¿En qué condiciones se debe utilizar el análisis multinivel/jerárquico?

Question

¿En qué condiciones se debería considerar la posibilidad de utilizar el análisis multinivel/jerárquico frente a los análisis más básicos/tradicionales (por ejemplo, ANOVA, regresión OLS, etc.)? ¿Existen situaciones en las que esto podría considerarse obligatorio? ¿Hay situaciones en las que el uso del análisis multinivel/jerárquico sea inapropiado? Por último, ¿cuáles son algunos buenos recursos para que los principiantes aprendan el análisis multinivel/jerárquico?

Answer 1

En general, un análisis jerárquico bayesiano (HB) conducirá a estimaciones eficientes y estables a nivel individual, a menos que sus datos sean tales que los efectos a nivel individual sean completamente homogéneos (un escenario poco realista). La eficiencia y la estabilidad de las estimaciones de los parámetros de los modelos HB son muy importantes cuando los datos son escasos (por ejemplo, el número de observaciones es menor que el número de parámetros a nivel individual) y cuando se desea estimar las estimaciones a nivel individual.

Sin embargo, los modelos HB no siempre son fáciles de estimar. Por lo tanto, aunque el análisis de HB suele superar al de no HB, hay que sopesar los costes relativos frente a los beneficios en función de la experiencia pasada y de las prioridades actuales en términos de tiempo y costes.

Dicho esto, si no le interesan las estimaciones a nivel individual, puede simplemente estimar un modelo a nivel agregado, pero incluso en estos contextos la estimación de modelos agregados mediante HB utilizando estimaciones a nivel individual puede tener mucho sentido.

En resumen, el ajuste de los modelos HB es el enfoque recomendado siempre que se tenga el tiempo y la paciencia para ajustarlos. A continuación, puede utilizar los modelos agregados como referencia para evaluar el rendimiento de su modelo HB.

Answer 2

Aprendí de Snijders y Bosker, Multilevel Analysis: An introduction to basic and advanced multilevel modeling. Creo que está muy bien orientado a los principiantes, debe ser porque soy un espeso en estas cosas y me pareció que tenía sentido.

Yo también secundo lo de Gelman y Hill, un libro realmente brillante.

Answer 3

Los modelos multinivel deben emplearse cuando los datos están anidados en una estructura jerárquica, especialmente cuando existen diferencias significativas entre las unidades de nivel superior en la variable dependiente (por ejemplo, la orientación del rendimiento de los alumnos varía entre ellos y también entre las clases con las que están anidados). En estas circunstancias, las observaciones están agrupadas en lugar de ser independientes. Si no se tiene en cuenta la agrupación, se subestiman los errores de las estimaciones de los parámetros, se realizan pruebas de significación sesgadas y se tiende a rechazar la nulidad cuando debería retenerse. La justificación de la utilización de modelos multinivel, así como las explicaciones exhaustivas sobre cómo llevar a cabo los análisis, se encuentran en

Raudenbush, S. W. Bryk, A. S. (2002). Modelos lineales jerárquicos: Aplicaciones y métodos de análisis de datos. 2ª edición. Newbury Park , CA : Sage.

El libro R & B también está bien integrado con el paquete de software HLM de los autores, lo que ayuda mucho a aprender el paquete. Una explicación de por qué los modelos multinivel son necesarios y preferibles a algunas alternativas (como la codificación ficticia de las unidades de nivel superior) se ofrece en un artículo clásico

Hoffman, D.A. (1997). An overview of the logic and rationale of Hierachical Linear Models. Journal of Management, 23, 723-744.

El documento de Hoffman puede descargarse gratuitamente si se busca en Google "Hoffman 1997 HLM" y se accede al pdf en línea.