मल्टीलेवल मॉडलिंग: डेटा वैज्ञानिकों के लिए एक व्यापक मार्गदर्शिका

अक्सर जब हमें नेस्टेड या पदानुक्रमित डेटा मिलता है—जैसे कक्षा के भीतर समूहित छात्र, अस्पतालों में नेस्टेड मरीज, या समय के साथ उसी व्यक्ति से ली गई दोहराई गई माप—तो हम मॉडलिंग के लिए पारंपरिक रैखिक विधियों का उपयोग करने लगते हैं। ऐसे मानक सांख्यिकीय मॉडल इन नेस्टेड संरचनाओं के जटिल संबंधों को नहीं पकड़ पाते, जिससे पक्षपाती निष्कर्ष निकल सकते हैं। ऐसे मामलों में, मल्टीलेवल मॉडलिंग (MLM), जिसे हायरार्किकल या मिक्स्ड-इफेक्ट्स मॉडलिंग भी कहा जाता है, समूह-स्तरीय विशेषताओं के प्रभाव को व्यक्तिगत परिणामों पर समाहित कर इस पदानुक्रम को प्रभावी रूप से संभाल सकती है।

शिक्षा और स्वास्थ्य सेवा से लेकर मनोविज्ञान और सामाजिक विज्ञान तक के क्षेत्रों में MLM का उपयोग होता है, क्योंकि यह सिंगल-लेवल मॉडलों से आगे बढ़कर डेटा की सूक्ष्म समझ प्रदान करती है। फिक्स्ड और रैंडम इफेक्ट्स दोनों को मॉडल कर, MLM समूहों के भीतर और समूहों के बीच की परिवर्तनशीलता को पकड़ सकती है, जिससे वास्तविक दुनिया की घटनाओं का अधिक समृद्ध और सटीक निरूपण मिलता है। इस लेख में, हम मल्टीलेवल मॉडलिंग की बुनियाद, उसके उपयोग और जटिल डेटा विश्लेषण में मिलने वाले लाभों का अन्वेषण करेंगे। जब आप इस लेख को पढ़ लें, तो हमारे अत्यधिक अनुशंसित पूर्ण कोर्स Hierarchical and Mixed Effects Models in R को अवश्य देखें।

मल्टीलेवल मॉडलिंग क्या है?

सामाजिक विज्ञान, शिक्षा और महामारी विज्ञान जैसे क्षेत्रों में, जहाँ डेटा में स्वाभाविक पदानुक्रमित संरचनाएँ होती हैं, MLM अधिक उपयुक्त साबित होती है। इन विषयों में डेटा अक्सर समूहों में क्लस्टर होता है: छात्र कक्षाओं के भीतर समूहित होते हैं, मरीज अस्पतालों के भीतर, या सर्वे के उत्तर मोहल्लों के भीतर।

आइए शिक्षा अनुसंधान की बात करें, जहाँ MLM इस बात का अध्ययन करने में सहायक है कि व्यक्तिगत छात्र का प्रदर्शन न केवल छात्र-विशिष्ट कारकों (जैसे अध्ययन की आदतें) से, बल्कि कक्षा या स्कूल-स्तरीय चरों (जैसे शिक्षक का अनुभव या स्कूल संसाधन) से भी कैसे प्रभावित हो सकता है। इसी तरह, महामारी विज्ञान में, मल्टीलेवल मॉडल यह विश्लेषण करते हैं कि व्यक्तिगत स्वास्थ्य परिणाम व्यक्तिगत विशेषताओं और जिन पर्यावरणों (जैसे मोहल्ले या शहर) में लोग रहते हैं, दोनों से कैसे प्रभावित होते हैं। सामाजिक विज्ञान में, शोधकर्ता अक्सर MLM का उपयोग करते हैं ताकि यह जांच सकें कि व्यक्तिगत दृष्टिकोण व्यक्तिगत मान्यताओं और समूह-स्तरीय मानदंडों दोनों से कैसे आकार लेते हैं।

जहाँ सिंगल-लेवल मॉडल यह मानते हैं कि प्रत्येक ऑब्ज़र्वेशन स्वतंत्र है, वहीं MLM क्लस्टरों के भीतर सहसम्बंध को फिक्स्ड और रैंडम इफेक्ट्स दोनों को शामिल करके स्वीकार करता है। फिक्स्ड इफेक्ट्स डेटासेट में व्यवस्थित, औसत संबंधों को पकड़ते हैं, जबकि रैंडम इफेक्ट्स क्लस्टरों—जैसे कक्षाओं, अस्पतालों, या समुदायों—के भीतर की परिवर्तनशीलता को समाहित करते हैं। यह द्विआयामी दृष्टिकोण न केवल क्लस्टरों के भीतर निर्भरताओं को नियंत्रित करता है, बल्कि यह भी बताता है कि उच्च-स्तरीय चर व्यक्तिगत विशेषताओं के साथ कैसे अन्तःक्रिया करते हैं।

मल्टीलेवल मॉडलिंग कब आवश्यक होती है?

पारंपरिक प्रतिगमन मॉडल यह मानते हैं कि एक ऑब्ज़र्वेशन का मान दूसरे के मान से प्रभावित नहीं होता—इसे स्वतंत्रता का अनुमेय (independence assumption) कहा जाता है। यह अनुमेय तब सही हो सकता है जब डेटा एक समरूप समूह से आया हो जहाँ ऑब्ज़र्वेशन एक-दूसरे को प्रभावित नहीं करते। लेकिन पदानुक्रमित डेटा में यह अनुमेय टूट जाता है, क्योंकि क्लस्टरों (जैसे कक्षाओं या अस्पतालों) के भीतर के व्यक्ति एक-दूसरे से अन्य क्लस्टरों के व्यक्तियों की तुलना में अधिक समान होते हैं।

उदाहरण के लिए, शैक्षिक अनुसंधान में, एक ही स्कूल के छात्र समान संसाधनों, शिक्षण गुणवत्ता, और स्थानीय नीतियों को साझा करते हैं, जिससे उनके प्रदर्शन में निर्भरताएँ बनती हैं। स्वास्थ्य सेवा अध्ययनों में, एक ही अस्पताल में उपचार पाने वाले मरीज समान देखभाल स्तर का अनुभव कर सकते हैं या उपचारों पर समान प्रतिक्रिया दे सकते हैं, जिससे स्वास्थ्य परिणामों में क्लस्टरिंग आती है।

जब पदानुक्रमित डेटा में स्वतंत्रता के अनुमेय की अनदेखी की जाती है, तो कई समस्याएँ उत्पन्न होती हैं:

• मानक त्रुटियों का कम आकलन: क्योंकि पारंपरिक मॉडल स्वतंत्रता मानते हैं, वे क्लस्टर्ड डेटा में अक्सर छोटी मानक त्रुटियाँ देते हैं, जिससे सांख्यिकीय महत्व के बारे में अत्यधिक आशावादी निष्कर्ष निकलते हैं।
• गुणांक का गलत आकलन: क्लस्टरिंग का हिसाब न रखने से गुणांकों के आकलन में पक्षपात आ सकता है, जिससे व्यक्तिगत-स्तर और समूह-स्तर चरों के प्रभावों को अलग करना कठिन हो जाता है।

मल्टीलेवल मॉडल की आवश्यकता कैसे पहचानें

मल्टीलेवल मॉडल तब उपयुक्त होगा जब डेटा में निम्न में से एक या अधिक विशेषताएँ दिखें:

• ऑब्ज़र्वेशन बड़े इकाइयों के भीतर समूहित हैं (उदा., कक्षाओं के भीतर छात्र)। जैसा कि कहा गया, हर इकाई व्यक्तिगत परिणामों को प्रभावित कर सकती है।
• क्लस्टरों के भीतर के ऑब्ज़र्वेशन एक-दूसरे से समान होने की संभावना रखते हैं। आप अक्सर इसे इंट्राक्लास करलेशन गुणांक (ICC) की गणना कर जाँच सकते हैं, जो समूह-स्तरीय अंतरों से उत्पन्न विचरण के अनुपात को मापते हैं।
• यदि हम किसी परिणाम पर व्यक्तिगत-स्तर और समूह-स्तर चरों दोनों के प्रभाव को समझना चाहते हैं (उदा., छात्र के प्रयास और स्कूल संसाधनों—दोनों से प्रभावित टेस्ट स्कोर), तो MLM उपयुक्त विकल्प है।

इसे एक उदाहरण से समझते हैं। मान लीजिए एक अध्ययन छात्र की शैक्षणिक उपलब्धि की जाँच कर रहा है। यहाँ, एक सिंगल-लेवल मॉडल हर छात्र को एक स्वतंत्र ऑब्ज़र्वेशन मानेगा, यह नज़रअंदाज़ करते हुए कि एक ही स्कूल के छात्र एक-दूसरे से अन्य स्कूलों के छात्रों की तुलना में अधिक समान हो सकते हैं। MLM का उपयोग कर, हम व्यक्तिगत छात्र-स्तर के चर (जैसे पढ़ाई में बिताए घंटे) और स्कूल-स्तर के चर (जैसे प्रति छात्र फंडिंग या शिक्षक-छात्र अनुपात) दोनों को मॉडल कर सकते हैं ताकि दोनों स्तरों के प्रभावों को सटीकता से पकड़ा जा सके।

यहाँ देखें कि वास्तविक दुनिया के विभिन्न परिदृश्यों में MLM कैसे लागू होती है:

• शिक्षा में, MLM छात्र प्रदर्शन का विश्लेषण छात्र-स्तरीय (सामाजिक-आर्थिक स्थिति, अध्ययन की आदतें) और स्कूल-स्तर कारकों (फंडिंग, शिक्षक का अनुभव) को समाहित कर करती है, यह दिखाते हुए कि क्या स्कूल संसाधन व्यक्तिगत अंतरों से परे छात्र परिणामों पर प्रभाव डालते हैं।
• स्वास्थ्य सेवा में, MLM शोधकर्ताओं को मरीज-स्तरीय (आयु, स्वास्थ्य स्थिति) और अस्पताल-स्तर के चरों (सुविधा की गुणवत्ता, स्टाफ की विशेषज्ञता) को ध्यान में रखते हुए परिणामों की जाँच करने देती है, और यह पहचानने में मदद करती है कि क्या अस्पताल की विशेषताएँ (जैसे नर्स-से-मरीज अनुपात) रिकवरी दरों को प्रभावित करती हैं।
• अनुदैर्ध्य अध्ययनों में, MLM समय के साथ व्यक्तिगत परिवर्तनों (उदा., थेरेपी के दौरान मानसिक स्वास्थ्य) को ट्रैक करने के लिए आदर्श है, समय-विशिष्ट और व्यक्तिगत कारकों को शामिल कर, जिससे सत्र-स्तर और समग्र प्रगति—दोनों प्रभावों को अलग-अलग समझने में मदद मिलती है।
• लोक स्वास्थ्य में, MLM रोग प्रसार को समझने में सहायता करती है, व्यक्तिगत (टीकाकरण स्थिति) और समुदाय-स्तर के कारकों (जनसंख्या घनत्व, हस्तक्षेप) को ध्यान में रखकर यह स्पष्ट करती है कि कौन-सी सामुदायिक रणनीतियाँ (उदा., जागरूकता अभियान) संक्रमण को प्रभावी रूप से घटाती हैं।
• समूह थेरेपी अनुसंधान में, MLM व्यक्तिगत (आत्म-सम्मान, थेरेपी के प्रति प्रतिबद्धता) और समूह-स्तर की गतिशीलताओं (एकजुटता, लीडर का अनुभव) का हिसाब रखती है, यह दिखाते हुए कि सुधार का कितना हिस्सा व्यक्तिगत बनाम समूह प्रभावों के कारण है—जिससे बेहतर थेरेपी संरचनाओं की जानकारी मिलती है।

इन सभी क्षेत्रों में, MLM वे निर्भरताएँ पकड़ती है जिन्हें सिंगल-लेवल मॉडल चूक सकते हैं, और ऐसे हस्तक्षेप सुझाती है जो व्यक्तिगत ज़रूरतों और व्यापक संरचनात्मक कारकों—दोनों के अनुरूप हों।

मल्टीलेवल मॉडलिंग की प्रमुख अवधारणाएँ

MLM के कुछ प्रमुख घटक हैं—फिक्स्ड और रैंडम इफेक्ट्स, सेंटरिंग तकनीकें, कोवेरिएंस संरचनाएँ, और डेटा संरचनाएँ। आइए प्रत्येक को उनके अनुप्रयोग और व्याख्या के मार्गदर्शन के साथ समझते हैं।

फिक्स्ड बनाम रैंडम इफेक्ट्स

MLM में, फिक्स्ड इफेक्ट्स उन संबंधों का आकलन करते हैं जिन्हें विश्लेषण की सभी इकाइयों में समान माना जाता है। ये गुणांक पारंपरिक प्रतिगमन मॉडलों की तरह ही व्याख्यायित होते हैं और सभी समूहों या क्लस्टरों पर समान रूप से लागू होते हैं। उदाहरण के लिए, यदि हम यह देख रहे हैं कि अध्ययन के घंटे स्कूलों में टेस्ट स्कोर पर कैसे प्रभाव डालते हैं, तो अध्ययन घंटों के लिए एक फिक्स्ड इफेक्ट यह मानेगा कि इसका प्रभाव सभी स्कूलों में समान है।

दूसरी ओर, रैंडम इफेक्ट्स समूहों या क्लस्टरों के बीच की परिवर्तनशीलता को अनुमति देते हैं, ऐसे पैरामीटर का आकलन करके जो इन इकाइयों के बीच बदल सकते हैं। ये समग्र फिक्स्ड इफेक्ट्स से समूह-स्तरीय विचलनों को पकड़ते हैं—जैसे कि कुछ स्कूल स्वाभाविक रूप से अन्य की तुलना में अधिक या कम औसत स्कोर रखते हों। जैसे रैखिक प्रतिगमन में इंटरसेप्ट और स्लोप होते हैं, वैसे ही MLM के रैंडम इफेक्ट्स को रैंडम इंटरसेप्ट और रैंडम स्लोप द्वारा पैरामीटराइज़ किया जाता है।

रैंडम इंटरसेप्ट क्लस्टरों के बीच बेसलाइन (इंटरसेप्ट) में भिन्नता को मॉडल करते हैं। उदाहरण के लिए, एक रैंडम इंटरसेप्ट हर स्कूल को एक विशिष्ट औसत टेस्ट स्कोर रखने देगा, जो स्कूलों के बीच बेसलाइन प्रदर्शन के अंतर को दर्शाता है।

रैंडम स्लोप क्लस्टरों के बीच किसी स्वतंत्र चर और आश्रित चर के संबंध में भिन्नता को पकड़ते हैं। यदि अध्ययन घंटों का टेस्ट स्कोर पर प्रभाव एक स्कूल से दूसरे में बदलता है, तो इसे रैंडम स्लोप से मॉडल किया जा सकता है, जहाँ हर स्कूल के लिए अध्ययन घंटे और स्कोर के बीच एक विशिष्ट संबंध होगा।

फिक्स्ड और रैंडम इफेक्ट्स का उपयोग कब करें

जब हम सभी क्लस्टरों में एक समान संबंध मानते हैं, तो सामान्यतः फिक्स्ड इफेक्ट्स उपयोगी होते हैं, जबकि जब हम समूहों के बीच परिवर्तन की उम्मीद करते हैं, तो रैंडम इफेक्ट्स उपयोगी होते हैं। खासकर, जब यह संकेत मिले कि भविष्यकताओं और परिणामों के बीच संबंध क्लस्टरों के बीच बदलता है, तब रैंडम स्लोप मूल्यवान होते हैं।

ग्रैंड-मीन बनाम ग्रुप-मीन सेंटरिंग

सेंटरिंग एक तकनीक है जिसका उपयोग पूर्वानुमानकर्ताओं (predictors) को समायोजित करने और मल्टीलेवल मॉडलों की व्याख्यात्मकता बेहतर करने के लिए किया जाता है।

• ग्रैंड-मीन सेंटरिंग: इसमें प्रत्येक पूर्वानुमानकर्ता चर को समग्र औसत (सभी क्लस्टरों में औसत) के आसपास केंद्रित किया जाता है। यह विधि इंटरसेप्ट की व्याख्या उस समूह के लिए प्रत्याशित परिणाम के रूप में करने में मदद करती है जो पूर्वानुमानकर्ता के औसत स्तर पर है।
  उदाहरण: मान लें कि हम स्कूलों में अध्ययन घंटों का टेस्ट स्कोर पर प्रभाव देख रहे हैं। अध्ययन घंटों को ग्रैंड-मीन के आसपास केंद्रित कर, हम अध्ययन घंटों के फिक्स्ड इफेक्ट की व्याख्या सभी स्कूलों में औसत प्रभाव के रूप में करते हैं।
  
• ग्रुप-मीन सेंटरिंग: इसमें प्रत्येक पूर्वानुमानकर्ता को उसके संबंधित समूह या क्लस्टर के औसत के आसपास केंद्रित किया जाता है। यह तरीका क्लस्टरों के भीतर और क्लस्टरों के बीच के प्रभावों को अलग करने में सहायक होता है, खासकर जब हम यह जानना चाहते हैं कि क्लस्टर के भीतर की भिन्नता परिणाम को कैसे प्रभावित करती है।
  उदाहरण: अध्ययन घंटों के लिए ग्रुप-मीन सेंटरिंग हमें किसी व्यक्ति के अध्ययन घंटों के प्रभाव की व्याख्या उसके स्कूल के औसत की तुलना में करने देती है, जिससे स्कूल के भीतर के प्रभावों को स्कूलों के बीच के अंतरों से अलग करना आसान होता है।

ग्रैंड-मीन और ग्रुप-मीन में से चयन कैसे करें

ग्रैंड-मीन सेंटरिंग तब उपयुक्त है जब हम पूर्वानुमानकर्ताओं के प्रभाव को समग्र जनसंख्या औसत के सापेक्ष देखना चाहते हैं। वहीं, ग्रुप-मीन सेंटरिंग तब उपयोगी है जब समूह-भीतर और समूहों-के-बीच के प्रभावों को अलग करना आवश्यक हो। उदाहरण के लिए, यदि हम छात्रों के अध्ययन घंटों की तुलना उनके स्कूल के औसत अध्ययन समय के संदर्भ में करना चाहते हैं, तो ग्रुप-मीन सेंटरिंग ऐसे अंतर्ग्रुप तुलनाओं को स्पष्ट करती है।

कोवेरिएंस मैट्रिसेज़

MLM में कोवेरिएंस मैट्रिसेज़ क्लस्टरों के भीतर और क्लस्टरों के बीच की परिवर्तनशीलता को समझने के लिए महत्वपूर्ण हैं। ये रैंडम इफेक्ट्स और रेजिड्युअल्स की संरचना की व्याख्या में प्रमुख होती हैं:

• रेजिड्युअल कोवेरिएंस मैट्रिक्स क्लस्टरों के भीतर ऑब्ज़र्वेशनों के बीच उस सहसम्बंध को मैप करती है, जिसे फिक्स्ड या रैंडम इफेक्ट मॉडलिंग कवर नहीं करती।
• रैंडम इफेक्ट्स कोवेरिएंस मैट्रिक्स रैंडम इफेक्ट्स—जैसे रैंडम इंटरसेप्ट और स्लोप—की परिवर्तनशीलता को मैप करती है, और क्लस्टरों के पार निर्भरताओं का मॉडल करती है। उदाहरण के लिए, रैंडम स्लोप वाले मॉडल में, यह मैट्रिक्स दिखाती है कि स्लोप एक क्लस्टर से दूसरे में कैसे बदलता है।

MLM में कोवेरिएंस का महत्व

MLM में कोवेरिएंस संरचना मॉडल को मानक त्रुटियाँ और गुणांक सही ढंग से आकलित करने देती है, क्लस्टर्ड डेटा के भीतर निर्भरताओं का हिसाब रखते हुए। उपयुक्त कोवेरिएंस संरचना तय करना सुनिश्चित करता है कि मॉडल क्लस्टरों के भीतर और उनके बीच के संबंधों को सटीक रूप से प्रतिबिंबित करे, जिससे अधिक विश्वसनीय निष्कर्ष निकलें।

नेस्टेड बनाम क्रॉस-क्लासिफ़ाइड संरचनाएँ

डेटा संरचना—नेस्टेड है या क्रॉस-क्लासिफ़ाइड—की पहचान करना सटीक MLM बनाने का बड़ा हिस्सा है:

• नेस्टेड संरचनाएँ वे हैं जहाँ एक स्तर का डेटा पूरी तरह किसी दूसरे (पैरेंट) स्तर में समाहित होता है, जैसे स्कूलों के भीतर छात्र।
• क्रॉस-क्लासिफ़ाइड संरचनाएँ किसी एक पदानुक्रम में ठीक से फिट नहीं बैठतीं, क्योंकि निम्न-स्तरीय इकाइयाँ कई उच्च-स्तरीय इकाइयों से संबद्ध हो सकती हैं। इस संरचना में अधिक जटिल मॉडलिंग चाहिए। एक अच्छा उदाहरण शिक्षा अनुसंधान से है जहाँ छात्र कई वर्गीकरणों—जैसे मोहल्ला और स्कूल जिला—से संबंधित हो सकते हैं। हर छात्र के पास मोहल्ला और स्कूल का एक अनोखा संयोजन होता है, जिससे क्रॉस-क्लासिफ़ाइड संरचना बनती है।

सही संरचना कैसे निर्धारित करें

यह निर्धारित करने के लिए जाँचें कि क्या निम्न-स्तर की हर इकाई एक ही उच्च-स्तर की इकाई (नेस्टेड) से संबंधित है, या कई इकाइयों (क्रॉस-क्लासिफ़ाइड) से। सही संरचना सुनिश्चित करती है कि MLM वास्तविक डेटा निर्भरताओं को पकड़े और सार्थक अंतर्दृष्टि दे।

मल्टीलेवल मॉडल लागू करना

अब हम R में lme4 पैकेज का उपयोग कर, नीचे दिए चरण-दर-चरण मार्गदर्शिका के साथ MLM लागू करेंगे।

चरण 1: डेटा सेट करना

आइए नेस्टेड सिंथेटिक डेटा बनाते हैं। यहाँ, छात्र स्कूलों के भीतर नेस्टेड हैं; हर पंक्ति एक व्यक्तिगत छात्र का प्रतिनिधित्व करती है, और स्कूलों के लिए एक ग्रुपिंग वैरिएबल है।

# Create the data frame
our_multilevel_data <- data.frame(
  StudentID = 1:20,
  SchoolID = c("A", "A", "B", "B", "A", "A", "B", "B", "A", "B", 
               "A", "C", "C", "C", "C", "A", "B", "C", "B", "C"),
  StudyHours = c(5, 3, 4, 6, 2, 7, 5, 8, 6, 3, 
                 4, 5, 6, 2, 7, 9, 2, 8, 4, 3),
  TestScore = c(80, 70, 85, 90, 60, 95, 88, 92, 85, 75, 
                72, 78, 83, 65, 89, 96, 67, 91, 79, 68)
)

# Display the first 5 rows of the data frame
head(our_multilevel_data, 5)संचालित द्वारा

चरण 2: lme4 लाइब्रेरी स्थापित और लोड करना

R में मल्टीलेवल मॉडलिंग के लिए lme4 लाइब्रेरी व्यापक रूप से उपयोग होती है। इसे ऐसे इंस्टॉल और लोड करें:

# Install lme4 if you haven't already
install.packages("lme4")

# Load the library
library(lme4)संचालित द्वारा

चरण 3: दो-स्तरीय रैंडम इंटरसेप्ट मॉडल फिट करना

इस उदाहरण में, हम TestScore को आउटकम वैरिएबल के रूप में मॉडल करेंगे, और StudyHours को प्रेडिक्टर के रूप में, साथ ही स्कूलों के बीच की भिन्नता (रैंडम इंटरसेप्ट) का हिसाब रखते हुए। यह मॉडल प्रत्येक स्कूल के लिए एक इंटरसेप्ट का आकलन करता है, जिससे हर स्कूल का एक विशिष्ट बेसलाइन स्कोर हो सके।

lme4 में फॉर्मूला सिंटैक्स (1 | SchoolID) का उपयोग ग्रुपिंग वैरिएबल SchoolID के लिए रैंडम इंटरसेप्ट बताने हेतु किया जाता है।

# Fit a two-level random intercept model
our_multilevel_model <- lmer(TestScore ~ StudyHours + (1 | SchoolID), data = our_multilevel_data)संचालित द्वारा

इस मॉडल में शामिल हैं:

• StudyHours के लिए फिक्स्ड इफेक्ट: सभी स्कूलों में अध्ययन घंटों का टेस्ट स्कोर पर औसत प्रभाव का अनुमान।
• SchoolID के लिए रैंडम इंटरसेप्ट: इंटरसेप्ट (बेसलाइन टेस्ट स्कोर) को स्कूल-दर-स्कूल बदलने की अनुमति।

चरण 4: सारांश और मॉडल आउटपुट

मॉडल फिट करने के बाद, summary() फ़ंक्शन से परिणाम देखें, जो फिक्स्ड इफेक्ट्स, वैरिएंस कंपोनेंट्स और मानक त्रुटियों के आकलन देता है।

# Summary of the model
summary(our_multilevel_model)संचालित द्वारा

Linear mixed model fit by REML ['lmerMod']
Formula: TestScore ~ StudyHours + (1 | SchoolID)
   Data: data

REML criterion at convergence: 105.7

Scaled residuals: 
     Min       1Q   Median       3Q      Max 
-1.81620 -0.59553  0.03922  0.27094  1.86051 

Random effects:
 Groups   Name        Variance Std.Dev.
 SchoolID (Intercept)  9.41    3.068   
 Residual             11.17    3.343   
Number of obs: 20, groups:  SchoolID, 3

Fixed effects:
            Estimate Std. Error t value
(Intercept)  56.7194     2.6280   21.58
StudyHours    4.7643     0.3612   13.19

Correlation of Fixed Effects:
           (Intr)
StudyHours -0.682
संचालित द्वारा

यह आउटपुट प्रदान करता है:

• फिक्स्ड इफेक्ट्स: StudyHours के लिए गुणांक (आकलन), जो अध्ययन घंटों का टेस्ट स्कोर पर औसत प्रभाव दिखाते हैं।

• रैंडम इफेक्ट्स: इंटरसेप्ट के लिए वैरिएंस कंपोनेंट्स, जो स्कूलों के बीच की भिन्नता को पकड़ते हैं।

• रेजिड्युअल वैरिएंस: स्कूल-भीतर की भिन्नता (त्रुटि पद)।

चरण 5: प्रमुख परिणामों की व्याख्या

अब, परिणामों को समझते हैं:

फिक्स्ड इफेक्ट आकलन

सारांश में दिए गए फिक्स्ड इफेक्ट्स बताते हैं कि औसतन स्कूलों में StudyHours का TestScore पर क्या प्रभाव है।

• इंटरसेप्ट: शून्य अध्ययन घंटे वाले छात्रों का औसत टेस्ट स्कोर।
• स्लोप (StudyHours): हर अतिरिक्त अध्ययन घंटे पर टेस्ट स्कोर में औसत वृद्धि। यह आकलन सभी स्कूलों पर लागू होता है।

रैंडम इफेक्ट वैरिएंस कंपोनेंट्स

रैंडम इफेक्ट्स समूह-स्तर (उदा., स्कूलों के बीच) की परिवर्तनशीलता को दर्शाते हैं। आउटपुट में, रैंडम इंटरसेप्ट वैरिएंस (SchoolID) 9.14 यह बताता है कि औसत टेस्ट स्कोर में स्कूल कितने अलग हैं (लगभग 3 का sd), जो स्कूलों के बीच बेसलाइन प्रदर्शन के अंतर को पकड़ता है।

रेजिड्युअल वैरिएंस

11.17 का रेजिड्युअल वैरिएंस समूह-भीतर की भिन्नता का प्रतिनिधित्व करता है (उदा., एक ही स्कूल के छात्रों के बीच अंतर)।

इंट्राक्लास करलेशन गुणांक (ICC)

ICC यह मापता है कि कुल विचरण का कितना भाग समूहों के बीच मौजूद है, और MLM की आवश्यकता का आकलन करने में मदद करता है। उच्च ICC यह सुझाता है कि परिणाम की परिवर्तनशीलता का एक महत्वपूर्ण हिस्सा समूह-अंतर से आता है।

ICC की गणना इस प्रकार करें:

# Extract variance components
school_variance <- as.numeric(VarCorr(our_multilevel_model)$SchoolID[1])
residual_variance <- attr(VarCorr(our_multilevel_model), "sc")^2

# Calculate ICC
ICC <- school_variance / (school_variance + residual_variance)
ICCसंचालित द्वारा

0.4571434संचालित द्वारा

ICC का मान 1 के निकट होने पर अधिकांश परिवर्तनशीलता समूह-स्तर पर होती है, जबकि 0 के निकट होने पर समूह-भीतर परिवर्तनशीलता हावी रहती है। सामान्यतः 0.1 या 0.2 से ऊपर के ICC मल्टीलेवल दृष्टिकोण की आवश्यकता दर्शाते हैं। यहाँ ~0.46 का ICC मिल रहा है, जो MLM दृष्टिकोण के उपयोग को आवश्यक ठहराता है।

चरण 6: अतिरिक्त मॉडल समायोजन

इसके बाद हम कुछ मॉडल समायोजन कर सकते हैं।

रैंडम स्लोप जोड़ना

यदि StudyHours का प्रभाव स्कूलों के बीच बदलता है (कुछ स्कूलों में यह संबंध ज्यादा मज़बूत या कमजोर हो सकता है), तो हम StudyHours के लिए रैंडम स्लोप जोड़ते हैं:

# Model with random slope for StudyHours
model_slope <- lmer(TestScore ~ StudyHours + (StudyHours | SchoolID), data = our_multilevel_data)संचालित द्वारा

यह मॉडल प्रत्येक स्कूल के लिए एक विशिष्ट स्लोप का आकलन करता है, जिससे अध्ययन घंटे और टेस्ट स्कोर के बीच संबंध स्कूलों के बीच बदल सके।

मॉडल तुलना

आइए anova() फ़ंक्शन का उपयोग कर, रैंडम स्लोप वाले और बिना रैंडम स्लोप वाले मॉडलों की तुलना करते हैं, ताकि जाँच सकें कि जटिलता जोड़ने से मॉडल फिट में सुधार होता है या नहीं।

# Compare models
anova(our_multilevel_model, model_slope)संचालित द्वारा

Data: data
Models:
model: TestScore ~ StudyHours + (1 | SchoolID)
model_slope: TestScore ~ StudyHours + (StudyHours | SchoolID)
            npar    AIC    BIC  logLik deviance  Chisq Df Pr(>Chisq)
model          4 116.44 120.43 -54.221   108.44                     
model_slope    6 119.31 125.28 -53.655   107.31 1.1331  2     0.5675
संचालित द्वारा

महत्वपूर्ण अंतर यह दर्शाता है कि रैंडम स्लोप मॉडल में सुधार लाता है। यहाँ स्लोप जोड़ने पर AIC और BIC संख्याएँ यह दिखाती हैं कि कोई महत्वपूर्ण अंतर नहीं है।

मल्टीलेवल मॉडलिंग के उन्नत विषय

MLM में बेयज़ियन दृष्टिकोण और उन्नत डेटा संरचनाओं का उपयोग, खासकर सूक्ष्म डेटा पैटर्न के साथ काम करते समय, बेहतर अंतर्दृष्टि दे सकता है। यहाँ मानक पदानुक्रमित संरचनाओं से आगे बढ़ने वाली उन्नत MLM तकनीकों का एक अवलोकन है।

1. रैंडम स्लोप और क्रॉस-लेवल अन्तःक्रियाएँ

क्रॉस-लेवल अन्तःक्रियाएँ

क्रॉस-लेवल अन्तःक्रियाएँ हमें यह जाँचना देती हैं कि एक स्तर (उदा., व्यक्तिगत) पर संबंध उच्च स्तर (उदा., समूह) के कारकों के अनुसार कैसे बदलते हैं। ये अन्तःक्रियाएँ तब महत्वपूर्ण होती हैं जब निम्न-स्तरीय प्रेडिक्टर का प्रभाव किसी उच्च-स्तरीय विशेषता पर निर्भर करता है।

उदाहरण: मान लें हम स्कूलों में छात्रों के बीच अध्ययन घंटों और टेस्ट स्कोर के संबंध की जाँच कर रहे हैं। एक क्रॉस-लेवल अन्तःक्रिया यह समझने में मदद कर सकती है कि क्या अध्ययन घंटों का प्रभाव स्कूल-स्तरीय चरों, जैसे स्कूल फंडिंग या औसत शिक्षक अनुभव, के अनुसार बदलता है।

इस स्थिति में:

• अध्ययन घंटों के लिए रैंडम स्लोप अध्ययन घंटों के प्रभाव को एक स्कूल से दूसरे में बदलने देगा।
• एक क्रॉस-लेवल अन्तःक्रिया यह मॉडल करने में सहायक होगी कि क्या उच्च फंडिंग वाले स्कूलों में अध्ययन घंटों और टेस्ट स्कोर के बीच संबंध अधिक मज़बूत है।

जब समूह संदर्भ (जैसे स्कूल या क्षेत्र) व्यक्तिगत-स्तर के व्यवहार को प्रभावित कर सकते हैं, तब क्रॉस-लेवल अन्तःक्रियाएँ विशेष रूप से उपयोगी होती हैं, क्योंकि वे बताती हैं कि समूह-विशेषताएँ संबंधों को कैसे बढ़ाती या घटाती हैं।

अन्तःक्रियाओं को पकड़ने के लिए रैंडम स्लोप का उपयोग

रैंडम स्लोप हमें समूहों के पार प्रेडिक्टर और आउटकम के बीच संबंध में भिन्नता मॉडल करने देते हैं। जब हमें संदेह हो कि किसी प्रेडिक्टर (उदा., अध्ययन घंटे) का प्रभाव समूहों (उदा., स्कूलों) में समान नहीं है, तो यह तकनीक उपयोगी है। रैंडम स्लोप निर्दिष्ट कर, मॉडल इन समूह-विशिष्ट भिन्नताओं को पकड़ सकता है।

रैंडम स्लोप का उपयोग करें जब:

• ऐसा प्रमाण हो कि प्रेडिक्टर-आउटकम संबंध समूहों में महत्वपूर्ण रूप से बदलता है।
• आप यह समझना चाहते हों कि व्यक्तिगत-स्तर के प्रभाव समूहों में कैसे भिन्न हैं और क्या समूह-स्तरीय वैरिएबल्स इन प्रभावों को मॉडरेट करते हैं।

2. पदानुक्रमित संरचनाओं से परे मल्टीलेवल मॉडल

पारंपरिक MLM सख्त पदानुक्रम मानते हैं, लेकिन अक्सर डेटा अधिक जटिल संरचनाओं में होता है जहाँ व्यक्ति कई समूहों से संबंधित हो सकते हैं जो सरल पदानुक्रम में फिट नहीं बैठते।

क्रॉस-क्लासिफ़ाइड मॉडल

क्रॉस-क्लासिफ़ाइड मॉडल उन स्थितियों के लिए बनाए गए हैं जहाँ निम्न-स्तरीय इकाइयाँ एक साथ दो या अधिक उच्च-स्तरीय समूहों में नेस्टेड होती हैं। सख्त पदानुक्रमित संरचनाओं के विपरीत, ये मॉडल व्यक्तियों के अनेक वर्गीकरणों से संबंधित होने का हिसाब रखते हैं, जिससे हर वर्गीकरण का आउटकम पर अपना प्रभाव हो सके।

उदाहरण के लिए, शिक्षा अनुसंधान में छात्र मोहल्लों और स्कूलों—दोनों—के भीतर नेस्टेड हो सकते हैं। कुछ छात्र अपने पड़ोसियों से अलग स्कूलों में जाते हैं, जिससे ऐसी संरचना बनती है जहाँ व्यक्ति सिर्फ एक समूह में नेस्टेड नहीं हैं, बल्कि दो क्रॉस-क्लासिफ़ाइड समूहों में फैले हुए हैं।

ऐसे मामलों में, मॉडल मोहल्लों और स्कूलों को अलग लेकिन क्रॉस-क्लासिफ़ाइड वैरिएंस स्रोतों के रूप में मानता है, जिससे शोधकर्ता दोनों वर्गीकरणों के प्रभावों का आकलन कर सकते हैं। यह दृष्टिकोण उन अध्ययनों में सामान्य है जहाँ लोग एक से अधिक सामाजिक या भौगोलिक समूहों के साथ अन्तःक्रिया करते हैं।

क्रॉस-क्लासिफ़ाइड मॉडल कब उपयोग करें

क्रॉस-क्लासिफ़ाइड मॉडल तब उपयुक्त हैं जब:

• व्यक्ति या निम्न-स्तरीय इकाइयाँ कई उच्च-स्तरीय इकाइयों से प्रभावित होती हैं (उदा., छात्र स्कूल और मोहल्ला—दोनों के संदर्भों से प्रभावित होते हैं)।
• हम यह समझना चाहते हैं कि जब ये वर्गीकरण सख्त पदानुक्रम न बनाते हों, तब प्रत्येक वर्गीकरण आउटकम की परिवर्तनशीलता में कैसे योगदान देता है।

3. मल्टीलेवल मॉडलों के लिए बेयज़ियन विधियाँ

बेयज़ियन मल्टीलेवल मॉडलिंग MLM का एक प्रायिकतामूलक दृष्टिकोण है, जो विशेष रूप से जटिल या छोटे डेटासेट में उपयोगी होता है।

बेयज़ियन मल्टीलेवल मॉडलिंग के लाभ

बेयज़ियन MLM, फ़्रीक्वेंटिस्ट दृष्टिकोणों पर कई लाभ देता है:

• छोटे नमूनों में बेहतर आकलन: जब नमूना आकार सीमित हो या डेटा विरल हो, तो बेयज़ियन विधियाँ पूर्व वितरणों (priors) का उपयोग कर अधिक विश्वसनीय आकलन दे सकती हैं।
• जटिल मॉडलों के साथ लचीलापन: बेयज़ियन दृष्टिकोण कई रैंडम इफेक्ट्स या जटिल कोवेरिएंस संरचनाओं वाले मॉडलों को अधिक सहजता से संभालता है।
• अनिश्चितता का आकलन: बेयज़ियन विधियाँ पैरामीटरों के लिए पूर्ण पश्च (posterior) वितरण देती हैं, जिससे अनिश्चितता की समृद्ध व्याख्या संभव होती है।

बेयज़ियन MLM में, बिंदु-आकलनों के बजाय, मॉडल संभावित मानों के वितरण देता है, जिससे हम अनिश्चितता व्यक्त कर सकते हैं और पैरामीटर मानों के बारे में प्रायिकतामूलक कथन कर सकते हैं। उदाहरण के लिए, हम कह सकते हैं कि 95% संभावना है कि अध्ययन घंटों का टेस्ट स्कोर पर वास्तविक प्रभाव किसी निर्दिष्ट सीमा के भीतर आता है।

बेयज़ियन मल्टीलेवल मॉडलिंग के उपकरण

बेयज़ियन MLM के लोकप्रिय उपकरण हैं:

• Stan: Stan एक शक्तिशाली बेयज़ियन मॉडलिंग टूल है, जिसे अक्सर R इंटरफेस जैसे rstanarm और brms के माध्यम से उपयोग किया जाता है, जो बेयज़ियन MLM को सेटअप का बड़ा हिस्सा स्वचालित कर सरल बनाते हैं।

• PyMC3: Python में, PyMC3 बेयज़ियन मॉडलिंग के लिए व्यापक रूप से प्रयोग होता है और कस्टम बेयज़ियन MLM बनाने के लिए लचीलापन देता है।

Stan और PyMC3 दोनों Markov chain Monte Carlo (MCMC) विधियों का उपयोग पश्च वितरणों से सैंपल निकालने के लिए करते हैं—जो संगणनात्मक रूप से गहन है परन्तु पैरामीटर आकलन को सटीक बनाता है, विशेषकर मल्टीलेवल सेटिंग्स में।

उदाहरण उपयोग: स्वास्थ्य सेवा में बेयज़ियन MLM

कई अस्पतालों में मरीजों के रिकवरी समय पर लागू एक बेयज़ियन MLM पर विचार करें। यदि हम उपचार प्रकार और डॉक्टर के अनुभव जैसे कारकों की जाँच कर रहे हैं, तो बेयज़ियन MLM यह बता सकता है कि प्रत्येक अस्पताल का उपचार दृष्टिकोण रिकवरी को कितनी सीमा तक प्रभावित करता है। यह दृष्टिकोण शोधकर्ताओं को रिकवरी समय के आकलनों के लिए विश्वसनीयता अंतराल (credible intervals) बनाने और अनिश्चितता को परिमाणित करने देता है—जो चिकित्सा और मनोवैज्ञानिक अध्ययनों में विशेष रूप से मूल्यवान है, जहाँ उच्च भरोसे की आवश्यकता होती है।

सामान्य चुनौतियाँ और सर्वोत्तम अभ्यास

पदानुक्रमित डेटा के साथ काम करते समय कुछ बातों का ध्यान रखना MLM पर काम करते हुए बहुत सहायक हो सकता है।

• उच्च स्तरों पर छोटे नमूना आकार: MLM को समूहों या क्लस्टरों की पर्याप्त संख्या चाहिए ताकि समूह-बीच की परिवर्तनशीलता का सटीक आकलन हो सके। 30 से कम क्लस्टरों पर रैंडम इफेक्ट्स और मानक त्रुटियों के आकलन अविश्वसनीय हो सकते हैं। यदि क्लस्टर सीमित हों, तो सरल मॉडलों पर विचार करें या बेयज़ियन MLM अपनाएँ, जो पूर्व जानकारी समाहित कर छोटे नमूनों को बेहतर संभाल सकता है।
• रैंडम इफेक्ट्स की गलत व्याख्या: रैंडम इफेक्ट्स समूहों के बीच के अंतर को दर्शाते हैं, न कि व्यक्तिगत-विशेष परिणामों को। इन्हें व्यक्तिगत-स्तर के प्रभाव समझ लेना गलत निष्कर्षों की ओर ले जा सकता है। ध्यान इस पर दें कि क्या क्लस्टरों के बीच की परिवर्तनशीलता आपके अध्ययन के संदर्भ में सार्थक है।
• गलत कोवेरिएंस संरचना निर्दिष्ट करना: रैंडम स्लोप वाले मॉडलों में, उपयुक्त कोवेरिएंस संरचना निर्दिष्ट न करने से पक्षपाती आकलन हो सकते हैं। पहले सरल संरचनाओं से शुरू करें और आवश्यकता पड़ने पर जटिल संरचनाओं का अन्वेषण करें। लाइकलिहुड रेश्यो टेस्ट जैसे उपकरण यह तय करने में मदद करते हैं कि अतिरिक्त जटिलता उचित है या नहीं।
• सेंटरिंग पर दिशा-निर्देश: पूर्वानुमानकर्ताओं की ग्रैंड-मीन सेंटरिंग सामान्यतः व्याख्यात्मकता सुधारने के लिए अनुशंसित है, खासकर क्रॉस-लेवल अन्तःक्रियाओं वाले मॉडलों में। ग्रुप-मीन सेंटरिंग समूह-भीतर संबंधों को स्पष्ट कर सकती है, पर इसे तभी अपनाएँ जब वे संबंध विशेष रुचि के हों।
• रैंडम इंटरसेप्ट्स की व्याख्या: रैंडम इंटरसेप्ट्स आउटकम वैरिएबल के बेसलाइन स्तर में समूह-बीच के अंतर को पकड़ते हैं। ये समूह-विशिष्ट बेसलाइन की अनुमति देते हैं, पर अत्यधिक जटिल रैंडम इंटरसेप्ट संरचनाएँ ओवरफिटिंग का कारण बन सकती हैं। रैंडम इंटरसेप्ट्स की व्याख्या सावधानी से करें और देखें कि क्या वे सार्थक वैरिएंस दिखाते हैं।

यदि इंट्राक्लास करलेशन गुणांक (ICC) बहुत कम है (शून्य के निकट), जो समूह-बीच न्यूनतम वैरिएंस को दर्शाता है, तो MLM आवश्यक नहीं हो सकती। इसी तरह, यदि आपके पास बहुत कम क्लस्टर हैं (उदा., 10 से कम), तो MLM की अतिरिक्त जटिलता सरल दृष्टिकोणों पर लाभ नहीं देगी।

निष्कर्ष

अब तक हमने सीखा कि मल्टीलेवल मॉडल पदानुक्रमित डेटा का विश्लेषण करने के लिए एक उपयोगी ढाँचा प्रदान करते हैं, जो तब की जटिलताओं को समाहित करते हैं जब डेटा बिंदु बड़ी इकाइयों में समूहित होते हैं। व्यक्तिगत और समूह-स्तर—दोनों—प्रभावों को पकड़कर, MLM वे नेस्टेड संरचनाएँ समाहित करते हैं जिन्हें सिंगल-लेवल मॉडल अक्सर चूक जाते हैं। फिक्स्ड और रैंडम इफेक्ट्स, वैरिएंस कंपोनेंट्स, और इंट्राक्लास करलेशन गुणांक हमें विभिन्न स्तरों पर परिवर्तनशीलता को मापने और यह आकलन करने देते हैं कि संबंध कैसे बदलते हैं।

अगले कदम के रूप में, हमारा अत्यंत व्यापक कोर्स Hierarchical and Mixed Effects Models in R लें। आप देखेंगे कि डेटा अक्सर कई स्तरों पर जटिल संबंधों में शामिल होता है, और सराहेंगे कि MLM सख्त पदानुक्रमित हो या क्रॉस-क्लासिफ़ाइड—क्लस्टर्ड संरचनाओं को संभालने की क्षमता के माध्यम से—आपके विश्लेषण में गहराई और सटीकता जोड़ते हैं। यही कारण है कि मल्टीलेवल मॉडल सूचित निर्णय-निर्माण और नीतिगत विकास के लिए मूल्यवान उपकरण हैं। मैं हमारे Statistician in R कैरियर ट्रैक की भी अनुशंसा करता/करती हूँ, जो बहुत कुछ सिखाता है।