Zusammenfassung
Zur Erklärung sozialer Phänomene kann immer dann auf hierarchische Mehrebenenmodelle zurückgegriffen werden, wenn Kontexteffekte theoretisch abgeleitet werden oder wenn Daten aus komplexen Stichproben vorliegen. Der große Vorteil dieser Modelle besteht darin, die Strukturen unterschiedlicher Ebenen gleichzeitig schätzen zu können. Im vorliegenden Beitrag wird die Mehrebenenanalyse grundlegend eingeführt und eine weithin akzeptierte Strategie der Modell-entwicklung nach Hox (2010, Multilevel analysis. New York/Hove: Routledge) vorgestellt. Danach werden ausgewählte spezifische Themen im Zusammenhang mit der Anwendung von Mehrebenenmodellen diskutiert.
Ich bedanke mich bei Sebastian Jäckle für seine inspirierenden und konstruktiven Anmerkungen einer ersten Fassung des Beitrages. Conrad Ziller sei für seine Vorschläge zur Abstimmung unserer Beiträge gedankt.
This is a preview of subscription content, log in via an institution to check access.
Notes
- 1.
Der Schwerpunkt der Betrachtungen hier bezieht sich implizit auf die Analyse von Befragungsdaten aus Surveys. Die Anwendung der Mehrebenenanalyse als konzeptionelles Raster ist aber ebenso für Vollerhebungen denkbar, wie sie beispielweise in Analysen auf der Basis von Beiträgen aus Zeitschriften realisiert werden, solange die Daten numerisch sind. Lediglich die Interpretation der Standardfehler und Signifikanzen unterscheidet sich dann.
- 2.
- 3.
Lintorf (2012) findet beispielsweise auf der Basis der TIMSS-Daten 2007 lehrerspezifische Effekte auf Mathematik- und Sachkundenoten in Grundschulen.
- 4.
Sixt (2013) untersucht regionale Kontexte zur Erklärung von Bildungsentscheidungen und kann zeigen, dass das regionale Schulangebot und die Erreichbarkeit von Gymnasien einen eigenständigen Einfluss darauf haben, ob Kinder das Gymnasium besuchen oder nicht.
- 5.
Vgl. beispielsweise zum Zusammenhang von Gesundheit und Lebenszufriedenheit Subramanian et al. (2005) oder zu Fragen der Prävention Dunn et al. (2015). Auch für die Qualitätsbeurteilung von Krankenhäusern bieten sich mehrebenenanalytische Ansätze an (vgl. für ein Beispiel aus Deutschland Loos 2003).
- 6.
Vgl. beispielsweise Farla (2014).
- 7.
Vgl. Görzig und Olafsson (2013) zur Analyse von tyrannischem Schülerverhalten im Ländervergleich.
- 8.
Fairbrother und Martin (2013) überprüfen zentrale soziologische Argumente zur Wirkung zunehmender Ungleichheit auf Vertrauen und finden im Vergleich US-amerikanischer Staaten lediglich Zusammenhänge im Querschnitt aber nicht im Längsschnitt. Mit Blick auf die Ebene der Counties werden weder Zusammenhänge im Längsschnitt noch im Querschnitt beobachtet.
- 9.
- 10.
Klein und Pötschke (2005) untersuchten z. B. den Effekt der TV-Duelle im Rahmen des Bundestagswahlkampfes auf die Wahlentscheidung.
- 11.
Jäckle und Schärdel (2017, S. 159) schreiben: „Bei allen MEAs liegt die zu erklärende Variable auf der Individualebene.“ In der überwiegenden Zahl der Anwendungen sind tatsächlich Individuen als Elemente der Ebene anzutreffen. Deshalb wird hier wie in den meisten Einführungen zum Verfahren dieser Fall behandelt. Jäckle und Schärdel (2017, S. 148) weisen aber zu Recht darauf hin, dass die unterste Ebene eines Mehrebenenmodells ebenso durch andere Elemente wie z. B. Kommunen in Regionen oder Kreistage in Kreisen und Bundesländern (Jäckle und König 2017) gebildet werden kann. Auch Panelanalysen können mit Mehrebenenmodellen realisiert werden. Dann bestehen die Elemente der untersten Ebene aus den Messungen zu unterschiedlichen Zeitpunkten für Personen (zweite Ebene) (vgl. z. B. Hosoya et al. 2014).
- 12.
Der Verweis auf die notwendige theoretische Grundlegung scheint banal. In der Forschungspraxis ist aber nicht selten zu beobachten, dass sich die Ebenenstruktur aus der Verfügbarkeit der Daten ergibt und nicht aus theoretischen Überlegungen. Das wird z. B. beim Ländervergleich deutlich. Zu selten wird ausgeführt, was den spezifischen Ländereinfluss auf individuelle Einstellungen oder Verhaltensweisen ausmacht. Selbst in Vorhaben, die stärker auf die Modellanpassung der Daten orientiert sind, wird an das Ergebnismodell der Anspruch zu richten sein, dass die Mechanismen nachvollziehbar beschrieben werden können.
- 13.
Vgl. Abschn. 6 zu Verletzungen dieser Anforderung in Cross Classified Strukturen.
- 14.
Die Erklärung von Merkmalen der Makroebene durch Merkmale der Individualebene ist in vielen Softwares nicht zu modellieren und stellt nach wie vor auch ein theoretisch zu reflektierendes Problem dar. Vgl. für den Versuch, aggregierte Variablen durch Individualvariablen zu erklären Croon und van Veldhofen (2007).
- 15.
- 16.
- 17.
Vgl. für eine kritische Reflexion von Daumenregeln für Fallzahlen in der Mehrebenenanalyse Tonidandel et al. (2014).
- 18.
- 19.
Simuliert wurde hier für den Fall, das in den Gruppen jeweils verschieden viele Elemente enthalten sind.
- 20.
Restricted Maximum Likelihood.
- 21.
Zu beachten ist, dass in den Bezeichnungen hier spezifische Modellbausteine als zufällig (random) oder für alle gleich (fixe) beschrieben werden. Es handelt sich dabei nicht um Modellklassen wie im Beitrag von Ziller in diesem Band beschrieben. Auch wenn es eine enge Verbindung zwischen der Mehrebenenanalyse und anderen Verfahren für abhängige Beobachtungen gibt, ist die dort häufig verwendete Unterscheidung in „Fixed-Effects-Modelle“ und „Random-Effects-Modelle“ nicht vollständig auf die Modelldifferenzierung in der Mehrebenenanalyse zu übertragen. Allerdings entspricht das Ergebnis eines „Random-Effects-Modells“ einem „random intercept model“ der Mehrebenenanalyse, wenn für beide ML-Schätzungen unterstellt werden.
- 22.
Die unterschiedlichen Bezeichnungen der Modelle gehen auf die verschiedenen Quellen der Entwicklung statistischer Anwendungen hin zum Mehrebenenmodell zurück. Reine „random slope“ Modelle sind zudem sehr selten. Oft wird der Begriff auch, nicht ganz stringent, für „random coefficient“ Modelle verwendet.
- 23.
Devianzwerte werden für den Vergleich verschiedener Mehrebenenmodelle herangezogen und für die Beurteilung sukzessive aufzunehmender Variablen im Rahmen der Modellentwicklung.
- 24.
- 25.
Vgl. ausführlicher zur Hypothesenprüfung über die Effekte Raudenbush und Bryk (2002, S. 56 ff.).
- 26.
Wenn sich der fixe Part zwischen den Modellen unterscheidet, soll die FML-Schätzung Verwendung finden. Hier werden alle Modellteile in die Maximierung der Likelihoodfunktion einbezogen.
- 27.
Hamaker und Klugkrist (2011, S. 233, 234) stellen zwei Transformationen vor, die eine anschauliche Interpretation der Werte erlauben.
- 28.
Paccagnella (2006) verweist auf unterschiedliche Bezugspunkte für die Zentrierung wie den Median oder das arithmetische Mittel.
- 29.
Ebenso argumentieren Kreft und de Leeuw (1998, S. 108, 109), wobei sie den Begriff der Äquivalenz präziser ausführen. Sind zwei Modelle äquivalent heißt das, dass ihre Parameter ineinander überführt werden können, nicht aber, dass sie die gleichen Parameter aufweisen.
- 30.
Wenn zu viele Varianzparameter geschätzt werden sollen, die Werte nahe Null aufweisen, oder wenn die Modelle falsch spezifiziert sind oder wenn die Stichprobengröße klein ausfällt, können Konvergenzprobleme auftreten (Hox 2010, S. 42). In diesen Fällen kann auf die Generalized Least Square Methode zurückgegriffen werden. Als Verallgemeinerung des OLS-Ansatzes der linearen Regression führt ihre Anwendung bei großen Fallzahlen zu analogen Ergebnissen wie die ML-Schätzung. Allerdings sind die GLS-Schätzer weniger effizient und die resultierenden Standardfehler sind ungenau (Kreft 1996).
- 31.
Die Algorithmen, die zur Maximierung des Likelihood herangezogen werden können, sind vielfältig. Skrondal und Rabe-Hesketh (2004, S. 159 ff.) diskutieren in einer umfassenden Übersicht neben dem EM-Verfahren weitere Maximierungsalgorithmen, die je nach der konkreten Zielrichtung der Analyse und der Qualität der verwendeten Daten anzuwenden sind.
- 32.
Wenn die Gruppengrößen stark variieren, kann auch die RML-Schätzung verzerrt sein (Skrondal und Rabe-Hesketh 2004, S. 185).
- 33.
Hox (2010, S. 264) verweist auf spezifische Studien, die zeigen, dass für eine erfolgreiche Schätzung auf der Basis von Bootstrappiterationen eine Fallzahl von mindestens 150 vorliegen muss. Die Zahl der Iterationen liegt üblicherweise zwischen 1000 (Hox 2010, S. 44) und 2000. In speziellen Verteilungen können aber auch 5000 Iterationen notwendig werden (Hox 2010, S. 264). Die Bootstrappsamples müssen die gleiche hierarchische Struktur aufweisen wie das originale Sample. Das ist bisher für das fallweise Bootstrapping nicht zu realisieren. Deshalb findet in Mehrebenenmodellen nur parametrisches oder nicht parametrisches Bootstrapping der Residuen Anwendung (Hox 2010, S. 268). Im ersten Fall werden die Parameterschätzungen auf der Basis des gesamten Modells generiert, im zweiten Fall auf der Basis der Residualmatrizen (vgl. Carpenter et al. 1999).
- 34.
Für einen grundlegenden Überblick vgl. van der Leeden et al. (2008, S. 401–433).
- 35.
Dafür schlagen Rabe-Hesketh und Skrondal (2012, S. 540, 541) vor, xtmelogit zu verwenden. Zur Optimierung empfehlen sie gllamm, wenn mehr als 5 Integrationspunkte Verwendung finden. Hox (2010, S. 123, 139) schlägt die Verwendung von Bayesianischen Schätzungen oder Bootstrapverfahren vor, wenn keine numerische Integration möglich ist.
- 36.
- 37.
Der Anspruch bezog sich auf die Variablen aller Ebenen.
- 38.
Little und Rubin (1987) unterscheiden drei Muster fehlender Werte: MCAR (Missing Completely at Random), MAR (Missing at Random) und NMAR (Not Missing at Random).
- 39.
Die Beschränkungen resultieren in diesem Fall nicht aus statistischen oder konzeptionellen Problemen, sondern aus der zumeist fehlenden Datenverfügbarkeit.
- 40.
Beretvas (2011, S. 332 ff) gibt verschiedene Erweiterungsmöglichkeiten an und führt in die formalen Formulierungen der Modelle ein. Rasbash und Browne (2008) stellen unterschiedliche Schätzalgorithmen ausführlich dar. Die Beschränkung für ein solches Modell ergibt sich derzeit eher aus der unzureichenden Datenerhebung und nicht mehr daraus, dass entsprechende Modelle nicht geschätzt werden könnten. Allerdings bleibt festzuhalten, dass die Interpretation entsprechender Kontextzugehörigkeiten nicht einfach ausfällt.
- 41.
- 42.
Hox (2010, S. 307, 308) schlägt deshalb vor, separate Fit-Indices per Hand zu berechnen.
- 43.
Für alternative Behandlungen autokorrelierter Daten vgl. hierzu auch den Beitrag von Ziller in diesem Band.
Literatur
Asparouhov, Tihomir, und Bengt O. Muthén. 2007. Computationally efficient estimation of multilevel highdimensional latent variable models. In Proceedings of the joint statistical meeting, August 2007, Salt Lake City.
Beretvas, Natasha S. 2011. Cross-classified and multiple-membership models. In Handbook of advanced multilevel analysis, Hrsg. Joop J. Hox und Kyle J. Roberts, 313–334. New York/London: Routledge.
Bickel, Robert. 2007. Multilevel analysis for applied research. New York/London: The Guilford Press.
Bovaird, James A. 2007. Multilevel structural equation models for contextual factors. In Modeling contextual effects in longitudinal studies, Hrsg. Todd D. Little, A. Bovaird James und Noel A. Card. Mahwah: Lawrence Erlbaum Associates.
Brambor, Thomas, William R. Clark, und Matt Golder. 2006. Understanding interaction models. Improving empirical analyses. Political Analysis 14(1): 63–82.
Braun, Daniela, Nicole Seher, Markus Tausendpfund, und Ansgar Wolsing. 2010. Einstellungen gegenüber Immigranten und die Zustimmung zur Europäischen Integration. Eine Mehrebenenanalyse. Working Paper, 136. Mannheim: MZES.
Bryan, Mark L., und Stephen P. Jenkins. 2016. Multilevel modelling of country effects: A cautionary tale. European Sociological Review 32(1): 3–22.
Buuren, Stef van. 2011. Multiple imputation of multilevel data. In Handbook of advanced multi-level analysis, Hrsg. Joop J. Hox und Kyle J. Roberts, 173–196. New York/London: Routledge.
Carpenter, James, Harvey Goldstein, und Jon Rasbash. 1999. A non-parametric bootstrap for multilevel models. Multilevel Modelling Newsletter 11, 1.
Coleman, James S. 1990. Foundations of social theory. Cambridge, MA: Harvard University Press.
Coleman, James S., Ernest Q. Campbell, Carol J. Hobson, James McPartland, Alexander M. Mood, Frederic D. Weinfeld, und Robert L. York. 1966. Equality of educational opportunity. Washington, DC: U.S. Government Printing Office.
Coleman, James S., Thomas Hoffer, und Sally Kilgore. 1982. Cognitive outcome in public and private schools. Sociology of Education 55(2–3): 526–545.
Croon, Marcel A., und J. P. M. van Veldhofen Marc. 2007. Predicting group-level-outcome variables from variables measured at the individual level: A latent variable multilevel model. Psychological Methods 12(1): 45–57.
De Leeuw, Jan, und Erik Meijer, Hrsg. 2008. Handbook of multilevel analysis. New York: Springer.
Du Toit, Stephen H. C., und Mathilda Du Toit. 2008. Multilevel structural equation modeling. In Handbook of multilevel analysis, Hrsg. Jan De Leeuw und Erik Meijer, 435–478. New York: Springer.
Dülmer, Hermann, und Dieter Ohr. 2008. Rechtsextremistische Wahlabsicht und regionaler Kontext : Mehrebenenanalysen zur Rolle sozialer Milieus und regionaler Gruppenkonflikte in Deutschland. Politische Vierteljahreszeitschrift 49(3): 491–517.
Dunn, Erin C., Katherine E. Masyn, Stephanie M. Jones, Subu V. Subramanian, und Karestan C. Koenen. 2015. Measuring psychological environments using individual responses: An application of multilevel factor analysis to examining students in schools. Prevencion Science 16(5): 718–733.
Elff, Martin, Jan P. Heisig, Merlin Schaeffer, und Susumu Shikano. 2016. No need to turn bayesian in multilevel analysis with few cluster: How frequentist methods provide unbiased estimates and accurate inference. https://osf.io/preprints/socarxiv/z65s4/. Zugegriffen am 26.08.2017.
Enders, Craig, und Davood Tofighi. 2007. Centering predictor variables in cross-sectional multilevel models: A new look at an old issue. Psychological Methods 12(2): 121–138.
Fairbrother, Malcolm, und Isaac W. Martin. 2013. Does inequality erode social trust? Results from multilevel models of US states and counties. Social Science Research 42(2): 347–360.
Farla, Kristine. 2014. Determinants of firms investment behaviour: A multilevel approach. Applied Economics 46(34): 4231–4241.
Fielding, Antony, Min Yang, und Harvey Goldstein. 2003. Multilevel ordinal models for examination grades. Statistical Modelling 3:127–153.
Gelman, Andrew, und Jennifer Hill. 2007. Data analysis using regression and multilevel/hierarchical models. Cambridge: Cambridge University Press.
Gigerenzer, Gerd. 2002. Das Einmaleins der Skepsis. Über den richtigen Umgang mit Zahlen und Risiken. Berlin: Berlin Verlag.
Goldstein, Harvey. 1987. Multilevel analysis in educational and social research. London: Griffin.
Goldstein, Harvey, Gérard Bonnet, und Thierry Rocher. 2007. Multilevel structural equation models for the analysis of comparative data on educational performance. Journal of Educational and Behavioral Statistics 32(3): 253–286.
Görzig, Anke, und Kjartan Olafsson. 2013. What makes a bully a cyberbully? Unravelling the characteristics of cyberbullies across twenty-five European countries. Journal of Children and Media 7(1): 9–27.
Guo, Guang, und Hongxin Zhao. 2000. Multilevel modeling for binary data. Annual Review of Sociology 26:441–462.
Hamaker, Ellen I., und Irene Klugkrist. 2011. Bayesian estimation of multilevel models. In Handbook of advanced multilevel analysis, Hrsg. Joop J. Hox und Kyle J. Roberts, 137–162. New York/London: Routledge.
Heck, Ronald H., und Scott L. Thomas. 2009. An introduction to multilevel modeling techniques. New York/Hove: Routledge.
Hedecker, Donald. 2008. Multilevel models for ordinal and nominal variables. In Handbook of multilevel analysis, Hrsg. Jan de Leeuw und Erik Meijer, 237–274. New York: Springer.
Hildebrandt, Achim, Sebastian Jäckle, Frieder Wolf, und Andreas Heindl. 2015. Methodologie, Methoden, Forschungsdesign. Ein Lehrbuch für fortgeschrittene Studierende der Politikwissenschaft. Wiesbaden: Springer.
Hosoya, Georg, Tobias Koch, und Michael Eid. 2014. Längsschnittdaten und Mehrebenenanalyse. Kölner Zeitschrift für Soziologie und Sozialpsychologie 66:189–218.
Hox, Joop J. 2010. Multilevel analysis. New York/Hove: Routledge.
Hox, Joop J., Cora J. M. Maas, und Matthieu J. S. Brinkhuis. 2010. The effect of estimation method and sample size in multilevel structural equation modeling. Statistica Neerlandica 64(2): 157–170.
Hox, Joop J., und Kyle J. Roberts, Hrsg. 2011. Handbook of advanced multilevel analysis. Now York/London: Routledge.
Jäckle, Sebastian. 2015. Mehrebenenanalyse. In Methodologie, Methoden, Forschungsdesign. Ein Lehrbuch für fortgeschrittene Studierende der Politikwissenschaft, Hrsg. Achim Hildebrandt, Sebastian Jäckle, Frieder Wolf und Andreas Heindl, 139–157. Wiesbaden: Springer.
Jäckle, Sebastian, und Pascal D. König. 2017. The dark side of the German ‚welcome culture‘: Investigating the causes behind attacks on refugees in 2015. West European Politics 40(2): 223–251.
Jäckle, Sebastian, und Julian Schärdel. 2013. Die Mehrebenenanalyse als ein Baustein zur Analyse politischer Vielfalt. sebastianjaeckle.de/paper/Jäckle-Schärdel_Mehrebenenanalyse%20Innsbruck.pdf. Zugegriffen am 30.08.2017.
Jäckle, Sebastian, und Julian Schärdel. 2017. Mehrebenenanalyse. In Neue Trends in den Sozialwissenschaften. Innovative Techniken für qualitative und quantitative Forschung, Hrsg. Sebastian Jäckle, 147–176. Wiesbaden: Springer.
Jäckle, Sebastian, und Georg Wenzelburger. 2011. Religion und Religiosität als Ursache von Homonegativität. Eine Mehrebenenanalyse von 79 Staaten. Berliner Journal für Soziologie 21(2): 231–263.
Jongerling, J., und H. Hoijtink. 2017. Explained variance and intraclass correlation in a two-level AR(1) model. Multivariate Behavioral Research 52(4): 403–415.
Klein, Markus, und Manuela Pötschke. 2005. Haben die beiden TV-Duelle im Vorfeld der Bundestagswahl 2002 den Wahlausgang beeinflusst? Eine Mehrebenenanalyse auf der Grundlage eines 11-Wellen-Kurzfristpanels. In Wahlen und Wähler. Analysen aus Anlass der Bundestagswahl 2002, Hrsg. Jürgen W. Falter, Oscar W. Gabriel und Bernhard Wessels, 357–370. Wiesbaden: Springer VS.
Kreft, Ita. 1996. Are multilevel techniques necessary? Los Angeles: California State University.
Kreft, Ita, und Jan de Leeuw. 1998. Introducing multilevel modeling. Thousand Oaks: SAGE.
Langer, Wolfgang. 2010. Mehrebenenanalyse mit Querschnittsdaten. In Handbuch der sozialwissenschaftlichen Datenanalyse, Hrsg. Christof Wolf und Henning Best, 741–774. Wiesbaden: VS.
Lazarsfeld, Paul F., und Herbert Menzel. 1961. On the relation between individuals and collective properties. In A sociological reader on complex organizations, Hrsg. Amitai Etzioni, 422–440. London: Holt, Rinehart and Winston.
Leckie, George, Robert French, Chris Charlton, und William Browne. 2014. Modeling heterogeneous variance-covariance component in two-level models. Journal of Educational and Behavioral Statistics 39(5): 307–332.
Leeden, Rien van der, Erik Meijer, und Frank M. T. A. Busing. 2008. Resampling multilevel models. In Handbook of multilevel analysis, Hrsg. Jan De Leeuw und Erik Meijer, 401–433. New York: Springer.
Lintorf, Katrin. 2012. Wie vorhersagbar sind Grundschulnoten? Prädiktionskraft individueller und kontextspezifischer Merkmale. Wiesbaden: Springer.
Little, Roderick J., und Donald B. Rubin. 1987. Statistical analysis with missing data. New York: Wiley.
Little, Todd D., James A. Bovaird, und Noel A. Card, Hrsg. 2007. Modeling contextual effects in longitudinal studies. Mahwah, London: Lawrence Erlbaum Associates.
Long, J. Scott. 1997. Regression models for categorical and limited dependent variables. Thousand Oaks: Sage.
Longford, Nicholas T. 2008. Missing Data. In Handbook of multilevel analysis, Hrsg. Jan De Leeuw und Erik Meijer, 377–399. New York: Springer.
Loos, Stefan. 2003. Wie beeinflusst die Strukturqualität einer stationären geriatrischen Einrichtung die Ergebnisqualität der Rehabilitation von Schlaganfallpatienten? Berlin: Technische Universität Berlin. https://doi.org/10.14279/depositonce-576.
Maas, Cora J., und Joop J. Hox. 2005. Sufficient sample size for multilevel modeling. Methodology 1(3): 89–92.
McKelvey, Richard D., und William Zavoina. 1975. A statistical model for the analysis of ordinal level dependent variables. The Journal of Mathematical Sociology 4(1): 103–120.
McNeish, Daniel. 2017. Small sample methods for multilevel modeling: A colloquial elucidation of REML and the Kenward-Roger correction. Multivariate Behavioral Research. (im Druck).
McNeish, Daniel, Laura M. Stapleton, und Rebecca D. Silverman. 2017. On the unnecessary ubiquity of hierarchical linear modeling. Psychological Methods 22(1): 114–140.
Moineddin, Rahim, Flora I. Matheson, und Richard H. Glazier. 2007. A simulation study of sample size for multilevel logistic regression models. Medical Research Methodology 7(34): 1–10.
Muthén, Bengt O., und Tihomir Asparouhov. 2011. Beyond multilevel regression modeling. In Handbook of advanced multilevel analysis, Hrsg. Joop J. Hox und Kyle J. Roberts, 15–40. New York/London: Routledge.
Paccagnella, Omar. 2006. Centering or not centering in multilevel models? The role of group mean and the assessment of group effects. Evaluation Review 30:66–85.
Pötschke, Manuela. 2006. Mehrebenenanalyse. In Methoden der Politikwissenschaft. Neuere qualitative und quantitative Analyseverfahren, Hrsg. Joachim Behnke, Thomas Gschwend, Delia Schindler und Kai-Uwe Schnapp, 167–179. Baden-Baden: Nomos.
Pötschke, Manuela. 2014a. Mehrebenenanalyse. In Handbuch Methoden der empirischen Sozialforschung, Hrsg. Nina Baur und Jörg Blasius, 1101–1115. Wiesbaden: Springer.
Pötschke, Manuela. 2014b. Aktuelle Probleme der Modellierung von Mehrebenen-Daten. In Soziale Kontexte und soziale Mechanismen. Sonderband der Kölner Zeitschrift für Soziologie und Sozialpsychologie, Hrsg. Jürgen Friedrichs und Alexandra Nonnenmacher, Bd. 66(1), 219–239.Wiesbaden: Springer VS.
Rabe-Hesketh, Sophia, und Anders Skrondal. 2012. Multilevel and longitudinal modeling using STATA. College Station: STATA Press.
Rasbash, Jon, und William J. Browne. 2008. Non-hierarchical multilevel models. In Handbook of multilevel analysis, Hrsg. Jan De Leeuw und Erik Meijer, 301–333. New York: Springer.
Rasbash, Jon, Geroge Leckie, Rebecca Pillinger, und Jennifer Jenkins. 2010. Children´s eductional progress: Partitioning family, school and area effects. Journal of the Royal Statistical Society 173(3): 657–682.
Raudenbush, Stephen W., und Anthony S. Bryk. 2002. Hierarchical linear models. Applications and data anlysis methods. Thousand Oaks: Sage.
Robson, Karen, und David Pevalin. 2016. Multilevel modeling in plain language. Los Angles: Sage.
Rodriguez, Germán. 2008. Multilevel gerneralized linear models. In Handbook of multilevel analysis, Hrsg. Jan De Leeuw und Erik Meijer, 335–374. New York: Springer.
Schweizer, Mark. 2015. Beweiswürdigung und Beweismaß. Rationalität und Intuition. Tübingen: Mohr Siebeck.
Sixt, Michaela. 2013. Wohnort, Region und Bildungserfolg. Die strukturelle Dimension bei der Erklärung von regionaler Bildungsungleichheit. In Bildungskontexte. Strukturelle Voraussetzungen und Ursachen ungleicher Bildungschancen, Hrsg. Rolf Becker und Alexander Schulze, 457–481. Wiesbaden: Springer.
Skrondal, Anders, und Sophia Rabe-Hesketh. 2004. Generalized latent variables modeling. Multilevel, longitudinal, and structural equation models. Boca Raton: Chapmann & Hall/CRC.
Skrondal, Anders, und Sophia Rabe-Hesketh. 2008. Multilevel and longitudinal modeling using STATA. College Station: STATA Press.
Snijders, Tom, und Roel Bosker. 2012. Multilevel analysis. Newbury Park/London/New Delhi: SAGE.
Stegmüller, Daniel. 2013. How many countries for multilevel modeling? A comparison of frequentist and bayesian approaches. American Journal of Political Science 57(3): 748–761.
Subramanian Subu, V., Daniel Kim, und Ichiro Kawachi. 2005. Covariation in the socioeconomic determinants of self rated health and happiness: A multivariate multilevel analysis of individuals and communities in the USA. Journal of Epidemiology and Community Health 59(8): 664–669.
Tonidandel, Scott, Eleanor B. Williams, und James M. LeBreton. 2014. Size Matters … just not in the way that you think: Myths surrounding sample size requirements for statistical analysis. In More statistical and methodologocal myths and Urban legends, Hrsg. Charles E. Lance und Robert J. Vandenberg, 162–183. New York: Routledge.
Vermunt, Jeroen K. 2003. Multilevel latent class models. Sociological Methodology 33:213–239.
Vermunt, Jeroen K. 2011. Mixture models for multilevel data sets. In Handbook of advanced multilevel analysis, Hrsg. Joop J. Hox und Kyle J. Roberts, 59–83. New York/London: Routledge.
Wenzelburger, Georg, Sebastian Jäckle, und Pascal König. 2014. Weiterführende Statistische Methoden für Politikwissenschaftler. Eine anwendungsbezogene Einführung mit STATA. München: Oldenbourg.
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2019 Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this entry
Cite this entry
Pötschke, M. (2019). Mehrebenenmodelle. In: Wagemann, C., Goerres, A., Siewert, M. (eds) Handbuch Methoden der Politikwissenschaft. Springer Reference Sozialwissenschaften. Springer VS, Wiesbaden. https://doi.org/10.1007/978-3-658-16937-4_29-1
Download citation
DOI: https://doi.org/10.1007/978-3-658-16937-4_29-1
Received:
Accepted:
Published:
Publisher Name: Springer VS, Wiesbaden
Print ISBN: 978-3-658-16937-4
Online ISBN: 978-3-658-16937-4
eBook Packages: Springer Referenz Sozialwissenschaften und Recht