Sağlam Hiyerarşik Doğrusal Model
Robust Hierarchical Linear Model · Ayrıca şöyle bilinir: robust HLM, robust multilevel model, robust mixed-effects linear model, robust nested regression
Sağlam Hiyerarşik Doğrusal Model (Sağlam HLM), standart HLM'yi, dağılımsal varsayımların ihlallerine karşı standart hatalarını değiştirerek veya koruyarak — başlıca normal olmayan artıklar, değişen varyans ve etkili kümeler — genişletir. Kümelenmiş, iki seviyeli (veya daha yüksek) yapıyı korurken, gerçek dünya veri koşulları altında daha güvenilir çıkarımlar üretir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Veriler kümelenmişse (okullardaki öğrenciler, hastanelerdeki hastalar, denekler içindeki zaman içindeki gözlemler) ve normal olmayan Seviye-1 artıkları, küme içi değişen varyanslar veya az sayıda etkili küme olduğundan şüpheleniyorsanız Sağlam HLM'yi kullanın. Çok seviyeli yapıya ihtiyacınız olduğunda ancak standart REML standart hatalarının doğru olduğundan emin olamadığınızda tercih edilen seçenektir. Sorunu teşhis etmek için bir ikame olarak KULLANMAYIN: Seviye-1 artıkları ciddi şekilde çarpıksa veya sonuç sürekli değilse, sağlam genelleştirilmiş doğrusal karma model veya dönüştürülmüş bir sonuç düşünün. Çok az küme (20-30'dan az) ile, sağlam standart hataların kendileri güvenilmez olabilir.
Güçlü yönler & sınırlılıklar
- Model yapısını değiştirmeden normal olmayan veya değişen varyanslı Seviye-1 hataları altında geçerli çıkarım.
- Etkili kümeler veya aykırı gruplar karşısında sabit etki standart hatalarını korur.
- Standart HLM yazılımlarıyla uyumludur — sağlam SE'ler genellikle bir tahmin sonrası seçeneğidir (örneğin, Stata'da küme-sağlamı, R paketi lme4 + sandviç).
- İki seviyeli yapının ve sabit etki katsayılarının yorumlanabilirliğini korur.
- Artık dağılımının hafif yanlış belirtilmesi altında asimptotik olarak tutarlıdır.
- Sağlam standart hatalar, güvenilir olmaları için yeterli sayıda küme (genellikle 20-30+) gerektirir; az sayıda küme ile anti-tutarlı olabilirler.
- Tahmin noktaları (sabit etkiler, varyans bileşenleri) hala REML/ML'ye dayanır ve rassal etkilerin dağılımsal formu ciddi şekilde yanlış belirtilmişse yanlı olabilir.
- M-tahmini de küme-arası kısma uygulanmadıkça Seviye 2'deki (küme-düzeyindeki aykırı değerler) aykırı değerleri işlemez.
- Yazılım uygulaması değişiklik gösterir; tüm paketler aynı sağlamlık türünü sunmaz, bu da platformlar arası tekrarlanabilirliği zorlaştırır.
SSS
Sağlam HLM katsayı tahminlerini değiştirir mi?
Hayır. Sağlam (sandviç) standart hatalar, REML veya ML'den elde edilen sabit etki nokta tahminlerini ve varyans bileşeni tahminlerini değiştirmez. Yalnızca standart hatalar — ve dolayısıyla güven aralıkları ve p-değerleri — düzeltilir.
Sağlam standart hataların güvenilir olması için kaç kümeye ihtiyacım var?
Genel kılavuz en az 20-30 kümedir. Daha az küme ile, sandviç standart hataları anti-tutarlı (çok küçük) olabilir ve bu da Tip I hatanın artmasına neden olur. Bootstrap tabanlı sağlam SE'ler (wild cluster bootstrap), küçük küme durumlarında daha iyi performans gösterir.
Sağlam HLM ile standart Sağlam regresyon arasındaki fark nedir?
Standart sağlam regresyon (M-tahmini), aykırı gözlemleri azaltmak için tahmin hedefini değiştirir ve tahminleri değiştirir. Sağlam HLM tipik olarak REML tahminlerini koruyan ancak standart hataları düzelten sandviç düzeltmeleri kullanır. Farklı yönleri ele alırlar: tahminler üzerindeki etkiye karşı çıkarımların geçerliliği.
Sonucum ikili veya bir sayım ise Sağlam HLM kullanabilir miyim?
Açıklanan Sağlam HLM, sürekli sonuçlar için geçerlidir. Kümeler içine kümelenmiş ikili veya sayım sonuçları için, sağlam genelleştirilmiş doğrusal karma model (örneğin, sağlam standart hatalı karma etkili lojistik veya Poisson regresyonu) kullanın.
Bunu R veya Stata'da nasıl uygularım?
R'de, modeli lme4::lmer() ile kurun, ardından clubSandwich veya lmtest+sandwich paketleri aracılığıyla küme-sağlam standart hataları elde edin. Stata'da, vce(robust) veya vce(cluster) seçeneğiyle mixed komutunu kullanın. Her iki yaklaşım da Huber-White sandviç tahmin edicisini çok seviyeli ortama uygular.
Kaynaklar
- 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
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Robust Hierarchical Linear Model. ScholarGate. https://scholargate.app/tr/statistics/robust-hierarchical-linear-model
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Hiyerarşik Doğrusal Model (HDM)İstatistik↔ karşılaştır
- Karma Etkiler Modeliİstatistik↔ karşılaştır
- Çok Düzeyli ModellemeAraştırma istatistiği↔ karşılaştır
- Sağlam Çoklu Doğrusal Regresyonİstatistik↔ karşılaştır
- Sağlam Regresyonİstatistik↔ karşılaştır