Key points are not available for this paper at this time.
Einheiten wie Individuen, Teams oder Organisationen können systematisch voneinander abweichen. Forscher modellieren solche Daten typischerweise mit Mehrniveau-Modellen, in dem Glauben, dass die zufälligen Effekte unkorreliert mit den Regressoren sind. Das Verletzen dieser testbaren Annahme, die oft ignoriert wird, schafft ein Endogenitätsproblem und verhindert somit kausale Interpretationen. Fokussierend auf Zweiebenenmodelle erklären wir, wie Forscher dieses Problem vermeiden können, indem sie die Cluster-Mittelwerte der Erklärungsvariablen der Stufe 1 als Kontrollen einbeziehen; wir erklären diesen Punkt konzeptionell und mit einer großangelegten Simulation. Außerdem zeigen wir, warum die gängige Praxis der Zentrierung der Prädiktorvariablen größtenteils unnötig ist. Darüber hinaus haben wir den Stand der Wissenschaft überprüft, indem wir 204 zufällig ausgewählte Artikel aus Fachzeitschriften der Makro- und Mikro-Organisationswissenschaften sowie angewandten Psychologie untersucht haben, und festgestellt, dass nur 106 Artikel – mit einem leicht höheren Anteil aus makroorientierten Bereichen – die Annahme zufälliger Effekte ordnungsgemäß berücksichtigen. Alarmierend ist, dass die meisten Modelle auch an der üblichen Exogenitätsanforderung der Regressoren scheiterten, was nur 25 überwiegend makroorientierte Artikel übrigließ, die potenziell vertrauenswürdige Mehrniveau-Schätzungen berichteten. Wir bieten eine Reihe praktischer Empfehlungen für Forscher, um Mehrniveau-Daten angemessen zu modellieren.
Antonakis et al. (Wed,) haben diese Frage untersucht.