مقدمه‌ای بر فنون مدل‌سازی چندسطحی ۲۰۲۰
An Introduction to Multilevel Modeling Techniques 2020

مدل‌سازی چندسطحی، روشی برای تحلیل داده‌هاست که به‌طور فزاینده‌ای برای بررسی ساختارهای داده‌ای سلسله مراتبی در رشته‌های علوم تربیتی، رفتاری، بهداشت و علوم اجتماعی مورد استفاده قرار می‌گیرد. تحلیل داده‌های چندسطحی، از ساختارهای داده‌ای بهره می‌برد که با استفاده از روش‌های تحلیلی تک‌سطحی مانند رگرسیون چندگانه، تحلیل مسیر و مدل‌سازی ساختاری، نمی‌توان به نحو شایسته‌ای آن‌ها را بررسی کرد. این کتاب، به شکلی جامع به مدل‌های چندسطحی برای پیامدهای تک‌متغیره و چندمتغیره می‌پردازد. همچنین به بررسی شباهت‌ها و تفاوت‌های آن‌ها پرداخته و نشان می‌دهد که چرا با توجه به اهداف پژوهش، یک مدل ممکن است مناسب‌تر از مدل دیگر باشد.

ویژگی‌های جدید این ویرایش:

* تمرکز بیشتر بر ماهیت انواع مختلف ساختارهای داده‌ای چندسطحی (مانند مقطعی، طولی، طبقه‌بندی متقابل و غیره) برای پرداختن به اهداف پژوهشی خاص؛

* روش‌های مدل‌سازی متنوع برای بررسی داده‌های طولی از جمله رویکردهای اثر تصادفی و اثر ثابت؛

* پوشش گسترده‌تر برای نشان دادن توالی‌های مختلف مدل‌سازی و چگونگی استفاده از نتایج برای شناسایی بهبودهای احتمالی مدل؛

* مجموعه گسترده‌تری از مثال‌های کاربردی که در سراسر متن استفاده شده است؛

* استفاده از چهار بسته نرم‌افزاری مختلف (یعنی Mplus، R، SPSS، Stata)، با نمونه‌های انتخابی از فایل‌های ورودی مدل‌سازی که در پیوست‌های فصل گنجانده شده‌اند و مجموعه کامل‌تری از فایل‌ها که به صورت آنلاین در دسترس است.

این کتاب، منبعی ایده‌آل برای دوره‌های تحصیلات تکمیلی در زمینه‌ی مدل‌سازی چندسطحی، طولی، متغیر پنهان، آمار چندمتغیره یا تکنیک‌های کمی پیشرفته است که در رشته‌های روانشناسی، مدیریت، آموزش، بهداشت و جامعه‌شناسی تدریس می‌شود. پیش‌نیازهای توصیه شده، آمار تک‌متغیره و چندمتغیره مقدماتی است.

Multilevel modelling is a data analysis method that is frequently used to investigate hierarchal data structures in educational, behavioural, health, and social sciences disciplines. Multilevel data analysis exploits data structures that cannot be adequately investigated using single-level analytic methods such as multiple regression, path analysis, and structural modelling. This text offers a comprehensive treatment of multilevel models for univariate and multivariate outcomes. It explores their similarities and differences and demonstrates why one model may be more appropriate than another, given the research objectives.

New to this edition:

• An expanded focus on the nature of different types of multilevel data structures (e.g., cross-sectional, longitudinal, cross-classified, etc.) for addressing specific research goals;
• Varied modelling methods for examining longitudinal data including random-effect and fixed-effect approaches;
• Expanded coverage illustrating different model-building sequences and how to use results to identify possible model improvements;
• An expanded set of applied examples used throughout the text;
• Use of four different software packages (i.e., Mplus, R, SPSS, Stata), with selected examples of model-building input files included in the chapter appendices and a more complete set of files available online.

This is an ideal text for graduate courses on multilevel, longitudinal, latent variable modelling, multivariate statistics, or advanced quantitative techniques taught in psychology, business, education, health, and sociology. Recommended prerequisites are introductory univariate and multivariate statistics.