HLM

HLM

O HLM ajusta os modelos às variáveis de resultado que geram um modelo linear com variáveis explicativas que respondem por variações em cada nível, utilizando variáveis especificadas em cada nível. O HLM não apenas estima os coeficientes do modelo em cada nível, mas também prevê os efeitos aleatórios associados a cada unidade de amostragem em cada nível. Embora comumente usado na pesquisa educacional devido à prevalência de estruturas hierárquicas nos dados desse campo, é adequado para uso com dados de qualquer campo de pesquisa que tenha uma estrutura hierárquica. Isso inclui análise longitudinal, na qual as medidas repetidas de um indivíduo podem ser aninhadas nos indivíduos em estudo. Além disso, embora os exemplos acima impliquem que membros dessa hierarquia em qualquer um dos níveis sejam aninhados exclusivamente dentro de um membro em um nível superior,

O HLM permite variáveis de resultado contínuas, contáveis, ordinais e nominais e assume uma relação funcional entre a expectativa do resultado e uma combinação linear de um conjunto de variáveis explicativas. Esse relacionamento é definido por uma função de link adequada, por exemplo, o link de identidade (resultados contínuos) ou o link de logit (resultados binários).

No HLM, uma flexibilidade sem precedentes na modelagem de dados multiníveis e longitudinais foi introduzida com a inclusão de três novos procedimentos que lidam com variáveis de resposta binária, contagem, ordinal e multinomial (nominal), bem como variáveis de resposta contínua para modelos lineares hierárquicos da teoria normal. O HLM introduziu modelos aninhados de quatro níveis para modelos transversais e longitudinais e modelos de mistura cruzada e aninhada de quatro vias. Modelos hierárquicos com efeitos aleatórios dependentes (desenho espacial) foram adicionados. Outro novo recurso foi a nova flexibilidade na estimativa de modelos lineares generalizados hierárquicos através do uso da quadratura adaptativa de Gauss-Hermite (AGH) e aproximações de Laplace de alta ordem para a máxima probabilidade. Foi demonstrado que a abordagem AGH funciona muito bem quando os tamanhos de cluster são pequenos e os componentes de variação são grandes. A abordagem de Laplace de alta ordem requer tamanhos de cluster um pouco maiores, mas permite um número arbitrariamente grande de efeitos aleatórios (importante quando os tamanhos de cluster são grandes).

No HLM, a capacidade de estimar um HLM a partir de dados incompletos também foi adicionada. Essa é uma abordagem totalmente automatizada que gera e analisa conjuntos de dados multiplicados a partir de dados incompletos. O modelo é totalmente multivariado e permite ao analista fortalecer a imputação por meio de variáveis auxiliares. Isso significa que o usuário especifica o HLM; o programa pesquisa automaticamente os dados para descobrir quais variáveis têm valores ausentes e, em seguida, estima um modelo linear hierárquico multivariado ("modelo de imputação") no qual todas as variáveis com valores perdidos são regredidas em todas as variáveis com dados completos. O programa usa as estimativas de parâmetros resultantes para gerar M conjuntos de dados imputados, cada um dos quais é analisado sucessivamente. Os resultados são combinados usando as "regras do Rubin".

Outro novo recurso do HLM é que combinações flexíveis de interceptações fixas e coeficientes aleatórios (FIRC) agora estão incluídas. Uma preocupação que pode surgir em estudos causais multiníveis é que efeitos aleatórios podem ser correlacionados com a atribuição do tratamento. Por exemplo, suponha que os tratamentos sejam atribuídos de maneira não aleatória a alunos aninhados nas escolas. A estimativa de um modelo de dois níveis com interceptações escolares aleatórias gerará viés se as interceptações aleatórias estiverem correlacionadas com os efeitos do tratamento. A estratégia convencional é especificar um modelo de efeitos fixos para as escolas. No entanto, essa abordagem assume efeitos de tratamento homogêneos, possivelmente levando a estimativas tendenciosas do efeito médio do tratamento, erros padrão incorretos e interpretação inadequada. O HLM permite que o analista combine interceptações fixas com coeficientes aleatórios em modelos que abordam esses problemas e facilite um resumo mais rico, incluindo uma estimativa da variação dos efeitos do tratamento e estimativas empíricas de Bayes dos efeitos específicos do tratamento. 

Requisitos de sistema

Sistema operacional: Windows 7, 8, 10

Min. CPU: Processador 486 ou superior

Min. RAM: 16 MB de RAM

Espaço em disco: 10 MB