Die gängigen Voraussetzungen des Allgemeinen Linearen Modells (Korrekte Spezifikation, Unabhängigkeit der Residuen, Normalverteilung der Residuen, Homoskedastizität der Residuen) gelten beim LMM auf beiden Levels (z.B. auch sowohl für Residuen auf lvl1 und auch für die Random Effetcs, die auch manchmal als Residuen auf lvl2 bezeichnet werden). Bei Verletzung von Normalverteilung und Homoskedastizität sind jeweils nur die Parameterschätzungen auf den entsprechenden Levels betroffen (und dafür kann auch korrigiert werden, beispielsweise durch heteroskedastizitätsrobuste  Standardfehler), bei Verletzung der Unabhängigkeit und der korrekten Spezifikation ergeben sich Auswirkungen auf beiden Ebenen.

Einen guten, gründlichen Überblick dazu gibt McNeish (2023): Hier finden sich Hinweise, wie man robuste Standardfehler mit LMM kombinieren kann, also so für Heteroskedastizität und Korrelation zwischen Residuen kontrollieren kann, und auf S. 19 und Fußnote 6 auf S. 19 finden sich Hinweise zu der Orthogonalität (Unabhängigkeit) von Level1 und Level2 Modell, und was group-mean-Zentrierung damit zu tun hat. Grundsätzlich kann durch group-mean Zentrierung zum Beispiel vermieden werden, dass Misspezifikation auf Level1 sich auf Level2 auswirkt und umgekehrt.

McNeish, D. (2023). A practical guide to selecting and blending approaches for clustered data: Clustered errors, multilevel models, and fixed-effect models. Psychological Methods. Advance online publication. https://doi.org/10.1037/met0000620

Auch bei einflussreichen Datenpunkten gilt das Prinzip, dass diese sich nun auf beide Level auswirken können. Ein Tool, um solche Punkte aufzudecken ist das influence.ME package:
Nieuwenhuis, R., te Grotenhuis, M., & Pelzer, B. (2012). influence.ME: Tools for Detecting Influential Data in Mixed Effects Models. The R Journal, 4(2), 38–47. http://doi.org/10.32614/RJ-2012-011

Zuletzt geändert: Freitag, 22. November 2024, 15:48
Zurück zu 'Hinweise zur konkreten Umsetzung'