Die Mehrebenenanalyse als Verfahren zur Analyse rehabilitationswissenschaftlicher Forschungsfragen

Zusammenfassung

In rehabilitationswissenschaftlichen Studien liegen oft Daten vor, die Informationen auf unterschiedlichen hierarchischen Ebenen repräsentieren. Hierarchische Stichprobenstrukturen sind dadurch gekennzeichnet, dass Stichprobenmitglieder (z. B. Rehabilitanden) als gruppiert oder als Mitglieder natürlicher Teileinheiten (Cluster; z. B. Teams, Gruppen, Einrichtungen) betrachtet werden müssen. Werden bspw. Daten von Rehabilitanden aus verschiedenen Einrichtungen analysiert, so muss davon ausgegangen werden, dass die Zugehörigkeit zu der jeweiligen Einrichtung (Ebene 2; Cluster-Einheiten) mit der Ausprägung der Merkmale der Rehabilitanden (Ebene 1; Individualeinheiten) in Zusammenhang steht. Nehmen Rehabilitanden an verschiedenen Schulungsgruppen teil, so ist zu erwarten, dass die Ausprägung des Behandlungserfolgs der Rehabilitanden (Ebene 1) durch die Zugehörigkeit zu einer spezifischen Schulungsgruppe (Ebene 2) mit beeinflusst wird. Die Mehrebenenanalyse bzw. hierarchische lineare Modelle ermöglichen die simultane und integrierte Analyse von Daten unterschiedlicher Hierarchieebenen. In diesem Beitrag wird gezeigt, worauf bei der Erhebung hierarchisch strukturierter Stichproben, der Datenaufbereitung, der Hypothesenformulierung, der statistischen Datenanalyse und der Ergebnisinterpretation zu achten ist, damit Effekten der Clusterzugehörigkeit angemessen Rechnung getragen werden kann.

Abstract

Studies in rehabilitation science often investigate data representing different hierarchical data levels. Hierarchical sample structures prevail if single cases (e. g. rehabilitation patients) are grouped or are members of grouped entities or clusters (e. g. teams, groups, institutions), respectively. Analyzing data of rehabilitation patients treated in different institutions it has to be regarded that belonging to a specific institution (level 2; cluster-level) may be associated with individuals’ (level 1) characteristics systematically. If rehabilitation patients take part in different training groups, specific characteristics of the training groups (level 2) may affect treatment effects of individuals (level 1) significantly. Multilevel analysis or hierarchical linear models allow for simultaneously modelling such multilevel data structures in an integrative and comprehensive manner. In this article it will be shown which specific aspects concerning hierarchical sampling procedures, data organization, specification of research hypotheses, statistical data analysis as well as interpretation of study results have be regarded to model potential clustering effects appropriately.

Schlüsselwörter

Mehrebenenanalyse - hierarchische lineare Modelle - gemischte Modelle - hierarchische Datenstrukturen - Datencluster

Key words

multilevel analysis - hierarchical linear models - mixed models - hierarchical data structures - clustered data

• Literatur

• 1 Farin E. Die Anwendung Hierarchischer Linearer Modelle für Einrichtungsvergleiche in der Qualitätssicherung und Rehabilitationsforschung. Rehabilitation 2005; 44: 157-164
• 2 Brown H, Prescott R. Applied mixed models in medicine. Chichester: Wiley; 2006
• 3 Hox JJ. Multilevel analysis: techniques and applications. New York: Routledge; 2010
• 4 Langer W. Mehrebenenanalyse. Eine Einführung für Forschung und Praxis. Wiesbaden: VS; 2009
• 5 Urbach DR, Austin PC. Conventional models overestimate the statistical significance of volume-outcome associations, compared with multilevel models. J Clin Epidemiol 2005; 58: 391-400
• 6 Raudenbush SW, Bryk AS. Hierarchical linear models: applications and data analysis methods. Thousand Oaks: Sage; 2002
• 7 Setodji CM, Schwartz M. Fixed-effect or random-effect models: What are the key inference issues?. Med Care 2013; 51: 25-27
• 8 Heck RH, Thomas SL, Tabata LN. Multilevel and longitudinal modeling with IBM SPSS. New York: Taylor & Francis; 2010
• 9 Geiser C. Datenanalyse mit Mplus. Wiesbaden: VS; 2010
• 10 Maas CJM, Hox JJ. Sufficient sample sizes for multilevel modeling. Methodology 2005; 1: 86-92
• 11 Baer AHJ, Hochberg MC, Silman AJ et al. Rheumatology. (Sixth Edition). 6th. Aufl. Mosby, an imprint of Elsevier Ltd.; 2015
• 12 Snijders TAB, Bosker RJ. Multilevel analysis. An introduction to basic and advanced multilevel modeling. Los Angeles: Sage; 2012
• 13 Twisk JWR. Applied multilevel analysis. A practical guide. Cambridge: Cambridge University Press; 2006
• 14 Campbell MK, Elbourne DR, Altman DG. CONSORT statement: extension to cluster randomised trials. BMJ 2004; 328: 702-708
• 15 Keller F. Analyse von Längsschnittdaten: Auswertungsmöglichkeiten mit hierarchisch linearen Modellen. Zeitschrift für Klinische Psychologie und Psychotherapie 2003; 32: 51-61
• 16 Poon J, Doctor JN, Nichol MB. Longitudinal changes in health-related quality of life for chronic diseases: an example in hemophilia A. J Gen Intern Med 2014; 29 (Suppl. 03) 760-766