Mehrebenenanalysen in der organisationsbezogenen Versorgungsforschung – Nutzen, Voraussetzungen und Durchführung

Zusammenfassung

Mehrebenenanalysen (MEA) werden in der Versorgungsforschung in Deutschland noch immer wenig genutzt, obwohl hierarchische Daten, z. B. von Patienten in Krankenhäusern, häufig vorliegen. MEA eröffnen dabei die wertvolle Chance, den Kontext der Versorgung in Versorgungsorganisationen und Zusammenhänge zwischen Kontext und Versorgungsergebnis zu untersuchen. Das Ziel dieses Artikels ist es, die Auswertungsmethode vorzustellen, ihren Nutzen und ihre Anwendbarkeit insbesondere in der organisationsbezogenen Versorgungsforschung zu erläutern und einen groben Leitfaden zur Durchführung zu liefern. In dem Artikel werden zunächst der Mehrwert und die Notwendigkeit von MEA gegenüber herkömmlichen Zusammenhangsanalysen bei Vorliegen hierarchischer Daten diskutiert. Darauffolgend werden zu beachtende Voraussetzungen zur Durchführung einer MEA dargelegt und zentrale Entscheidungen bei der Durchführung der Analysen diskutiert.

Abstract

Multilevel Analysis (MLA) are still rarely used in Health Services Research in Germany, though hierarchical data, e. g. from patients clustered in hospitals, is often present. MLA provide the valuable opportunity to study the health care context in health care organizations and the associations between context and health care outcomes. This article’s aims are to introduce this particular method of data analysis, to discuss its’ benefits and its’ applicability particularly for Health Services Research focusing on organizational characteristics and to provide a concise guideline for performing the analysis. First, the benefits and the necessity for MLA compared to ordinary correlation analyses in the case of hierarchical data are discussed. Furthermore, the statistical requirements and key decisions for the performance of MLA are illustrated.

Schlüsselwörter

multilevel modeling - Mehrebenenanalyse - Cluster - Versorgungsforschung - Organisation - hierarchische Daten

Key words

multilevel modeling - cluster - health services research - hierarchical data - organization - multilevel analyses

• Literatur

• 1 Maas CJM, Hox JJ. Sufficient sample sizes for multilevel modeling. Methodology 2005; 1: 86-92
• 2 Maas CJM, Hox JJ. The influence of violations of assumptions on multilevel parameter estimates and their standard errors. Comput Stat Data Anal 2004; 46: 427-440
• 3 Garson GD (Hrsg.) Hierarchical linear modeling. Guide and applications. Thousand Oaks, Calif: Sage Publ; 2013
• 4 Pfaff H, Albert U, Bornemann R et al. Methoden für die organisationsbezogene Versorgungsforschung. Gesundheitswesen 2009; 71: 777-790
• 5 Raudenbush SW, Bryk AS. Hierarchical linear models: applications and data analysis methods. 2. Aufl Thousand Oaks: Sage Publ; 2002
• 6 Twisk JWR. Applied multilevel analysis. A practical guide. Cambridge: Cambridge Univ Press; 2006
• 7 Schwetz H, Subramanian SV. Einführung in die Mehrebenenanalyse mit MLWin. Von der Regression zum Random-Slope-Modell. Landau: Verl Empirische Pädagogik; 2005
• 8 Hox JJ. Multilevel analysis. Techniques and applications. New York: Routledge; 2010
• 9 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
• 10 Hekkert KD, Cihangir S, Kleefstra SM et al. Patient satisfaction revisited: A multilevel approach. Soc Sci Med 2009; 69: 68-75
• 11 Selby JV, Schmittdiel JA, Lee J et al. Meaningful variation in performance: What does variation in quality tell us about improving quality?. Med Care 2010; 48: 133-139
• 12 Snijders TAB, Bosker RJ. Standard Errors and Sample Sizes for Two-Level Research. J Educ Stat 1993; 18: 237
• 13 Browne WJ, Lahi MG, Parker RM. A guide to sample size calculations for random effect models via simulation and the MLPowSim software package. 2009
• 14 Langford IH, Lewis T. Outliers in multilevel data. J R Statist Soc 1998; 161: 121-160
• 15 Field AP. Discovering statistics using IBM SPSS statistics. And sex and drugs and rock ‚n‘ roll. 4. Aufl. Los Angeles: Sage Publ; 2013
• 16 Setodji CM, Schwartz M. Fixed-effect or random-effect models: What are the key inference issues?. Med Care 2013; 51: 25-27
• 17 Snijders Tom AB, Bosker RJ. Multilevel analysis. An introduction to basic and advanced multilevel modeling. 2. Aufl. Los Angeles: Sage Publ.; 2012
• 18 DeLong ER, Peterson ED, DeLong DM et al. Comparing risk-adjustment methods for provider profiling. Stat Med 1997; 16: 2645-2664
• 19 Ditton H. Mehrebenenanalyse. Grundlagen und Anwendungen des hierarchisch linearen Modells. Weinheim: Juventa; 1998
• 20 Langer W. Mehrebenenanalyse. Eine Einführung für Forschung und Praxis. Wiesbaden: VS, Verl. für Sozialwiss.; 2009
• 21 Yucel RM. Random-covariances and mixed-effects models for imputing multivariate multilevel continuous data. Stat Modelling 2011; 11: 351-370
• 22 Carpenter JR. Realcom-Impute Software for multilevel multiple imputation with mixed response types. J Stat Softw 2011; 45: 1-14
• 23 Schafer JL, Graham JW. Missing data: Our view of the state of the art. Psychol Methods 2002; 7: 147-177
• 24 Brown H, Prescott R. Applied Mixed Models in Medicine. Chichester: Wiley; 2006
• 25 Islam MK, Merlo J, Kawachi I et al. Does it really matter where you live? A panel data multilevel analysis of Swedish municipality-level social capital on individual health-related quality of life. Health Econ Policy Law 2006; 1: 209-235
• 26 Kwok O, Underhill AT, Berry JW et al. Analyzing longitudinal data with multilevel models: an example with individuals living with lower extremity intra-articular fractures. Rehabil Psychol 2008; 53: 370-386
• 27 Song L, Northouse LL, Braun TM et al. Assessing longitudinal quality of life in prostate cancer patients and their spouses: a multilevel modeling approach. Qual Life Res 2011; 20: 371-381
• 28 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) S760-S766