Mehrebenenmodell

Was versteht man unter Mehrebenenmodell?

Ein Mehrebenenmodell (auch: hierarchisches lineares Modell, Mixed-Effects-Modell oder Multilevel-Modell) ist ein statistisches Verfahren, das speziell für Daten entwickelt wurde, die eine geschachtelte oder hierarchische Struktur aufweisen. Das bedeutet: Beobachtungseinheiten auf einer unteren Ebene sind in Gruppen auf einer höheren Ebene eingebettet.

Ein klassisches Beispiel ist die Bildungsforschung: Schülerinnen und Schüler (Ebene 1) sind in Schulklassen (Ebene 2) eingebettet, die wiederum zu Schulen (Ebene 3) gehören können. Weil Personen innerhalb derselben Klasse ähnlichere Merkmale teilen als Personen aus unterschiedlichen Klassen, sind die Beobachtungen nicht unabhängig voneinander – eine Grundannahme klassischer Regressionsmodelle wäre damit verletzt.

Das Modell zerlegt die Gesamtvarianz einer abhängigen Variable in Anteile, die auf verschiedene Ebenen zurückzuführen sind. Ein zentrales Maß dafür ist der Intraklassen-Korrelationskoeffizient (ICC):

Dabei steht für die Varianz auf Gruppenebene (Ebene 2) und für die Varianz auf Individualebene (Ebene 1). Der ICC gibt an, welcher Anteil der Gesamtvarianz auf Unterschiede zwischen den Gruppen zurückzuführen ist.

Mehrebenenmodelle unterscheiden zwischen fixen Effekten (gelten für alle Gruppen gleich) und zufälligen Effekten (variieren zwischen den Gruppen). Dadurch können sowohl gruppenübergreifende Muster als auch gruppenspezifische Abweichungen modelliert werden.

Warum ist das Mehrebenenmodell für statistische Analysen wichtig?

Mehrebenenmodelle sind immer dann unverzichtbar, wenn Daten eine natürliche Gruppierungsstruktur besitzen. Das ist in der sozialwissenschaftlichen, medizinischen und psychologischen Forschung sehr häufig der Fall: Patientinnen und Patienten in Kliniken, Mitarbeitende in Unternehmen, Kinder in Familien oder Messpunkte in Längsschnittstudien innerhalb von Personen.

Wer diese Struktur ignoriert und stattdessen ein gewöhnliches Regressionsmodell anwendet, riskiert mehrere schwerwiegende Probleme:

• Unterschätzung der Standardfehler: Scheinbar präzise Schätzungen vortäuschen, die in Wirklichkeit viel unsicherer sind.
• Aufgeblähte Teststärke: Zu viele falsch-positive Befunde, weil statistische Tests zu liberal werden.
• Ökologischer Fehlschluss: Effekte, die auf Gruppenebene beobachtet werden, werden fälschlicherweise auf die Individualebene übertragen – oder umgekehrt.

Mehrebenenmodelle erlauben darüber hinaus, Kreuzebenen-Interaktionen zu untersuchen: Zum Beispiel, ob der Effekt einer individuellen Eigenschaft (Ebene 1) davon abhängt, in welchem Gruppenkontext (Ebene 2) eine Person sich befindet. Das eröffnet tiefergehende Einblicke, die mit klassischen Methoden nicht möglich wären.

Praxisbeispiel zu Mehrebenenmodell

Eine Forscherin untersucht, ob ein neues Lernprogramm die Leseleistung von Grundschulkindern verbessert. Dazu werden 300 Kinder aus 15 verschiedenen Schulklassen getestet. Jede Klasse hat entweder das neue Programm erhalten oder nicht (Kontrollbedingung).

Zunächst berechnet sie den ICC, um zu prüfen, wie stark die Kinder innerhalb einer Klasse einander ähneln. Der Wert beträgt 0,18 – das bedeutet: 18 % der Varianz in der Leseleistung ist auf Unterschiede zwischen den Klassen zurückzuführen. Das ist ein deutliches Signal, dass eine Mehrebenenanalyse notwendig ist.

Im Mehrebenenmodell schätzt die Forscherin nun sowohl den fixen Effekt des Lernprogramms (wirkt es im Durchschnitt über alle Klassen?) als auch zufällige Effekte (variiert der Programmeffekt zwischen den Klassen?). Das Ergebnis zeigt: Das Programm verbessert die Leseleistung im Durchschnitt signifikant – und dieser Effekt ist in größeren Klassen etwas schwächer ausgeprägt. Diese Kreuzebenen-Interaktion wäre mit einer einfachen Regression nicht sichtbar geworden.