Hierarhiskā lineārā modelēšana (HLM / daudzlīmeņu modelēšana)
Hierarhiskā lineārā modelēšana (HLM), pazīstama arī kā daudzlīmeņu modelēšana (MLM), ir parametriska statistikas metode ligzdotu vai grupētu datu analīzei — piemēram, skolēni klasēs, pacienti slimnīcās vai darbinieki organizācijās. Formalizēta Raudenbush un Bryk 2002. gada pamattekstā (balstoties uz darbu no 20. gadsimta 80. gadu vidus), HLM vienlaikus novērtē individuālā līmeņa un grupas līmeņa efektus, pareizi sadalot dispersiju starp līmeņiem.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 1). Hierarchical Linear Modeling (HLM / Multilevel Modeling). ScholarGate. https://scholargate.app/lv/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.
- Jaukto efektu modelisStatistika↔ compare
- Vienvirziena dispersijas analīzeStatistika↔ compare
- ANOVA ar atkārtotiem mērījumiemStatistika↔ compare
- Strukturālā vienādojumu modelēšana (SEM)Statistika↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →