Analiza wielopoziomowa - jest metodą analizy danych o złożonej
zmienności, z naciskiem położonym na skupione źródła zmienności.
Analiza takich danych najczęściej daje całościowy obraz spojrzenia na
zmienność związaną z każdym poziomem badania. W aktualnej postaci, analiza
wielopoziomowa jest obszarem metod będącym pod wpływami: analizy kontekstowej i modeli
mieszanych efektów. Analiza kontekstowa jest odkryciem w nauce społecznej, które
skupiło się na efektach kontekstu społecznego w zachowaniach indywidualnych. Modele
efektów mieszanych są to statystyczne modele w analizie wariancji i regresji, gdzie
zakłada się, że część czynników jest stała, a inne są losowe. Głównym modelem
statystycznym analizy wielopoziomowej jest model hierarchiczny liniowy, jest to
rozszerzenie modelu regresji liniowej do modelu zawierającego czynniki zagnieżdżone.
Modele wielopoziomowe mogą być klasyfikowane według różnych kryteriów,
np.
- typu rozkładu zmiennej wynikowej: rozkład ciągły (np. normalny),
rozkład dyskretny(np. dwumianowy, Poissona), zmienna binarna, zmienna uporządkowana,
zmienna o postaci wielomianu, zmienne w modelach analizy historii zdarzeń;
- typu struktury danych: hierarchiczna, hierarchiczna - powtórzone pomiary, hierarchiczna
- o wielu zmiennych, nie hierarchiczna - klasyfikacja krzyżowa,
nie hierarchiczna- wielokrotne uczestnictwo;
- typu struktury wariancji: modele z losowym wyrazem wolnym, modele z losowym
współczynnikiem nachylenia, modele z losowym wyrazem wolnym
i losowym współczynnikiem nachylenia.
Z uwagi na zainteresowanie relacjami pomiędzy zmiennymi w różnych warstwach systemu
hierarchicznego - pożądanym schematem losowania jest próbkowanie wielowarstwowe
(wielowarstwowe schematy losowania próby).
Okres ostatnich 20 lat wskazuje na znaczący wzrost analiz i przykładów zastosowań
metod i modeli analizy wielopoziomowej w różnych obszarach badań,
w tym w: naukach medycznych, biologicznych, społecznych, ekonomicznych. Wzrost
popularności zastosowań tych metod wynika z faktu, że stosując je w analizach mamy
możliwość oceny zachowań jednostek z uwzględnieniem różnych kontekstów w których
doszło do takich zachowań. Należy mieć nadzieję, że podręcznik, napisany przez
epidemiologa Profesora J.W.R. Twiska zamieszczający elementarny wykład analizy
wielopoziomowej wraz z licznymi przykładami (z wykorzystaniem różnego oprogramowania:
SAS, SPSS, STATA, R, MLwiN), przetłumaczony na język polski przyczyni się do
poszerzenia
kręgu osób zaznajomionych z tą grupą metod. Być może osoby te podejmą w
przyszłości trud analiz wielopoziomowych w zastosowaniach ekonomicznych,
finansowych, szerzej w analizach biznesowych.
Spis treści:
Przedmowa do wydania polskiego
Przedmowa do wydania angielskiego
Podziękowania do wydania angielskiego
Rozdział I. Wprowadzenie
1.2. Podstawy analizy wielopoziomowej
1.3. Ogólne podejście
1.4. Niezbędna wiedza
1.5. Przykłady zbiorów danych
1.6. Oprogramowanie
Rozdział II. Podstawowe zasady analizy wielopoziomowej
2.1. Wprowadzenie
2.2. Przykład
2.3. Międzyklasowy współczynnik korelacji (ICC)
2.4. Losowe nachylenia
2.5. Przykład
2.6. Analiza wielopoziomowa z więcej niż dwoma poziomami
2.6.1. Przykład
2.7. Założenia analizy wielopoziomowej
2.8. Komentarze
2.8.1. Które współczynniki regresji można uznać za losowe?
2.8.2. Losowe współczynniki regresji a stałe (nielosowe) współczynniki regresji
2.8.3. Metoda największej wiarygodności a metoda ograniczonej (resztowej) największej
wiarygodności
Rozdział III. Co zyskujemy, stosując analizę wielopoziomową?
3.1. Wprowadzenie
3.2. Przykład ze zrównoważonym zbiorem danych
3.3. Przykład z niezrównoważonym zbiorem danych
3.4. Randomizacja zespołowa (grupowa)
3.5. Wnioski
Rozdział IV. Analiza wielopoziomowa z różnymi zmiennymi wynikowymi
4.1. Wprowadzenie
4.2. Logistyczna analiza wielopoziomowa
4.2.1. Międzyklasowy współczynnik korelacji w logistycznej analizie wielopoziomowej
4.3. Wielomianowa logistyczna analiza wielopoziomowa
4.4. Analiza wielopoziomowa o rozkładzie Poissona
4.5. Wielopoziomowa analiza przeżycia
Rozdział V. Modelowanie wielopoziomowe
5.1. Wprowadzenie
5.2. Analiza wielopoziomowa wielu zmiennych
5.3. Modele predykcji i modele asocjacji
5.3.1. Wprowadzenie
5.3.2. Modele asocjacji
5.3.3. Modele predykcji lub prognostyczne
5.4. Komentarz
Rozdział VI. Analiza wielopoziomowa w studiach wzdłużnych (longitudialnych)
6.1. Wstęp
6.2. Badania wzdłużne
6.3. Przykład
6.4. Krzywe wzrostu
6.4.1. Dodatkowy przykład
6.5. Inne techniki analizowania danych wzdłużnych 8 Spis treści
6.6. Uwagi
6.6.1. Rozwinięcie analizy wielopoziomowej dla danych wzdłużnych
6.6.2. Alokacja danych wzdłużnych na wyższym poziomie
6.6.3. Brakujące dane w badaniach wzdłużnych
Rozdział VII. Wielowymiarowa analiza wielopoziomowa
7.1. Wprowadzenie
7.2. Wielowymiarowa analiza wielopoziomowa: podejście MLwiN
7.3. Wielowymiarowa analiza wielopoziomowa: podejście ogólne
7.4. Uwagi
Rozdział VIII. Obliczanie wielkości próby w badaniach wielopoziomowych
8.1. Wprowadzenie
8.2. Standardowa kalkulacja wielkości próby
8.3. Obliczanie liczebności próby w badaniach wielopoziomowych
8.4. Przykład
8.5. Którą metodę kalkulacji wielkości próby należy zastosować?
8.6. Uwagi
Rozdział IX. Oprogramowanie dla analizy wielopoziomowej
9.1. Wprowadzenie
9.2. Liniowa analiza wielopoziomowa
9.2.1. SPSS
9.2.2. STATA
9.2.3. SAS
9.2.4. R
9.2.5. Podsumowanie
9.3. Logistyczna analiza wielopoziomowa
9.3.1. Wprowadzenie
9.3.2. STATA
9.3.3. SAS
9.3.4. R 172
9.3.5. Podsumowanie
9.4. Analiza wielopoziomowa Poissona
9.4.1. Wprowadzenie
9.4.2. STATA
5.4.3. SAS
9.4.4. R
9.4.5. Podsumowanie
9.5. Wielopoziomowa regresja logistycznej o postaci wielomianu
9.5.1. Wprowadzenie
9.5.2 STATA
9.5.3. Podsumowanie
Literatura
Index
196 stron, B5, oprawa miękka
