Actualizado por ultima vez el 23 de enero de 2022, por Luis Benites.
Un modelo jerárquico es un modelo en el que los niveles inferiores se clasifican en una jerarquía de unidades de nivel superior sucesivamente.
Los datos se agrupan en grupos en uno o más niveles, y la influencia de los grupos en los puntos de datos contenidos en ellos se tiene en cuenta en cualquier análisis estadístico . Por ejemplo, en una encuesta que investiga la brecha salarial entre hombres y mujeres, las personas pueden subagruparse por altura y peso para ver si esos factores marcan una diferencia en los resultados:
Cómo afecta un modelo jerárquico a las estadísticas
La idea clave detrás de hacer estadísticas con modelos jerárquicos es que las inferencias que se hacen sobre una cantidad afectan la inferencia sobre otra. En los modelos lineales generales , las observaciones se consideran independientes entre sí. Los modelos jerárquicos son diferentes porque las observaciones forman lo que se llama conglomerados, y los conglomerados comparten ciertos atributos y similitudes.
Por ejemplo, si estamos estudiando la visión del mundo de los niños en cierta ciudad, podemos encontrar que es más probable que los niños compartan puntos de vista y creencias con otros niños en su familia inmediata, y también es más probable que compartan puntos de vista y creencias con otros niños. los niños de sus grupos socioeconómicos y culturales que los niños de entornos muy diferentes. Un modelo lineal básico que no tuviera en cuenta estos grupos sería defectuoso desde el principio. Un modelo jerárquico nos permite tener en cuenta las influencias de estos clústeres así como la interacción entre ellos.
Contabilización de clústeres jerárquicos en estadísticas
Hay varias formas diferentes en las que las correlaciones , interacciones e influencias de los modelos jerárquicos pueden tenerse en cuenta en el análisis estadístico. En la regresión lineal simple , en la que tratamos de ajustar nuestros datos a una línea recta, los efectos de un conglomerado se pueden abordar al permitir múltiples niveles de efectos aleatorios o residuos específicos de los conglomerados.
También podemos encontrar el coeficiente de correlación entre los miembros de los conglomerados, y eso se puede usar para establecer variables que muestren los ‘efectos fijos’ que tienen lugar entre los puntos de datos relacionados. Estas correlaciones se representarán mediante coeficientes en una ecuación de modelado.
Referencias
Blei, D. (2011). Modelos Jerárquicos. Obtenido de
https://www.cs.princeton.edu/courses/archive/fall11/cos597C/lectures/hierarchical-models.pdf el 3 de febrero de 2018
Dominici, F. (2009). Introducción a los Modelos Multinivel . Recuperado el 7 de febrero de 2018 de:
http://www.biostat.jhsph.edu/~fdominic/teaching/bio656/lectures/1.intro.pdf
Fitzmaurice, G. (nd) Overview of Methods for Analyzing Cluster-Correlated Data
Retrieved de https://catalyst.harvard.edu/docs/biostatsseminar/Fitzmaurice_BSP-Workshop-Slides.pdf el 4 de febrero de 2018 Universidad de
Harvard. (nd) Modelos jerárquicos (multinivel) para datos de encuestas. Obtenido de https://sites.fas.harvard.edu/~stats/survey-soft/hierarchical.html el 3 de febrero de 2018
Levy, R. (2012). Modelado Jerárquico. Obtenido de
http://idiom.ucsd.edu/~rlevy/pmsl_textbook/chapters/pmsl_8.pdf el 3 de febrero de 2018
