SD 0.42 für den Random Intercept und ICC = .18, so liest du die zufälligen Effekte in der lmer-Ausgabe
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, 30Was 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
Muss ich den ICC berichten, wenn ich ein Mehrebenenmodell rechne?
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.
Warum zeigt lmer keine p-Werte für die festen Effekte?
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.
Was ist, wenn die Varianz des Random Intercept genau null ist?
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.
Wie viel Zeit sollte ich für die Prüfung eines Mehrebenenmodells einplanen?
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?


