Multilevel analyse is een statistische analyse die je gebruikt wanneer cases (level 1) genest zijn in groepen (level 2). Een veelgebruikt voorbeeld is leerlingen die genest zijn in scholen. Maar het kunnen ook werknemers genest in firma’s, inwoners in landen of bomen in bossen et cetera betreffen. Andere namen voor multilevel analyse zijn onder andere mixed models en hierarchical linear models.

Het idee hierachter is dat verschillen tussen individuen niet alleen te maken hoeven te hebben met individuele kenmerken. Ook kenmerken van de groep waar de individu toe behoort kunnen van invloed zijn. Als je bijvoorbeeld ziekteverzuim van medewerkers in supermarkten wil verklaren, meet je medewerker-kenmerken zoals mentale en fysieke gezondheid. Je vermoedt echter ook dat het verzuimbeleid van de organisatie, bedrijfsgrootte en de locatie een rol kunnen spelen bij de mate van ziekteverzuim van een medewerker. Dus je verzamelt niet alleen medewerker-specifieke gegevens, maar ook organisatie-gegevens tijdens je onderzoek.

Multiple regressie ipv multilevel analyse

Als je data hebt verzameld op verschillende levels, dan kun je overwegen om een multiple lineaire regressieanalyse uit te voeren. Een mogelijkheid is om een gemiddelde te berekenen over alle medewerkers binnen een supermarkt. Deze gemiddelden gebruik je vervolgens in de analyse. Het nadeel hiervan is dat je nog maar een beperkt aantal cases (het aantal supermarkten) overhoudt. Bovendien kun je weinig zeggen over de individuele kenmerken. Deze analyse is dan ook niet altijd een goede oplossing.

Ook kun je het feit dat de medewerkers geclusterd zijn in supermarkten negeren en een multiple lineaire regressie uitvoeren over alle medewerkers. De assumptie van onafhankelijkheid van observaties is geschonden. Medewerkers binnen een bepaalde supermarkt hebben namelijk meer overeenkomsten met elkaar dan met medewerkers van andere supermarkten. Je kunt niet inschatten in hoeverre de schending van deze assumptie de uitkomsten van de analyse beïnvloedt. Misschien valt het mee en geven de resultaten een goed beeld van de werkelijke situatie, maar mogelijk zijn de uitkomsten hierdoor vertekend.

Dit regressiemodel is beter passend te maken door de supermarkt aan het model toe te voegen aan het multiple regressiemodel. Dat is eenvoudig wanneer je vier supermarkten onderzocht hebt, en er drie dummy variabelen in het model opgenomen worden. Maar het wordt lastiger wanneer het een onderzoek onder 50 landen betreft. Met 49 dummy variabelen voor land krijg je al snel een onoverzichtelijk model. Bovendien heeft dit invloed op de power.

Een multilevel analyse heeft bovengenoemde beperkingen niet. Er zijn twee belangrijke vragen die je jezelf kunt stellen voordat je kiest tussen multilevel en multiple regressieanalyse:

Wil ik mijn resultaten kunnen generaliseren naar andere level-2 groepen?

Wil ik mijn resultaten kunnen generaliseren naar andere level-2 groepen dan die ik heb geïncludeerd in mijn onderzoek?

Als je at random enkele organisaties uit je onderzoekspopulatie hebt geselecteerd waarbinnen je at random individuen hebt benaderd, dan is het vaak de bedoeling te generaliseren naar álle individuen binnen alle organisaties.

Stel je hebt een dataset met informatie van medewerkers van Winkelketen A, Winkelketen B en Winkelketen C. Door het toevoegen van twee dummy variabelen aan het multiple regressie model kun je die drie winkelketens onderling vergelijken. Maar wil je met je onderzoek graag  iets kunnen zeggen over medewerkers van winkelketens in het algemeen? Dan kun je vaak beter kiezen voor een  multilevel analyse.

Wil ik meer dan één level-2 kenmerk in mijn model opnemen?

Wil ik meerdere groepskenmerken (level-2 kenmerken) in mijn model opnemen?

Als je ‘accountantsfirma’s’ als variabele(n) in je multiple regressie model hebt opgenomen, dan geven de regressie-coëfficiënten het effect van de desbetreffende firma’s op de afhankelijke variabele weer. Maar je weet dan niet welke aspecten binnen zo’n firma een bijdrage leveren aan dat effect. Zo kan het zijn dat je verwacht dat  grootte, omzet én doelgroep van de firma een bijdrage leveren aan de auditkwaliteit van de medewerkers. Dit onderscheid is echter niet meer te maken als er dummy-variabelen voor firma zijn opgenomen.

Dus wil je meerdere variabelen op level-2 niveau meenemen in je onderzoek, dan zou een multilevel analyse een betere keuze zijn.

Is een multilevel analyse nu echt nodig?

Een multilevel analyse is wat complexer dan een multiple regressie of ANOVA en is vaak niet in de opleiding behandeld. Studenten voelen zich dan ook onzeker of ze een dergelijke onbekende analyse wel moeten riskeren in hun afstudeerscriptie. Een terechte twijfel. Ook omdat de docenten die de thesis moeten beoordelen, niet altijd ervaring hebben met multilevel analyses. Voordat je in het nieuwe avontuur van mixed models duikt is het dan ook niet onverstandig om te peilen hoe je docent er tegenover staat. Als deze voorkeur geeft aan statistiek op meer bekend terrein, dan zou ik aanraden te kiezen voor een multiple regressie analyse, ook al zitten daar de hierboven genoemde beperkingen aan. Je kunt dan in de discussie aangeven dat de onafhankelijkheid van observaties mogelijk geschonden is en dat de mogelijkheden om te generaliseren beperkt zijn.

Voor meer informatie over of hulp bij het uitvoeren van een multilevel analyse, email naar info@data-affinity.nl of vul het Contactformulier in.