چه زمانی به مدل چندسطحی نیاز داریم؟

فرض کنید دانش‌آموزان از چند مدرسه انتخاب شده‌اند. نمره فرد، ویژگی مدرسه و روش نمونه‌گیری سه موضوع جدا هستند. نگهداری شناسه مدرسه در داده به تحلیلگر امکان می‌دهد این ساختار را بررسی کند. حذف این شناسه در مرحله پاک‌سازی می‌تواند بخشی از اطلاعات طراحی را از بین ببرد.

مدل آمیخته می‌تواند شامل بخش ثابت و بخش تصادفی باشد. در یک صورت‌بندی ساده، تفاوت سطح اولیه گروه‌ها با عرض از مبدأ تصادفی مدل می‌شود؛ در صورت‌بندی پیچیده‌تر، شیب نیز می‌تواند میان گروه‌ها متفاوت باشد. این پیچیدگی باید توجیه نظری و داده کافی داشته باشد.

علاوه بر تعداد افراد، تعداد خوشه‌ها و اندازه هر خوشه را ثبت کنید. صدها مشاهده در چند خوشه محدود با همان تعداد مشاهده در گروه‌های متعدد، اطلاعات یکسانی فراهم نمی‌کنند. گروه‌های خیلی کوچک یا نامتوازن را در توضیح پروژه ذکر کنید.

• شناسه فرد و خوشه در ستون جدا باشند.
• متغیر سطح گروه در همه ردیف‌های همان گروه سازگار باشد.
• واحد اندازه‌گیری و روش ساخت متغیرهای تجمیعی ثبت شود.
• افراد جابه‌جا‌شده میان گروه‌ها مشخص شوند.

در کنار ضرایب، مشخصات بخش تصادفی، وضعیت همگرایی و محدودیت‌های تعداد گروه‌ها را بررسی کنید. پیچیده‌تر شدن فرمول، به‌تنهایی نشانه کیفیت بیشتر نیست. سؤال اصلی این است که مدل چه مقایسه‌ای را برآورد می‌کند و آیا طراحی داده اجازه آن مقایسه را می‌دهد.