HLM

¿Qué es HLM?

HLM ajusta los modelos a las variables de resultado que generan un modelo lineal con variables explicativas que tienen en cuenta las variaciones en cada nivel, utilizando variables especificadas en cada nivel. HLM no solo estima los coeficientes del modelo en cada nivel, sino que también predice los efectos aleatorios asociados con cada unidad de muestreo en cada nivel. Aunque se usa comúnmente en la investigación educativa debido a la prevalencia de estructuras jerárquicas en los datos en este campo, es adecuado para su uso con datos de cualquier campo de investigación que tenga una estructura jerárquica. Esto incluye el análisis longitudinal, en el que las mediciones repetidas de un individuo pueden anidarse en los individuos bajo estudio. Además, aunque los ejemplos anteriores implican que los miembros de esta jerarquía en cualquiera de los niveles están anidados exclusivamente dentro de un miembro en un nivel superior,

HLM permite variables de resultado continuas, contables, ordinales y nominales y asume una relación funcional entre la expectativa del resultado y una combinación lineal de un conjunto de variables explicativas. Esta relación se define mediante una función de enlace adecuada, por ejemplo, el vínculo de identidad (resultados continuos) o el enlace logit (resultados binarios).

En HLM, se introdujo una flexibilidad sin precedentes en el modelado de datos multinivel y longitudinal con la inclusión de tres nuevos procedimientos que se ocupan de la respuesta binaria, el conteo, las variables ordinales y multinomiales (nominales), así como las variables de respuesta continua para los modelos lineales jerárquicos de la teoría normal. HLM introdujo modelos anidados de cuatro niveles para modelos de sección transversal y longitudinal y modelos de cuatro vías mixtos y anidados. Se agregaron modelos jerárquicos con efectos aleatorios dependientes (diseño espacial). Otra característica nueva fue la nueva flexibilidad en la estimación de modelos lineales generalizados jerárquicos mediante el uso de la cuadratura adaptativa gauss-hermite (AGH) y las aproximaciones de Laplace de alto orden para la máxima probabilidad. Se ha demostrado que el enfoque AGH funciona muy bien cuando los tamaños de clúster son pequeños y los componentes de variación son grandes. El enfoque de Laplace de alto orden requiere tamaños de clúster ligeramente mayores, pero permite un número arbitrariamente grande de efectos aleatorios (importante cuando los tamaños de clúster son grandes).

En HLM, también se agregó la capacidad de estimar un HLM a partir de datos incompletos. Este es un enfoque totalmente automatizado que genera y analiza conjuntos de datos multiplicados a partir de datos incompletos. El modelo es totalmente multivariante y permite al analista fortalecer la imputación a través de variables auxiliares. Esto significa que el usuario especifica el HLM; El programa busca automáticamente los datos para averiguar qué variables tienen valores faltantes, y luego estima un modelo lineal jerárquico multivariante ("modelo de imputación") en el que todas las variables con valores perdidos se regresionan en todas las variables con datos completos. El programa utiliza las estimaciones de parámetros resultantes para generar conjuntos de datos imputados M, cada uno de los cuales se analiza sucesivamente. Los resultados se combinan utilizando las "reglas de Rubin".

Otra nueva característica de HLM es que ahora se incluyen combinaciones flexibles de interceptaciones fijas y coeficientes aleatorios (FIRC). Una preocupación que puede surgir en los estudios de causalidad multinivel es que los efectos aleatorios pueden correlacionarse con la asignación del tratamiento. Por ejemplo, supongamos que los tratamientos se asignan de forma no aleatoria a los estudiantes anidados en las escuelas. La estimación de un modelo de dos niveles con interceptaciones escolares aleatorias generará sesgo si las interceptaciones aleatorias se correlacionan con los efectos del tratamiento. La estrategia convencional es especificar un modelo de efectos fijos para las escuelas. Sin embargo, este enfoque asume efectos homogéneos del tratamiento, lo que posiblemente da lugar a estimaciones sesgadas del efecto medio del tratamiento, errores estándar incorrectos e interpretación inadecuada. HLM permite al analista combinar intercepciones fijas con coeficientes aleatorios en modelos que abordan estos problemas y facilitan un resumen más rico, incluida una estimación de la variación de los efectos del tratamiento y estimaciones empíricas de Bayes de los efectos específicos del tratamiento.

Requisitos de sistema

Sistema operativo: Windows 7, 8, 10

CPU mínima: procesador 486 o superior

RAM mínima: 16 MB de RAM

Espacio en disco: 10 MB