Multilevel-Modell
In diesem Beitrag
Was versteht man unter einem Multilevel-Modell?
Ein Multilevel-Modell (auch: hierarchisches lineares Modell oder Mixed-Effects-Modell) ist ein statistisches Verfahren, das Daten analysiert, die in einer verschachtelten oder hierarchischen Struktur vorliegen. Das bedeutet: Beobachtungen auf einer unteren Ebene (z. B. Schülerinnen und Schüler) sind in Einheiten einer höheren Ebene eingebettet (z. B. Schulklassen oder Schulen).
Im einfachsten Fall – dem sogenannten Zwei-Ebenen-Modell – lässt sich das Modell so beschreiben: Auf Ebene 1 wird für jede Person i in Gruppe j ein Outcome vorhergesagt. Der Achsenabschnitt und die Steigungskoeffizienten können dabei systematisch zwischen den Gruppen variieren und werden auf Ebene 2 durch Gruppenmerkmale erklärt.
Ebene-1-Gleichung (vereinfacht)
Ebene-2-Gleichung für den Achsenabschnitt
Hier steht für das Outcome der Person i in Gruppe j, für den gruppenspezifischen Achsenabschnitt, für den Gesamtmittelwert, für den zufälligen Gruppeneffekt und für den individuellen Fehlerterm.
Warum ist das Multilevel-Modell für statistische Analysen wichtig?
Viele Datensätze in den Sozial-, Bildungs-, Gesundheits- und Verhaltenswissenschaften haben von Natur aus eine hierarchische Struktur. Patienten liegen in Kliniken, Mitarbeitende in Abteilungen, Messzeitpunkte in Personen (bei Längsschnittdaten). Wenn man solche Daten mit einer einfachen Regression auswertet, verstößt man gegen eine zentrale Annahme: die Unabhängigkeit der Beobachtungen.
Die Konsequenzen können gravierend sein:
- Standardfehler werden unterschätzt
- p-Werte fallen zu klein aus
- Die Wahrscheinlichkeit für falsch-positive Ergebnisse (Typ-I-Fehler) steigt
Das Multilevel-Modell löst dieses Problem, indem es die Varianz auf den verschiedenen Ebenen getrennt modelliert. Gleichzeitig erlaubt es zu untersuchen, ob Effekte von Prädiktoren auf unterer Ebene durch Merkmale der oberen Ebene moderiert werden – sogenannte Cross-Level-Interaktionen.
Praxisbeispiel zu Multilevel-Modell
Eine Bildungsforscherin möchte untersuchen, ob die Lesekompetenz von Grundschulkindern durch die wöchentliche Lesezeit zu Hause vorhergesagt werden kann. Ihre Stichprobe umfasst 500 Schülerinnen und Schüler aus 25 Schulen.
Zunächst berechnet sie ein sogenanntes Nullmodell (ohne Prädiktoren), um den ICC zu bestimmen:
| Ebene | Varianzkomponente | Anteil an Gesamtvarianz |
|---|---|---|
| Ebene 2 (Schule) | 18,5 | 22 % |
| Ebene 1 (Schüler) | 65,2 | 78 % |
| ICC | — | 0,22 |
Ein ICC von 0,22 zeigt: 22 % der Variation in der Lesekompetenz liegt zwischen den Schulen – ein klares Zeichen, dass ein Multilevel-Modell notwendig ist. Im nächsten Schritt fügt die Forscherin die individuelle Lesezeit als Prädiktor auf Ebene 1 ein und prüft auf Ebene 2, ob die Schulressourcen (z. B. Bibliotheksausstattung) den Zusammenhang zwischen Lesezeit und Lesekompetenz moderieren – eine Cross-Level-Interaktion. Das Multilevel-Modell liefert so ein differenziertes Bild, das eine einfache Regression nicht bieten könnte.
