top of page

SD 0.42 für den Random Intercept und ICC = .18, so liest du die zufälligen Effekte in der lmer-Ausgabe

10. Nov.
4 Min. Lesezeit

Die Ausgabe von lmer zeigt für den Random Intercept eine Standardabweichung von 0.42 und für das Residuum 0.90, daraus ergibt sich ein ICC von rund .18. Ob du überhaupt ein Mehrebenenmodell brauchst, hast du an dieser Stelle schon entschieden. Jetzt geht es darum, was die Zahlen im Block „Random effects“ für deine Fragestellung bedeuten.


Feste und zufällige Effekte in einfachen Worten

Ein Mehrebenenmodell trennt zwei Arten von Effekten. Feste Effekte beschreiben den mittleren Zusammenhang über alle Gruppen hinweg, etwa wie stark Stress im Durchschnitt mit dem Wohlbefinden zusammenhängt. Zufällige Effekte beschreiben, wie sehr die Gruppen um diesen Mittelwert streuen. Ein Random Intercept sagt also, wie unterschiedlich das Ausgangsniveau in den einzelnen Klassen, Stationen oder Teams ist.


Die festen Effekte liest du ähnlich wie in einer gewöhnlichen Regression, wie im Beitrag zu summary(lm()) in R beschrieben. Neu ist der Block darüber. Ein Modell mit erfundenen Daten von 600 Schülerinnen und Schülern in 30 Klassen könnte so aussehen:


lmer(wohlbefinden ~ stress + (1 | klasse), data = d)

Random effects:
 Groups   Name        Variance Std.Dev.
 klasse   (Intercept) 0.1764   0.42
 Residual             0.8100   0.90
Number of obs: 600, groups:  klasse, 30

Was die Spalten im Block Random effects bedeuten

Die Tabelle 1 fasst zusammen, was in diesem Block steht und wie du es liest.


Bestandteil

Bedeutung

Im Beispiel

Groups

Die Gruppierungsvariable, über die die Streuung geschätzt wird

klasse mit 30 Gruppen

Name

Welcher Teil des Modells zufällig variiert, etwa (Intercept) oder ein Prädiktor als Random Slope

Achsenabschnitt

Variance

Varianz der zufälligen Abweichungen der Gruppen

0.1764

Std.Dev.

Wurzel aus der Varianz, in der Einheit der abhängigen Variable

0.42

Residual

Streuung innerhalb der Gruppen, die das Modell nicht erklärt

0.90

Corr

Erscheint bei Random Slopes, Korrelation von Intercept und Slope

nicht vorhanden


Die Standardabweichung ist meist leichter zu deuten als die Varianz. Bei einer Skala von 1 bis 5 heißt eine SD von 0.42, dass die Klassenmittelwerte im Wohlbefinden bei gleichem Stress typischerweise um knapp eine halbe Skalenstufe auseinanderliegen.


Die Intraklassenkorrelation aus der Ausgabe berechnen

Aus den beiden Varianzen ergibt sich die Intraklassenkorrelation. Sie gibt an, welcher Anteil der Gesamtvarianz auf Unterschiede zwischen den Gruppen entfällt. Mit den erfundenen Werten rechnest du 0.42² / (0.42² + 0.90²) = 0.1764 / 0.9864, das ergibt einen ICC von .18. Rund 17.88 % der Varianz im Wohlbefinden liegen also zwischen den Klassen.


Dieser ICC misst etwas anderes als die Übereinstimmung von Ratern, um die es im Beitrag zur ICC als Interrater-Reliabilität geht. Im Mehrebenenmodell beschreibt er die Abhängigkeit der Beobachtungen innerhalb einer Gruppe. Für den Ergebnisteil könnte ein Satz mit den erfundenen Werten so lauten:

Die Varianz des zufälligen Achsenabschnitts zwischen den Klassen betrug 0.18 (SD = 0.42), die Residualvarianz 0.81 (SD = 0.90). Damit entfielen 17.88 % der Varianz auf Unterschiede zwischen den Klassen (ICC = .18).

Für die Ergebnistabelle mit festen und zufälligen Effekten enthält unser Tabellen-Kit Word-Vorlagen, die nach APA 7 aufgebaut sind.


Was bedeutet die Warnung „boundary (singular) fit“ in lme4?

Die Warnung bedeutet, dass mindestens eine geschätzte Varianz null oder fast null ist oder eine Korrelation zwischen zufälligen Effekten bei −1 oder 1 liegt. Die Dokumentation von lme4 zu isSingular beschreibt das als Schätzung am Rand des zulässigen Parameterraums. Ein Rechenfehler ist das nicht.


Meist steckt dahinter ein Modell, das für die Daten zu komplex ist. Typisch sind ein Random Slope bei wenigen Gruppen oder eine zufällige Steigung, die zwischen den Gruppen kaum variiert. Die Dokumentation weist darauf hin, dass solche Modelle überangepasst sind und wenig Power haben können. Über den richtigen Umgang besteht laut Dokumentation noch kein Konsens.


Wie du die Zufallsstruktur vereinfachst, hängt deshalb von deiner Fragestellung und deinem Design ab. Manchmal ist ein Random Slope inhaltlich zwingend, manchmal nicht. Auch die Frage, ob du für einen Modellvergleich mit ML statt REML schätzen musst, spielt hinein. Sie ist im Beitrag fit by REML in der lmer-Ausgabe erklärt.


Wenn deine Zufallsstruktur nicht konvergiert oder singulär wird, prüfen wir dein Modell in der Auswertung mit R und besprechen mit dir, welche Vereinfachung zu deiner Fragestellung passt.

Weitere Meldungen in der Ausgabe

Neben „singular fit“ erscheinen bei lmer gelegentlich Hinweise zur Konvergenz. Sie sind nicht dasselbe und verlangen eine eigene Prüfung. Wie du typische Meldungen in R einordnest, steht im Beitrag zu Fehlermeldungen in R.


Was du über die lmer-Ausgabe wissen solltest

Das hängt von Fach und Betreuung ab. Der ICC zeigt aber auf einen Blick, warum ein Mehrebenenmodell nötig war. Wer ihn zusammen mit den Varianzkomponenten berichtet, ist auf der sicheren Seite.

lme4 gibt für lineare gemischte Modelle bewusst keine p-Werte aus, weil die Freiheitsgrade nicht eindeutig bestimmt sind. Viele Arbeiten nutzen dafür das Paket lmerTest mit einer Näherung der Freiheitsgrade. Welche Methode du verwendest, gehört in den Methodenteil.

Dann unterscheiden sich die Gruppen nach dem Modell nicht in ihrem Ausgangsniveau. lme4 meldet in diesem Fall einen singulären Fit. Das ist ein inhaltliches Ergebnis, das du berichten kannst. Ob du das Modell trotzdem beibehältst, hängt von deinem Design ab.

Der Aufwand hängt davon ab, wie viele Modelle, Ebenen und Prädiktoren du hast. Was eine Auswertung typischerweise umfasst, beschreibt der Beitrag Was kostet eine statistische Auswertung.


Wenn der Block Random effects in deinem Modell Fragen aufwirft Du kannst dein Modell im Statistik-Coaching selbst weiterrechnen und wir erklären dir jede Zeile der Ausgabe. Oder wir übernehmen die Analyse in der Auswertung mit R und gehen sie anschließend mit dir durch. Passt die Zufallsstruktur deines Modells zur Zahl deiner Gruppen?


NEWSLETTER MIT GRATIS-PRÜFLISTE

​

Statistik-Tipps per E-Mail

​

Melde dich für unseren Newsletter an und du bekommst als Dankeschön sofort unsere Prüfliste „Stimmt deine Auswertung?“. Zwölf Punkte, die du vor der Abgabe selbst prüfen kannst.

​

Danach schreiben wir dir etwa zweimal im Monat mit neuen Blogartikeln, Anleitungen zu SPSS und R sowie Hinweisen auf unsere Angebote. Abmelden kannst du dich jederzeit mit einem Klick.

​

Die Prüfliste kommt als PDF direkt in dein Postfach.

Prüfliste und Newsletter

Mit deiner Anmeldung bekommst du die Prüfliste direkt in dein Postfach. Danach schicke ich dir etwa zweimal im Monat unseren Newsletter mit Tipps zu Auswertung, Ergebnisteil und APA 7.

Die Prüfliste kommt gleich per Mail. Für den Newsletter bekommst du zusätzlich einen Bestätigungslink.

bottom of page