HLM 7 kaufen
0

 

Gesamtsumme
inkl. 19 % USt

Anzahl

Hierarchisch Lineare Modellierung

HLM steht für „Hierarchisch Lineare Modellierung“ und bezeichnet statistische Verfahren zur Analyse hierarchisch strukturierter Daten. Sozialwissenschaftliche und psychologische Untersuchungen basieren häufig auf verschachtelten Strukturen. Jede der ineinander verschachtelten Ebenen wird durch ein eigenes Modell repräsentiert. HLM bietet Ihnen durch die unkomplizierte einfache Handhabung eine schnelle und bequeme Erstellung von Hierarchischen Modellen. HLM ermöglicht eine Mehrebenenanalyse zur simultanen Analyse von hierarchisch strukturierten Daten.

Warum Sie HLM für Ihre Hierarchischen Modelle verwenden sollten:

  • Anwendbar bei gemessenen, gezählten, ordinalen und nominalen Zielgrößen
  • Modellierung von einen funktionalen Zusammenhang zwischen dem Erwartungswert, der Zielgröße und einer Linearkombination erklärender Variablen
  • Längsschnittanalysen (longitudinal) und Messwiederholungs-Experimente (repeated measures)

Dies könnte Sie auch interessieren

Lisrel 9

Lisrel 9

Lisrel 9

LISREL für Strukturgleichungsmodelle (SEM): Lisrel ermöglicht Phychologen, Sozialwissenschaftlern,... Mehr Details

Download Preisliste Zum Produkt

SPSS AMOS 23

SPSS AMOS 23

SPSS AMOS 23

SPSS Amos ist ein bedienerfreundliches Instrument zur Spezifikation, Schätzung und Beurteilung von... Mehr Details

Download Preisliste Zum Produkt

HLM 7.0 - Lineare und Nichtlineare Hierarchische Modelle

Sozialwissenschaftliche oder psychologische Daten haben häufig eine verschachtelte (nested) Struktur. Werden z.B. wiederholt Beobachtungen an einer bestimmten Gruppe von Individuen gesammelt. So sind die Bedingungen nicht für alle Personen identisch. Die korrekte Bezeichung eines derartigen Beobachtungsmodells wäre "geschachtelt innerhalb der Person". Jede Person könnte wiedrum verschachtelt innerhalb einer Organiation (z.B. Schule oder Arbeibeitsplatz) sein. Diese Organisation könnte weiterhin in einer geographischen Einheit (z.B. Kommune, Land, Staat) verschachtelt sein. Hierarische lineare Modelle repräsentieren jedes Niveau der Datenstruktur durch ein formal eigenständiges Untermodell. Jedes Untermodell repräsentiert die strukturellen Beziehungen auf genau einem Niveau - einschliesslich der Residualvarainz auf diesem Niveau.

Weitere Informationen:

  Windows®
Andere Voraussetzungen  
Betriebssystem Windows 95, 98, 2000, NT 4.0, XP, Vista, 7, 8, 10
Minimum CPU 486 Processor oder höher
Min. RAM 32 MB RAM (64 MB oder mehr empfohlen)
Festplattenplatz 20 MB freier Speicherplatz auf der Festplatte

Für Informationen zu Linux kontaktieren Sie uns bitte.

What's new in Version 7.0?

HLM 7 offers unprecedented flexibility in modeling multilevel and longitudinal data. With the same full array of graphical procedures and residual files along with the speed of computation, robustness of convergence, and user-friendly interface of HLM 6, HLM 7 highlights include three new procedures that handle binary, count, ordinal and multinomial (nominal) response variables as well as continuous response variables for normal-theory hierarchical linear models:

Four-level nested models:

  • Four-level nested models for cross-sectional data (for example, models for item response within students within classrooms within schools).
  • Four-level models for longitudinal data (for example items within time points within persons within neighborhoods).

Four-way cross-classified and nested mixtures:

  • Repeated measures on students who are moving across teachers within schools over time, or item responses nested within immigrants who are cross-classified by country of origin and country of destination.
  • Repeated measures on persons who are simultaneously living in a given neighborhood and attending a given school.

Hierarchical models with dependent random effects:

  • Spatially dependent neighborhood effects.
  • Social network interactions.

HLM 7 also offers new flexibility in estimating hierarchical generalized linear models through the use of Adaptive Gauss-Hermite Quadrature (AGH) and high-order Laplace approximations to maximum likelihood. The AGH approach has been shown to work very well when cluster sizes are small and variance components are large. the high-order Laplace approach requires somewhat larger cluster sizes but allows an arbitrarily large number of random effects (important when cluster sizes are large)

New HTML output that supplies elegant notation for statistical models including visually attractive tables is also now available, allowing the user to cut and paste output of interest into manuscripts.

New features in Version 6 include:

HLM 6 greatly broadens the range of hierarchical models that can be estimated. It also offers greater convenience of use than previous versions. Here is a quick overview of key new features and options:

  • All new graphical displays of data: group-specific scatter plots, line plots, and cubic splines that can be color coded by values of predictor variables; box-plots displayed for overall data and data grouped within higher-level units.
  • Greater expanded graphics for fitted models: graphing of group-specific equations, box-plots of level-1 residuals for each group, plots of residuals by predicted values for each group, posterior credibility intervals for random coefficients. For three-level models, level-1 trajectories are displayed in separate graphs or grouped by level-3 units. Graphs can be color coded by values of predictor variables.
  • Model equations displayed in hierarchical or mixed-model format with or without subscripts - easy to save for publication. Distribution assumptions and link functions are presented in detail.
  • Cross-classified random effects models for linear models and non-linear link functions with convenient Windows interface.
  • High-order Laplace approximation with EM algorithm for stable convergence and accurate estimation in two-level hierarchical generalized linear models (HGLM).
  • Multinomial and ordinal models for three-level data.
  • New flexible and accurate sample design weighting for two- and three-level HLMs and HGLMs.
  • Easier automated input from a wide variety of software packages, including the current versions of SAS, SPSS, and STATA.
  • Residual files can be saved directly as SPSS (*.sav) or STATA (*.dta) files.
  • Analyses are based on MDM files, replacing the older less flexible SSM format.