Rehabilitation (Stuttg) 2019; 58(04): 274-281
DOI: 10.1055/s-0043-124334
Methoden in der Rehabilitationsforschung
© Georg Thieme Verlag KG Stuttgart · New York

Die Mehrebenenanalyse als Verfahren zur Analyse rehabilitationswissenschaftlicher Forschungsfragen

Multilevel Analysis as a Tool to Analyze Research Questions in Rehabilitation Science
Markus Antonius Wirtz
Further Information

Publication History

Publication Date:
22 January 2018 (online)

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.