Hiyerarşik Doğrusal Modelleme (HLM / Çok Düzeyli Modelleme)
Hierarchical Linear Modeling (HLM / Multilevel Modeling) · Ayrıca şöyle bilinir: HLM, MLM, multilevel modeling, multilevel analysis, mixed-effects modeling, Hiyerarşik Doğrusal Modelleme (HLM / MLM)
Çok Düzeyli Modelleme (MLM) olarak da bilinen Hiyerarşik Doğrusal Modelleme (HLM), iç içe geçmiş veya kümelenmiş verileri (örneğin, sınıflardaki öğrenciler, hastanelerdeki hastalar veya kuruluşlardaki çalışanlar) analiz etmek için kullanılan parametrik bir istatistiksel yöntemdir. Raudenbush ve Bryk tarafından 2002'deki çığır açan metinlerinde (1980'lerin ortalarından itibaren yapılan çalışmalara dayanarak) formüle edilen HLM, bireysel düzey ve grup düzeyindeki etkileri eş zamanlı olarak tahmin ederken, varyansı düzeyler arasında doğru bir şekilde bölüştürür.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Verileriniz iç içe geçmiş bir yapıya sahip olduğunda ve sınıf içi korelasyon önemsiz olmadığında (ICC > 0.05) HLM kullanın. Yaygın senaryolar arasında eğitim araştırmaları (okullardaki öğrenciler), klinik çalışmalar (kliniklerdeki veya servislerdeki hastalar), boylamsal tasarımlar (bireyler içinde iç içe geçmiş tekrarlanan ölçümler) ve örgütsel çalışmalar (ekiplerdeki veya şirketlerdeki çalışanlar) bulunur. Geçerli olması gereken varsayımlar: hiyerarşik yapı mevcuttur ve en az iki düzeye sahiptir; gruplar yeterli sayıda gözlem içerir (tercihen grup başına ≥ 5); rastgele etkiler yaklaşık olarak normal dağılımlıdır; ve Düzey-1 artıkları rastgele etkilere koşullu olarak bağımsızdır. ICC sıfıra yakınsa, küme-sağlam standart hatalara sahip sıradan regresyon yeterli olabilir.
Güçlü yönler & sınırlılıklar
- Gruplar içindeki gözlemlerin bağımsız olmamasını doğru bir şekilde ele alır, şişirilmiş Tip I hata oranlarını önler.
- Çoklu düzeylerdeki etkileri eş zamanlı olarak tahmin eder, düzeyler arası etkileşim testine olanak tanır.
- Dengesiz grup boyutlarını ve eksik verileri, tekrarlanan ölçümler ANOVA'sından daha zarif bir şekilde barındırır.
- Varyansı açıkça bölüştürür, grup etkisinin anlamlı bir indeksi olarak ICC'yi sağlar.
- Kararlı rastgele etki tahminleri için yeterli sayıda grup (ideal olarak ≥ 20–30) gerektirir.
- Model spesifikasyonu karmaşıktır: sabit ve rastgele etkiler hakkındaki yanlış seçimler yanıltıcı olabilir.
- OLS'den daha fazla hesaplama gerektirir; karmaşık rastgele yapılarla yakınsama sorunları ortaya çıkabilir.
- Düzeyler arası etkileşimlerin yorumlanması dikkat ve güçlü teorik temellendirme gerektirir.
SSS
Sıradan regresyon yerine HLM'ye ihtiyacım olup olmadığını nasıl anlarım?
Önce boş (sadece kesişim noktası) modeli tahmin ederek ve ICC'yi hesaplayarak başlayın. 0.05'in üzerindeki bir ICC, varyansın %5'inden fazlasının gruplar arasında olduğunu gösterir, bu da OLS'nin bağımsızlık varsayımını ihlal eder ve HLM'yi haklı çıkarır. Grup boyutları büyük olduğunda daha düşük ICC'ler bile önemli olabilir, çünkü tasarım etkisi (1 + (n̄−1)×ICC) standart hataları hala şişirir.
Kaç gruba ihtiyacım var?
Düzey-2 birimlerinin (grupların) sayısı, rastgele etki tahminlerinin kesinliğini belirler. Güvenilir varyans bileşeni tahmini için yaygın olarak belirtilen minimum 20-30 gruptur, ancak gereken sayı grup boyutuna ve model karmaşıklığına bağlıdır. Çok az grupla (< 10), rastgele etki tahminleri kararsızdır ve Bayes veya sabit etkiler alternatifleri düşünülmelidir.
Rastgele kesişim noktası ve rastgele eğim modeli arasındaki fark nedir?
Rastgele kesişim noktası modeli, her grubun sonucun temel düzeyinin farklı olmasına izin verirken, yordayıcılar ve sonuç arasındaki ilişkiyi gruplar arasında aynı tutar. Rastgele eğim modeli, ek olarak, bu ilişkinin gücünün (eğimin) gruba göre değişmesine izin verir. Rastgele eğim modelleri daha zengindir ancak daha fazla veri gerektirir ve tahmin edilmesi daha zordur; bunları eklemek, ancak teori veya keşifsel analiz etkinin gruplar arasında gerçekten değiştiğini öne sürdüğünde haklı çıkar.
Maksimum olabilirlik (ML) mi yoksa kısıtlı maksimum olabilirlik (REML) mi kullanmalıyım?
Birincil amaç rastgele etki varyanslarını tahmin etmek olduğunda REML kullanın — daha az yanlı varyans bileşenleri üretir. Sabit etkileri farklı olan modelleri olabilirlik oranı testi aracılığıyla karşılaştırırken tam ML kullanın, çünkü REML olabilirlikleri farklı sabit kısımlara sahip modeller arasında karşılaştırılamaz. Çoğu yazılım, nihai tahmin için varsayılan olarak REML kullanır.
Kaynaklar
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Hierarchical Linear Modeling (HLM / Multilevel Modeling). ScholarGate. https://scholargate.app/tr/statistics/hlm
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Karma Etkiler Modeliİstatistik↔ karşılaştır
- Tek yönlü Varyans Analiziİstatistik↔ karşılaştır
- Tekrarlanan ölçümler ANOVAİstatistik↔ karşılaştır
- Yapısal Eşitlik Modellemesi (YEM)İstatistik↔ karşılaştır