Mehrebenenanalyse mit R (HLM mit R)
Gekreuzte Effekte
Arndt Regorz, Dipl. Kfm. & MSc. Psychologie, 17.11.2026
Grundlagen kreuzklassifizierte Daten
In meinen bisherigen Tutorials zur Mehrebenenanalyse hatten wir eine klare hierarchische Struktur: Level 1 Beobachtungen genestet in Level 2 Beobachungen, oder Level 1 Beobachtungen genestet in Level 2 Beobachtungen genestet in Level 3 Beobachtungen.
Doch ist die Hierarchie der Datenstruktur nicht immer so eindeutig. Beispiel:
Sie analysieren Schülerinnen und Schüler. Diese sind zum einen genestet in Schulen. Zum anderen sind sie aber auch genestet in Stadtvierteln. Nicht alle Schülerinnen und Schüler eines Stadtviertels gehen zur selben Schule. Und nicht alle Schülerinnen und Schüler einer Schule kommen aus dem selben Stadtviertel. Es lässt sich also keine klare Hierarchie zwischen Schule und Stadtviertel ausmachen.
Die Lösung für dieses Problem? Gekreuzte Effekte: Es gibt zwei verschiedene Level 2 Strukturen. Schülerinnen und Schüler sind also zwei gekreuzten Level 2 Einheiten zugeordnet, Schulen und auch Stadtvierteln. Mit modernen Programmen zur Mehrebenenanalyse lässt sich das einfach umsetzen.
Dabei gibt es die Zufallseffekte potentiell für mehrere Level 2 Einheiten. Im einfachsten Fall von zwei gekreuzten Effekten (z.B. Schülerinnen und Schüler, genestet in Schulen und Stadtvierteln) gibt es in der Regel zwei Random Intercepts, eines für Schulen und eines für Stadtviertel.
Auch Random Slopes kann es getrennt für die verschiedenen Level 2 Einheiten geben, also z.B. eine Random Slope für einen Level 1 Prädiktor innerhalb der Schulen und eine zweite für diesen Level 1 Prädiktor innerhalb der Stadtviertel. Aber es ist ebenfalls möglich, dass nur für eine der Level 2 Einheiten ein Prädiktor eine Random Slope erhält.
Beispiel in R (lme4 Package)
Für die Schätzung eines Modells mit gekreuzten Effekten nutzen wir das Package lme4, für die p-Werte zusätzlich das Package lmerTest.
library(lme4)
library(lmerTest)
head(pupcross,5)
Der Datensatz, pupcross, zeigt die Schulleistung (ACHIEV = achievement) für Schülerinnen und Schüler. Diese sind genestet sowohl innerhalb der Primarschulen, die sie besucht haben, als auch innerhalb der Sekundarschulen, die sie gerade besuchen. Es liegen also kreuzklassifzierte (cross-classified) Daten vor.
Dieser Datensatz stammt aus den Begleitmaterialien des Standardlehrbuchs von Hox et al., dort zu Kapitel 9.
Downloadlink:
https://www.joophox.net/mlbook2/DataExchange.zip
Als Prädiktoren sind wohl Prädiktoren auf Level 1 verfügbar (Geschlecht und Sozio-Ökonomischer-Status, SES), als auch Prädiktoren auf den beiden gekreuzten Level 2 Ebenen (Schultyp der Primarschule, Schultyp der Sekundarschule).
Wir beginnen mit einem Intercept-only Modell, ergänzen dann Fixed Effects auf Level 1, gefolgt von Fixed Effects auf Level 2. Zum Schluss prüfen wir noch eine Random Slope.
Intercept only Modell
R-Code für ein Intercept only Modell mit zwei gekreuzten Effekten:
fit1 <- lmer(ACHIEV ~ 1 + (1|PSCHOOL) + (1|SSCHOOL),
data = pupcross,
REML = FALSE)
summary(fit1)
Auszug aus dem Output:
AIC BIC logLik -2*log(L) df.resid
2325.8 2345.5 -1158.9 2317.8 996
Random effects:
Groups Name Variance Std.Dev.
PSCHOOL (Intercept) 0.1693 0.4115
SSCHOOL (Intercept) 0.0654 0.2557
Residual 0.5132 0.7164
Number of obs: 1000, groups: PSCHOOL, 50; SSCHOOL, 30
Fixed effects:
Estimate Std. Error df t value Pr(>|t|)
(Intercept) 6.34865 0.07831 66.69341 81.07 <2e-16 ***
Bei den Random Effects sehen wir, dass es jetzt drei Random Effects gibt: Den Random Intercept der Primarschule, den Random Intercept der Sekundarschule sowie das Level 1 Residuum.
Mit Schülervariablen
R-Code für ein Modell mit Level 1 Fixed Effekts (Schülervariablen)
fit2 <- lmer(ACHIEV ~ 1 + PUPSEX + PUPSES +
(1|PSCHOOL) + (1|SSCHOOL),
data = pupcross, REML = FALSE)
summary(fit2)
Auszug aus dem Output:
AIC BIC logLik -2*log(L) df.resid
2255.5 2284.9 -1121.7 2243.5 994
Random effects:
Groups Name Variance Std.Dev.
PSCHOOL (Intercept) 0.16900 0.4111
SSCHOOL (Intercept) 0.06361 0.2522
Residual 0.47426 0.6887
Number of obs: 1000, groups: PSCHOOL, 50; SSCHOOL, 30
Fixed effects:
Estimate Std. Error df t value Pr(>|t|)
(Intercept) 5.75548 0.10527 214.26035 54.674 < 2e-16 ***
PUPSEX 0.26131 0.04564 948.85294 5.726 1.38e-08 ***
PUPSES 0.11409 0.01610 942.70341 7.086 2.70e-12 ***
Sowohl das Geschlecht als auch der SES der Schülerinnen und Schüler sind signifikante Prädiktoren für die Schulleistung.
Schulvariablen
R-Code für ein Modell mit zusätzlichen Fixed Effects auf Schulebene:
fit3 <- lmer(ACHIEV ~ 1 + PUPSEX + PUPSES + PDENOM + SDENOM +
(1|PSCHOOL) +
(1|SSCHOOL), data = pupcross, REML = FALSE)
summary(fit3)
Auszug aus dem Output:
AIC BIC logLik -2*log(L) df.resid
2253.5 2292.7 -1118.7 2237.5 992
Random effects:
Groups Name Variance Std.Dev.
PSCHOOL (Intercept) 0.15941 0.3993
SSCHOOL (Intercept) 0.05542 0.2354
Residual 0.47410 0.6886
Number of obs: 1000, groups: PSCHOOL, 50; SSCHOOL, 30
Fixed effects:
Estimate Std. Error df t value Pr(>|t|)
(Intercept) 5.51851 0.14077 145.00827 39.202 < 2e-16 ***
PUPSEX 0.26308 0.04561 950.21262 5.768 1.08e-08 ***
PUPSES 0.11356 0.01609 945.00643 7.056 3.31e-12 ***
PDENOM 0.20412 0.12410 50.23127 1.645 0.1063
SDENOM 0.17615 0.09466 48.06052 1.861 0.0689 .
Die Art der Schule (staatlich oder kirchlich) sagt weder für die Primarschule noch für die Sekundarschule die spätere Schulleistung signifikant voraus.
Mit Random Slope SES für Primarschule
R-Code für ein Modell mit einer zusätzlichen Random Slope für den SES der Schüler ja nach Primarschulen:
fit4 <- lmer(ACHIEV ~ 1 + PUPSEX + PUPSES + PDENOM + SDENOM +
(1+PUPSES|PSCHOOL) +
(1|SSCHOOL), data = pupcross, REML = FALSE)
summary(fit4)
Auszug aus dem Output:
AIC BIC logLik -2*log(L) df.resid
2244.5 2293.6 -1112.2 2224.5 990
Random effects:
Groups Name Variance Std.Dev. Corr
PSCHOOL (Intercept) 0.148597 0.38548
PUPSES 0.008019 0.08955 -0.45
SSCHOOL (Intercept) 0.053733 0.23180
Residual 0.458357 0.67702
Number of obs: 1000, groups: PSCHOOL, 50; SSCHOOL, 30
Fixed effects:
Estimate Std. Error df t value Pr(>|t|)
(Intercept) 5.53242 0.13747 103.72622 40.245 < 2e-16 ***
PUPSEX 0.25316 0.04530 949.02862 5.588 3.00e-08 ***
PUPSES 0.11423 0.02047 54.27911 5.580 7.84e-07 ***
PDENOM 0.19990 0.11765 49.20658 1.699 0.0956 .
SDENOM 0.16455 0.09344 47.70460 1.761 0.0846 .
Es zeigt sich eine kleine Variation des Effektes des SES der Schülerinnen und Schüler zwischen verschiedenen Primarschulen (SD = 0.09).
Quelle
Hox, J. J., Moerbeek, M., & Van de Schoot, R. (2017). Multilevel analysis: Techniques and applications (3rd edition). Routledge.