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
