So sánh phương pháp
Xem các phương pháp đã chọn cạnh nhau; những hàng khác biệt được làm nổi bật.
| Mô hình Tuyến tính Phân cấp (HLM / Mô hình Đa cấp)× | Mô hình hiệu ứng hỗn hợp× | |
|---|---|---|
| Lĩnh vực | Thống kê | Thống kê |
| Họ≠ | Hypothesis test | Regression model |
| Năm ra đời≠ | 1986 | 1982 |
| Người khởi xướng≠ | Raudenbush & Bryk (popularized); Goldstein (parallel development) | Laird & Ware |
| Loại≠ | Parametric nested-data regression | Mixed effects regression |
| Công trình gốc≠ | Raudenbush, S.W. & Bryk, A.S. (2002). Hierarchical Linear Models: Applications and Data Analysis Methods (2nd ed.). Sage. ISBN: 978-0761919049 | Laird, N. M., & Ware, J. H. (1982). Random-effects models for longitudinal data. Biometrics, 38(4), 963–974. DOI ↗ |
| Tên gọi khác≠ | HLM, MLM, multilevel modeling, multilevel analysis | LME, LMM, mixed model, random effects model |
| Liên quan | 4 | 4 |
| Tóm tắt≠ | Hierarchical Linear Modeling (HLM), also known as Multilevel Modeling (MLM), is a parametric statistical method for analyzing nested or clustered data — for example students within classrooms, patients within hospitals, or employees within organizations. Formalized by Raudenbush and Bryk in their 2002 seminal text (building on work from the mid-1980s), HLM simultaneously estimates individual-level and group-level effects while correctly partitioning variance across levels. | A mixed effects model (or linear mixed model) extends ordinary regression by including both fixed effects — population-level parameters shared by all observations — and random effects that capture subject-, group-, or cluster-level variability. It is the standard tool for repeated-measures, longitudinal, and multilevel data where observations within the same unit are correlated. |
| ScholarGateBộ dữ liệu ↗ |
|
|