Robuste Hierarchische Lineare Modelle
Robuste Hierarchische Lineare Modelle (Robust HLM) erweitern Standard-HLM, indem sie deren Standardfehler gegen Verletzungen von Verteilungsannahmen ersetzen oder absichern – hauptsächlich Nicht-Normalität der Residuen, Heteroskedastizität und einflussreiche Cluster. Sie behalten die verschachtelte Struktur auf zwei (oder mehr) Ebenen bei und liefern gleichzeitig vertrauenswürdigere Schlussfolgerungen unter realen Datenbedingungen.
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
- Maas, C. J. M., & Hox, J. J. (2004). Robustness issues in multilevel regression analysis. Statistica Neerlandica, 58(2), 127–137. DOI: 10.1046/j.0039-0402.2003.00252.x ↗
- Hox, J. J. (2010). Multilevel Analysis: Techniques and Applications (2nd ed.). Routledge. ISBN: 978-1848728462
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Robust Hierarchical Linear Model. ScholarGate. https://scholargate.app/de/statistics/robust-hierarchical-linear-model
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.
- Hierarchical Linear Model (HLM)Statistik↔ compare
- Mixed Effects ModelStatistik↔ compare
- Multilevel ModelingForschungsstatistik↔ compare
- Robuste multiple lineare RegressionStatistik↔ compare
- Robuste RegressionStatistik↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →