Hierarchische lineare Modellierung (HLM / Mehrebenenmodellierung)
Hierarchische lineare Modellierung (HLM), auch bekannt als Mehrebenenmodellierung (MLM), ist eine parametrische statistische Methode zur Analyse von verschachtelten oder geclusterten Daten – zum Beispiel Schüler in Klassen, Patienten in Krankenhäusern oder Mitarbeiter in Organisationen. Formalisiert von Raudenbush und Bryk in ihrem wegweisenden Werk von 2002 (aufbauend auf Arbeiten aus den mittleren 1980er Jahren), schätzt HLM gleichzeitig Effekte auf individueller und Gruppenebene, während die Varianz korrekt über die Ebenen aufgeteilt wird.
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.
Quellen
- Raudenbush, S.W. & Bryk, A.S. (2002). Hierarchical Linear Models: Applications and Data Analysis Methods (2nd ed.). Sage. ISBN: 978-0761919049
- Hox, J.J. (2010). Multilevel Analysis: Techniques and Applications (2nd ed.). Routledge. DOI: 10.4324/9780203852279 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 1). Hierarchical Linear Modeling (HLM / Multilevel Modeling). ScholarGate. https://scholargate.app/de/statistics/hlm
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.
- Mixed Effects ModelStatistik↔ compare
- Einfaktorielle VarianzanalyseStatistik↔ compare
- ANOVA mit wiederholten MessungenStatistik↔ compare
- Strukturelle Gleichungsmodellierung (SEM)Statistik↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →