HLM

¿Que es HLM?

El programa HLM puede ajustar modelos a variables de resultado que generan un modelo lineal con variables explicativas que dan cuenta de las variaciones en cada nivel, utilizando variables especificadas en cada nivel.

HLM: Funcionalidades

HLM no sólo estima coeficientes del modelo en cada nivel, sino que también predice los efectos aleatorios asociados a cada unidad de muestreo en todos los niveles. Aunque se usa comúnmente en la investigación de la educación debido a la prevalencia de las estructuras jerárquicas en los datos de este campo, es conveniente para el uso con los datos de cualquier campo de investigación que tienen una estructura jerárquica.

Esto incluye el análisis longitudinal, en el que las mediciones repetidas de un individuo se pueden anidar dentro de los sujetos estudiados. Además, aunque los ejemplos más arriba implica que los miembros de esta jerarquía en cualquiera de los niveles se anidan exclusivamente dentro de un miembro en un nivel superior, HLM también puede prever una situación en la que la membresía no es necesariamente “anidado”, pero “cruzado”, como es el caso cuando un estudiante puede haber sido miembro de varias aulas durante la duración de un período de estudio.

HLM Beneficios en la ciencia

El programa HLM permite para las variables de resultado continuas, contar, ordinales y nominales , asume una relación funcional entre la expectativa del resultado y una combinación lineal de un conjunto de variables explicativas. Esta relación se define por una función de enlace adecuado, por ejemplo, el enlace de identidad (resultados continuos) o un enlace “logit” (resultados binarios).

En la investigación social y otros campos, los datos de la investigación a menudo tienen una estructura jerárquica. Es decir, los sujetos individuales de estudio pueden clasificarse o organizarse en grupos que tienen cualidades que influyen en el estudio. En este caso, los individuos pueden verse como unidades de estudio de nivel 1, y los grupos en los que están organizados son unidades de nivel 2. Esto puede extenderse aún más, con unidades de nivel 2 organizadas en otro conjunto de unidades en un tercer nivel y con unidades de nivel 3 organizadas en otro conjunto de unidades en un cuarto nivel. Ejemplos de esto abundan en áreas tales como educación (estudiantes en el nivel 1, maestros en el nivel 2, escuelas en el nivel 3 y distritos escolares en el nivel 4) y sociología (individuos en el nivel 1, vecindarios en el nivel 2). Está claro que el análisis de dichos datos requiere un software especializado. Los modelos jerárquicos lineales y no lineales (también llamados modelos multinivel) se han desarrollado para permitir el estudio de las relaciones en cualquier nivel en un solo análisis, sin ignorar la variabilidad asociada con cada nivel de la jerarquía.

HLM ajusta los modelos a las variables de resultado que generan un modelo lineal con variables explicativas que explican 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. Si bien se usa comúnmente en la investigación educativa debido a la prevalencia de estructuras jerárquicas en los datos de este campo, es adecuado para su uso con datos de cualquier campo de investigación que tengan una estructura jerárquica. Esto incluye el análisis longitudinal, en el cual las mediciones repetidas de un individuo pueden anidarse dentro de los individuos estudiados. 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 también puede proporcionar una situación en la que la membresía no está necesariamente “anidada”, sino “cruzada”, como es el caso cuando un estudiante puede haber sido miembro de varias aulas durante la duración de un período de estudio.

HLM permite variables de resultado continuas, de conteo, 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 enlace de identidad (resultados continuos) o el enlace logit (resultados binarios).

Debido al mayor interés en los modelos de resultados multivariados, como los datos de mediciones repetidas, las contribuciones de Jennrich y Schluchter (1986) y Goldstein (1995) llevaron a la inclusión de modelos multivariados en la mayoría de los programas de modelado lineal jerárquico disponibles. Estos modelos permiten al investigador estudiar casos en los que la varianza en el nivel más bajo de la jerarquía puede asumir una variedad de formas / estructuras. El enfoque también brinda al investigador la oportunidad de ajustar modelos variables latentes (Raudenbush y Bryk, 2002), con el primer nivel de la jerarquía representando asociaciones entre datos falibles, observados y datos latentes, “verdaderos”. Una aplicación que ha recibido atención a este respecto recientemente es el análisis de modelos de respuesta a ítems, donde la “habilidad” o “rasgo latente” de un individuo se basa en la probabilidad de una respuesta dada en función de las características de los ítems presentados a un individuo.

 En HLM 7, se introdujo una flexibilidad sin precedentes en el modelado de datos multinivel y longitudinales con la inclusión de tres nuevos procedimientos que manejan variables de respuesta binarias, de conteo, ordinales y multinomiales (nominales), así como variables de respuesta continua para modelos lineales jerárquicos de teoría normal. . HLM 7 introdujo modelos anidados de cuatro niveles para modelos transversales y longitudinales y modelos mixtos de cuatro vías de clasificación cruzada y anidada. Se agregaron modelos jerárquicos con efectos aleatorios dependientes (diseño espacial). Otra característica nueva era la nueva flexibilidad para estimar modelos lineales generalizados jerárquicos mediante el uso de la cuadratura adaptativa de Gauss-Hermite (AGH) y aproximaciones de Laplace de alto orden a la máxima probabilidad. Se ha demostrado que el enfoque AGH funciona muy bien cuando los tamaños de los conglomerados son pequeños y los componentes de la varianza son grandes. El enfoque de Laplace de alto orden requiere tamaños de conglomerados algo más grandes, pero permite un número arbitrariamente grande de efectos aleatorios (importante cuando los tamaños de conglomerados son grandes).

En HLM8, se agregó la capacidad de estimar un HLM a partir de datos incompletos. Este es un enfoque completamente automatizado que genera y analiza múltiples conjuntos de datos imputados a partir de datos incompletos. El modelo es totalmente multivariado 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 descubrir qué variables tienen valores faltantes y luego estima un modelo lineal jerárquico multivariado (“modelo de imputación”) en el que todas las variables han fallado