An Introduction to Multilevel Modeling Techniques: MLM and SEM Approaches

مدل سازی چندسطحی یک روش تجزیه و تحلیل داده است که اغلب برای بررسی ساختارهای داده سلسله مراتبی در رشته های آموزشی، رفتاری، بهداشت و علوم اجتماعی استفاده می شود. تجزیه و تحلیل داده‌های چند سطحی از ساختارهای داده‌ای استفاده می‌کند که با استفاده از روش‌های تحلیلی تک سطحی مانند رگرسیون چندگانه، تحلیل مسیر و مدل‌سازی ساختاری نمی‌توان آن‌ها را به اندازه کافی بررسی کرد. این متن درمان جامعی از مدل های چند سطحی برای نتایج تک متغیره و چند متغیره ارائه می دهد. شباهت ها و تفاوت های آنها را بررسی می کند و نشان می دهد که چرا یک مدل ممکن است با توجه به اهداف تحقیق مناسب تر از مدل دیگر باشد.

جدید در این نسخه:

• تمرکز گسترده بر ماهیت انواع مختلف ساختارهای داده چند سطحی (مانند مقطعی، طولی) ، طبقه بندی متقابل، و غیره) برای پرداختن به اهداف تحقیقاتی خاص؛
• روش های مدل سازی متنوع برای بررسی داده های طولی از جمله اثر تصادفی و اثر ثابت رویکردها؛
• پوشش گسترده‌ای که توالی‌های مختلف ساخت مدل و نحوه استفاده از نتایج را برای شناسایی بهبودهای احتمالی مدل نشان می‌دهد؛

< /p>

• مجموعه گسترده ای از مثال های کاربردی که در سراسر متن استفاده می شود؛
• استفاده از چهار نرم افزار مختلف بسته‌ها (مانند Mplus، R، SPSS، Stata)، با نمونه‌های انتخابی از فایل‌های ورودی مدل‌سازی که در پیوست‌های فصل گنجانده شده‌اند و مجموعه کامل‌تری از فایل‌های موجود به صورت آنلاین.
</ ul>

این یک متن ایده آل برای دوره های تحصیلات تکمیلی در مدل سازی متغیرهای چندسطحی، طولی، نهفته، آمار چند متغیره یا پیشرفته است. تکنیک های کمی که در روانشناسی، تجارت، آموزش، سلامت و جامعه شناسی تدریس می شود. پیش نیازهای توصیه شده، آمار تک متغیره و چند متغیره مقدماتی است.

Multilevel modelling is a data analysis method that is frequently used to investigate hierarchal data structures in educational, behavioural, health, and social sciences disciplines. Multilevel data analysis exploits data structures that cannot be adequately investigated using single-level analytic methods such as multiple regression, path analysis, and structural modelling. This text offers a comprehensive treatment of multilevel models for univariate and multivariate outcomes. It explores their similarities and differences and demonstrates why one model may be more appropriate than another, given the research objectives.

New to this edition:

• An expanded focus on the nature of different types of multilevel data structures (e.g., cross-sectional, longitudinal, cross-classified, etc.) for addressing specific research goals;
• Varied modelling methods for examining longitudinal data including random-effect and fixed-effect approaches;
• Expanded coverage illustrating different model-building sequences and how to use results to identify possible model improvements;
• An expanded set of applied examples used throughout the text;
• Use of four different software packages (i.e., Mplus, R, SPSS, Stata), with selected examples of model-building input files included in the chapter appendices and a more complete set of files available online.

This is an ideal text for graduate courses on multilevel, longitudinal, latent variable modelling, multivariate statistics, or advanced quantitative techniques taught in psychology, business, education, health, and sociology. Recommended prerequisites are introductory univariate and multivariate statistics.