischen den Clustern) auf, was gültige Schlussfolgerungen ermöglicht und Kontextwirkungen aufdeckt. Wesentlich in Bildung, Medizin, Organisationsforschung und jedem Feld, in dem Daten natürliche Hierarchien aufweisen.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
+31 more
Quellen
- Bryk, A. S., & Raudenbush, S. W. (1992). Hierarchical Linear Models: Applications and Data Analysis Methods. SAGE Publications. DOI: 10.2307/2075823 ↗
- Goldstein, H. (2011). Multilevel Statistical Models (4th ed.). Wiley-Blackwell. DOI: 10.1002/9780470973394 ↗
- Shrout, P. E., & Fleiss, J. L. (1979). Intraclass correlations: Uses in assessing rater reliability. Psychological Bulletin, 86(2), 420–428. DOI: 10.1037/0033-2909.86.2.420 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 4). Multilevel (Hierarchical) Linear Modeling. ScholarGate. https://scholargate.app/de/research-statistics/multilevel-modeling
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Varianzanalyse (ANOVA)Forschungsstatistik↔ compare
- Logistische RegressionForschungsstatistik↔ compare
- Strukturelle GleichungsmodellierungForschungsstatistik↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →