Veranstaltungsdetails
Mehrebenenmodelle in R
Mehrebenenmodelle (auch Mixed-Effects oder Random-Effects Modelle) erweitern den klassischen Regressionsansatz um die Möglichkeit, hierarchisch strukturierte – also auf mehreren „Ebenen“ vorliegende – Daten zu berücksichtigen. Die wichtigste Anwendung für Mehrebenenmodelle liegt in der Untersuchung von Kontexteffekten: Wie werden Merkmale einzelner Untersuchungseinheiten von Merkmalen der Gruppen beeinflusst, zu denen Sie gehören? Kann beispielsweise der schulische Erfolg von SchülerInnen auf Merkmale ihrer Klasse, ihrer Schule oder ihres Stadtteils zurückgeführt werden? Ist der Behandlungserfolg bei PatientInnen mit Merkmalen der Therapiegruppe, des/der behandelnden Arztes/Ärztin, der Klinik oder der Region erklärbar?
Der vielleicht wichtigste Vorteil von Mehrebenenmodellen liegt darin, zu neuen Fragen an den eigenen Untersuchungsgegenstand zu kommen: Auf der Gruppenebene lassen sich leicht Daten aus unterschiedlichen Quellen verknüpfen, so dass ein „eigener“ Datensatz mit ganz neuen Analysepotentialen entsteht. Und mit sog. Cross-Level-Interaktionen kann untersucht werden, ob der Einfluss eines Individualmerkmals in allen Gruppen gleich ist oder für bestimmte Gruppenmerkmale unterschiedlich ausfällt: Wirkt ein Medikament bei allen Patienten gleich, oder hängt die Wirkung davon ab, ob der Arzt/die Ärztin von der Wirkung überzeugt ist? Verbessern alle SchülerInnen Ihre Noten durch Nachhilfeunterricht gleichermaßen, oder fällt dieser Erfolg in Abhängigkeit vom Leistungsniveau der Klasse unterschiedlich aus?
Der Workshop stellt den Modellierungsansatz vor und zeigt die Umsetzung in R an praktischen Beispielen. Ein grundlegendes Verständnis multivariater Regressionsmodelle wird vorausgesetzt. Kenntnisse der verwendeten Software (R) sind von Vorteil, werden aber nicht vorausgesetzt.