Multilevel Modeling of Social Problems: A Causal Perspective

فصل‌های ادغام‌شده این کتاب با تمرکز منحصر به فرد بر تقاطع مشکلات اجتماعی، مدل‌سازی آماری چندسطحی و علیت، راهبردهای اساسی برای توسعه و آزمایش مدل‌های خطی چندسطحی (MLM) و استنتاج استنتاج‌های تصادفی از این مدل‌ها را روشن می‌کند. به این مدل ها مدل های خطی سلسله مراتبی (HLMs) یا مدل های مختلط نیز گفته می شود. مدل‌سازی آماری ساختارهای داده چندسطحی، محققان را قادر می‌سازد تا تحلیل‌های زمینه‌ای و طولی را به طور مناسب ترکیب کنند. اما محققانی که روی مشکلات اجتماعی کار می کنند به ندرت از این روش ها استفاده می کنند، حتی اگر موضوعات مورد مطالعه و داده های تجربی نیاز به استفاده از آنها داشته باشد. این کتاب با استفاده از مدل‌سازی چندسطحی در ساختار داده‌های سلسله مراتبی، چگونگی استفاده از این روش‌ها را می‌تواند تسهیل تحقیقات مشکلات اجتماعی و تدوین سیاست‌های اجتماعی را نشان دهد. این به خواننده امکان دسترسی به مجموعه داده های کاری، کدهای کامپیوتری و تکنیک های تحلیلی را می دهد، در حالی که در عین حال به دقت در مورد مسائل علیت در چنین مدل هایی بحث می کند. این کتاب به صورت مبتکرانه: • روش هایی را برای مطالعه توسعه اجتماعی، اقتصادی و انسانی ایجاد می کند. • از گونه شناسی ها برای گروه بندی (به عنوان مثال، طبقه بندی یا تودرتو) سطح عوامل تصادفی سطح کلان استفاده می کند. • تخمین مدل ها با نقاط پایانی پواسون، دوجمله ای و گاوسی با استفاده از روش مدل های ترکیبی خطی تعمیم یافته SAS (GLIMMIX). • ساختارهای کوواریانس مناسب را برای مدل های مختلط خطی تعمیم یافته انتخاب می کند. • طرح های مطالعاتی تفاوت در تفاوت ها را در مدل سازی چندسطحی مطالعات مداخله ای اعمال می کند. • امتیازات تمایل را با اعمال رگرسیون لجستیک فرث به داده های تصحیح شده توسط گلدبرگر محاسبه می کند. • از تصحیح Kenward-Rogers در مدل های ترکیبی اندازه گیری های مکرر استفاده می کند. • تفاوت بین تحلیل ارتباطی و علی مدل های چند سطحی را توضیح می دهد. • یافته های تحقیق را از طریق فراتحلیل و نقد روش شناختی ادغام می کند. • معیارهایی را برای ارزیابی اعتبار مطالعه و منطقه علیت ایجاد می کند. به دلیل تمرکز بر مشکلات اجتماعی، وضوح ارائه، و استفاده از روش‌های پیشرفته، محققان سیاست‌گذاری، روش‌شناسان و آماردانان کاربردی در علوم اجتماعی (به ویژه جامعه‌شناسی، روان‌شناسی اجتماعی، علوم سیاسی، آموزش و پرورش، و عمومی) سلامتی) این کتاب را بسیار جالب خواهد یافت. می‌توان از آن به عنوان متن اصلی در دوره‌های مدل‌سازی چندسطحی یا به‌عنوان آغازگر متون پیشرفته‌تر استفاده کرد.

Uniquely focusing on intersections of social problems, multilevel statistical modeling, and causality, the substantively and methodologically integrated chapters of this book clarify basic strategies for developing and testing multilevel linear models (MLMs), and drawing casual inferences from such models. These models are also referred to as hierarchical linear models (HLMs) or mixed models. The statistical modeling of multilevel data structures enables researchers to combine contextual and longitudinal analyses appropriately. But researchers working on social problems seldom apply these methods, even though the topics they are studying and the empirical data call for their use. By applying multilevel modeling to hierarchical data structures, this book illustrates how the use of these methods can facilitate social problems research and the formulation of social policies. It gives the reader access to working data sets, computer code, and analytic techniques, while at the same time carefully discussing issues of causality in such models. This book innovatively: • Develops procedures for studying social, economic, and human development. • Uses typologies to group (i.e., classify or nest) the level of random macro-level factors. • Estimates models with Poisson, binomial, and Gaussian end points using SAS's generalized linear mixed models (GLIMMIX) procedure. • Selects appropriate covariance structures for generalized linear mixed models. • Applies difference-in-differences study designs in the multilevel modeling of intervention studies. • Calculates propensity scores by applying Firth logistic regression to Goldberger-corrected data. • Uses the Kenward-Rogers correction in mixed models of repeated measures. • Explicates differences between associational and causal analysis of multilevel models. • Consolidates research findings via meta-analysis and methodological critique. • Develops criteria for assessing a study's validity and zone of causality. Because of its social problems focus, clarity of exposition, and use of state-of-the-art procedures, policy researchers, methodologists, and applied statisticians in the social sciences (specifically, sociology, social psychology, political science, education, and public health) will find this book of great interest. It can be used as a primary text in courses on multilevel modeling or as a primer for more advanced texts.