Mehrebenenmodelle

Methoden II: Methoden der empirischen Kommunikations- und Medienforschung

Marko Bachl

Freie Universität Berlin

02. 06. 2025

Fragen zur Übung?

Klausur

Letzte persönliche Erinnerung: Für die Klausur müssen Sie sich bis zum 16. 6. separat anmelden. Dazu finden Sie in Blackboard eine Umfrage. Nur mit dieser Anmeldung können Sie an der Klausur teilnehmen. Die Anmeldung für die Veranstaltung in Campus Management reicht dafür nicht aus.

Anmeldung von Nachteilsausgleich: Bitte informieren Sie mich frühestmöglich per E-Mail über vom Prüfungsbüro genehmigte Nachteilsausgleiche, vor allem über eine Schreibzeitverlängerung, damit ich diese Informationen an das E-Examination-Team weitergeben kann.

Klausur

  • Hauptprüfung: 21.07.2025 um 9:00 Uhr (Ort: E-Examinations Center 1)
  • Nachprüfung: 22.09.2025 um 9:00 Uhr (Ort: E-Examinations Center 1)
  • Anmeldung zur Hauptprüfung: 16. Juni 2025


  • Inhalt Teil 1: Klausurfragen von Team Joachim Trebbe
  • Inhalt Teil 1: Sitzung zu API und Zero-Shot Inhaltsanalyse (Präsentation)
  • Inhalt Teil 2: Besprochene Folien der Vorlesung + Inhalte der Übungsaufgaben
  • Nicht Inhalt Teil 2: Übersprungene Inhalte, als weiterführend markierte Inhalte
  • Keine eigene Ausführung von Code während der Klausur, aber Screenshots von Code und Output

Agenda

  1. Einführung und Begriffe
  2. Beispielstudie
  3. Null-Modell und Varianzzerlegung
  4. L1-Prädiktoren im Random-Intercept-Modell
  5. L2-Prädiktoren im Random-Intercept-Modell
  6. Random-Slope-Modell und Cross-Level-Interaktion
  7. Übungen

Lernziele

  • Lernziel der Vorlesungssitzung: Ergebnisse eines Mehrebenenmodells lesen, verstehen, formulieren, kritisieren können
  • Lernziel der Übungsaufgabe: R-Code zur Mehrebenenanalyse in {lme4} nachvollziehen, ausführen und bearbeiten können

Mein Promotionsthema

(Bachl, 2014)

Einführung und Begriffe

Was sind Mehrebenen-Daten?

Hierarchisch: Level-1-Einheiten in Level-2-Einheiten (in Level-3-Einheiten …)

  • Schüler:innen | Klassen | Schulen | Bezirke | Bundesländer | Staaten
  • Kommentare | Posts | Accounts
  • Messungen | Personen (Panel-Daten: Personen sind L2-Einheiten)

Nicht-hierarchisch: Level-1-Einheit in Level-2a-Einheit und Level-2b-Einheit

  • (Messung | Person) & (Messung | Stimulus) (Within-Subject-Experiment)
  • (Artikel | Zeitung) & (Artikel | Publikationsjahr) (Längsschnittliche Inhaltsanalyse)


Hier zur Einführung: Hierarchische Struktur mit zwei Ebenen

Strukturierung der Daten

… als Störfaktor

  • Regressionsannahme unabhängiger Fälle nicht erfüllt → zu kleine Standardfehler → \(\alpha\)-Fehler
  • Analyse von L1-Variablen mit Anpassungen für Strukturierung
  • Fixed-Effects-Modelle, cluster-robuste Standardfehler

… als inhaltlich interessante Eigenschaft der Daten

  • Zerlegung der Varianz entlang der Strukturierung
  • Adäquate Modellierung von Zusammenhängen mit Variablen auf verschiedenen Ebenen
  • Mehrebenenmodelle

Grundbegriffe

Grundbegriffe

  • Mehrebenenmodell = Mehrebenenregression = multilevel model = mixed effects model = …
  • Null-Modell: Modell ohne Prädiktoren, das nur die Mehrebenenstruktur der Daten abbildet
  • Between-Group-Varianz = Varianz, die durch Unterschiede in den Level-2-Einheiten erzeugt wird
  • Within-Group-Varianz = Varianz, die durch Unterschiede der Level-1-Einheiten innerhalb derselben Level-2-Einheit erzeugt wird
  • Fixed Effects = Zusammenhänge, die in allen Level-2-Kontexten gleich sind
  • Random (Varying) Effects (Intercepts/Slopes) = Koeffizienten von L1-Variablen, die über die Level-2-Kontexte variieren
  • Cross-Level-Interaktion = Zusammenhang zwischen Level-1-Effekt und Level-2-Kontextmerkmalen

Fragen?

Beispielstudie

Daten der heutigen Sitzung

(Fähnrich et al., 2020)

Stichprobe: Struktur

uni n_posts
Columbia U 576
Cornell U 404
Duke U 323
Harvard U 203
Imperial College London 179
Johns Hopkins U 481
MIT 243
New York U 407
Northwestern U 141
Princeton U 507
Rockefeller U 218
Stanford U 145
U Illinois 236
U Pennsylvania 608
U Toronto 99
U Washington 366
U Wisconsin-Madison 203
U British Columbia 207
U California 321
U Cambridge 207
U Chicago 151
U Colorado Boulder 245
U Edinburgh 43
U Manchester 87
U Maryland 143
U Melbourne 155
U Michigan 158
U Minnesota 143
U Oxford 167
U Southern California 239
UC Berkeley 280
UC Irvine 326
UC Los Angeles 119
UC San Diego 82
UC San Francisco 130
UC Santa Barbara 171
UNC Chapel Hill 219
University College London 106
UT Austin 226
UT Southwestern 327
Washington U St. Louis 152
Yale U 648
  • Teilstichprobe: 10391 Posts von 42 Facebookseiten von Universitäten
  • Nicht alle Prädiktoren
  • Ergebnisse aus Fähnrich et al. (2020) nicht genau reproduzierbar.

Stichprobe: Unabhängige Variablen (L1)

Variable Summary
timeofday [morning], % 38.3
timeofday [afternoon], % 46.1
timeofday [evening], % 14.2
timeofday [night], % 1.4
type [status], % 5.4
type [link], % 37.4
type [photo], % 48.9
type [video], % 8.3
year [2015], % 26.9
year [2012], % 7.6
year [2013], % 32.8
year [2014], % 32.6
Variable Summary
topic_research [yes], % 28.0
topic_teaching [yes], % 25.6
topic_awards [yes], % 5.7
topic_event [yes], % 35.1
topic_interact [yes], % 37.2
topic_self [yes], % 16.8
Mean word_count (SD) 30.81 (24.71)
day_type [weekend], % 13.8

In der Vorlesung verwenden wir nur einen kleinen Auszug der unabhängigen L1-Variablen. Für die Übung stellen wir ein umfangreicheres Modell ähnlich wie in der Publikation zusammen.

Stichprobe: Abhängige Variablen (L1)

Variable n_Obs Mean SD Median MAD Min Max Skewness Kurtosis percentage_Missing
likes_count 10391 425.22 1153.04 108.00 130.47 0.00 24847.00 9.10 129.01 0.00
comments_count 10391 12.18 36.54 3.00 4.45 0.00 1556.00 15.73 456.79 0.00
shares_count 10391 62.60 1441.28 9.00 11.86 0.00 1.45e+05 98.92 9976.61 0.00


In der Vorlesung erklären wir die Zahl der Kommentare. In der Übung betrachten wir auch die Zahl der Shares und Likes.

Stichprobe: Unabhängige Variablen (L2)

Variable Summary
Mean uni_fans (SD) 435063.17 (758868.02)
uni_us [US], % 85.7

Stichprobe: log-Transformation

d <- d |> 
  mutate(
    word_count_log = log1p(word_count),
    uni_fans_log = log(uni_fans),
    likes_count_log = log1p(likes_count),
    comments_count_log = log1p(comments_count),
    shares_count_log = log1p(shares_count)
  )

Stichprobe: log-Transformation

Stichprobe: Datensatz im “long format”

comments_count_log topic_research uni uni_fans_log
0.00 no Columbia U 12.37
0.69 no Columbia U 12.37
0.69 no Columbia U 12.37
2.77 no Columbia U 12.37
0.00 no Cornell U 12.52
4.03 no Cornell U 12.52
0.69 yes Cornell U 12.52
1.61 no Cornell U 12.52
1.61 no Duke U 12.58
0.00 no Duke U 12.58

[…]

Fragen?

Null-Modell und Varianzzerlegung

Null-Modell mit Random Intercepts

Das Null-Modell mit \(i\) Individuen in \(j\) Gruppen besteht aus je einem Null-Modell pro Ebene:

Level 1: \(y_{ij} = b_{0j}+ \epsilon_{ij}\)

Level 2: \(b_{0j} = \gamma_{00} + u_{0j}\)

oder zusammengenommen: \(y_{ij} = \gamma_{00} + u_{0j} + \epsilon_{ij}\)

\(\gamma_{00}\) ist der gewichtete Mittelwert von \(y\), \(u_{0j}\) ist die gruppenspezifische Abweichung vom gewichteten Mittelwert und \(\epsilon_{ij}\) ist das individuelle Residuum.

Null-Modell mit Random Intercepts

  • Eine 1 anstelle von Variablennamen spezifiziert ein Modell nur mit Intercepts.
  • Im Paket {lme4} In Klammern und mit | wird die Struktur des Modells spezifiziert: (1 | uni).
m0 <- lmer( # Funktion für lineares Mehrebenenmodell
  comments_count_log ~ # abhängige Variable
    1 + # Gewichteter Gesamtmittelwert
    (1 | uni), # Struktur des Modells
  data = d) # Daten

Null-Modell mit Random Intercepts

Parameter Coefficient 95% CI t(10388) p Effects Group
(Intercept) 1.72 (1.47, 1.96) 13.73 < .001 fixed
0.81 random uni
1.01 random Residual
  • \(b_0 = 1.72\): Gewichteter Mittelwert (grand mean) der logarithmierten Zahl der Kommentare
  • \(u_{0j} = 0.81\): Standardabweichung der Abweichungen der Unis von diesem Mittelwert
  • \(\epsilon_{ij} = 1.01\): Standardabweichung der L1-Residen; Abweichung der beobachteten Zahl der Kommentare der einzelnen Posts von der Modellvorhersage.

Vorhersage des Null-Modells

Intra-Class-Correlation (ICC)

  • Null-Modell dient vor allem der Berechnung der Intra-Class-Correlation (ICC).
  • ICC = Anteil der Varianz in einer Variable, der durch die Kontexte (L2) erklärt wird.
  • Technisch: der Anteil Between-Group-Varianz (also die Varianz von \(u_{0j}\)) an der Gesamtvarianz von \(y\).
  • Wenn der ICC hoch ist (viel Gruppenvarianz), lohnt sich die Betrachtung von Level-2-Prädiktoren
  • Wenn der ICC niedrig ist (wenig Gruppenvarianz), sind Level-1-Prädiktoren ein sinnvolleres Ziel
  • Selbst bei kleinem ICC ist Mehrebenenanalyse sinnvoll, da sie nie “schlechter” als ein einfaches Regressionsmodell ist.

Intra-Class-Correlation (ICC)

Group ICC
uni 0.39 
0.81^2 / (0.81^2 + 1.01^2)
[1] 0.3914211
  • 39% der Varianz in der logarithmierten Zahl der Kommentare können durch Unterschiede zwischen den Facebook-Seiten der Unis (L2-Einheiten) erklärt werden.
  • Es lohnt sich, L2-Prädiktoren zu berücksichtigen.
  • Ein Modell, dass die Struktur in den Daten nicht berücksichtigt, wäre falsch spezifiziert und hätte erhöhte \(\alpha\)-Fehler-Gefahr.

Fragen?

L1-Prädiktoren im Random-Intercept-Modell

L1-Prädiktoren im Random-Intercept-Modell

  • Intercepts dürfen gruppenspezifisch variieren, Regressionskoeffizienten \(\beta\) sind für alle Level-2-Einheiten gleich

\[y_{ij} = \gamma_{00} + u_{0j} + \beta_1 x_1 + \beta_2 x_2 + ... + \epsilon_{ij}\]

  • Die variierenden Intercepts \(u_{0j}\) sind die Abweichungen der Level-2-Einheiten vom globalen Intercept.

  • Ausgabe und Interpretation der Regressionskoeffizienten entspricht dem bekannten linearen Regressionsmodell.

  • Standardisierte Koeffizienten sind eher unüblich, da nicht klar ist, an welcher Standardabweichung die Standardisierung vorgenommen werden soll.

L1-Prädiktoren im Random-Intercept-Modell

  • In Klammern und mit | wird die Struktur des Modells spezifiziert: (1 | uni).
  • Die Prädiktoren werden wie gewohnt in die Modell-Formel geschrieben.
  • Hier: Erklärung der logarithmierten Zahl der Kommentare zu einem Post durch drei binäre Variablen, die angeben, ob die Themen Interaktion, Forschung und Lehre vorkommen.
m1 <- lmer( # Funktion für lineares Mehrebenenmodell
  comments_count_log ~ # abhängige Variable
    topic_interact + topic_research + topic_teaching + # Prädiktoren
    (1 | uni), # Struktur des Modells
  data = d)

L1-Prädiktoren im Random-Intercept-Modell

Parameter Coefficient 95% CI t(10385) p Effects Group Fit
(Intercept) 1.77 (1.52, 2.01) 14.13 < .001 fixed
topic interact (yes) 0.08 (0.04, 0.12) 3.98 < .001 fixed
topic research (yes) -0.20 (-0.24, -0.15) -8.68 < .001 fixed
topic teaching (yes) -0.09 (-0.13, -0.04) -3.76 < .001 fixed
0.80 random uni
1.00 random Residual
R2 (conditional) 0.39
R2 (marginal) 0.01
  • Wie Regressionskoeffizienten in der einfachen linearen Regression: Posts zum Thema Forschung erhalten zu ansonsten thematisch vergleichbaren Posts etwa 20% (genauer: \(e^{-0.20}-1=\)-18% — log-transformierte aV) weniger Kommentare als Posts, in denen Forschung nicht vorkommt.
  • Zwei \(R^2\)-Werte (Nakagawa et al., 2017):
    • Conditional \(R^2\): Das gesamte Modell inklusive der Mehrebenenstruktur (hier: Random Intecepts für die Uni-Seiten) erklärt 39% der Varianz in der logarithmierten Zahl der Kommentare.
    • Marginal \(R^2\): Die Fixed Effects (hier: Themen der Posts) erklären zusätzlich zur Mehrebenenstruktur 1% der Varianz in der logarithmierten Zahl der Kommentare.

L1-Prädiktoren im Random-Intercept-Modell

Fragen?

L2-Prädiktoren im Random-Intercept-Modell

L2-Prädiktoren im Random-Intercept-Modell

  • L2-Prädiktoren werden genau wie L1-Prädiktoren in die Modell-Formel eingefügt.
m2 <- lmer(comments_count_log ~ topic_interact + topic_research +
             topic_teaching + uni_fans_log + (1 | uni), data = d)

L2-Prädiktoren im Random-Intercept-Modell

Parameter Coefficient 95% CI t(10384) p Effects Group Fit
(Intercept) -4.88 (-6.32, -3.44) -6.65 < .001 fixed
topic interact (yes) 0.09 (0.04, 0.13) 4.07 < .001 fixed
topic research (yes) -0.20 (-0.24, -0.15) -8.67 < .001 fixed
topic teaching (yes) -0.09 (-0.13, -0.04) -3.77 < .001 fixed
uni fans log 0.54 (0.43, 0.66) 9.10 < .001 fixed
0.46 random uni
1.00 random Residual
R2 (conditional) 0.38
R2 (marginal) 0.25
  • Wenn wir zwei Posts mit denselben Themen vergleichen, die auf zwei unterschiedlichen Seiten veröffentlicht wurden, erhält der Post auf einer Seite mit 1% mehr Fans um 0.54% mehr Kommentare.
  • Ein L2-Prädiktor kann nur Between-Group-Varianz erklären:
    • Modell ohne L2-Prädiktor: \(SD_{u_{0j}} = 0.80\); \(SD_{\epsilon_{ij}} = 1.00\)
    • Modell mit L2-Prädiktor uni fans log: \(SD_{u_{0j}} = 0.46\); \(SD_{\epsilon_{ij}} = 1.00\)

L2-Prädiktoren im Random-Intercept-Modell

Fragen?

Random-Slope-Modell und Cross-Level-Interaktion

Random-Slope-Modell

  • Zusätzlich zu Random Intercepts können wir auch Regressionskoeffizienten von L1-Prädiktoren zwischen den L2-Einheiten variieren lassen.

  • Entspricht konzeptionell einer Interaktion zwischen einem Prädiktor und einem Strukturierungsmerkmal.

  • Effektheterogenität zwischen Gruppen schätzen und explorieren

  • Voraussetzung für Cross-Level-Interaktionen zwischen L1- und L2-Prädiktoren

  • Ob die Berücksichtigung eines Random Slope das Modell verbessert, prüfen wir mit einem Modellvergleich.

Random-Slope-Modell

  • Der Prädiktor, dessen Koeffizienten wir zwischen den Uni-Seiten variieren wollen lassen, fügen wir in den Klammern vor dem | ein: (topic_research | uni).

  • Damit fügen wir dem Modell 2 Parameter hinzu: Die Varianz des Koeffizienten zwischen den Gruppen und die Kovarianz zwischen den Random Intercepts und den Random Slopes.

m3 <- lmer(comments_count_log ~ topic_interact + topic_research +
             topic_teaching + uni_fans_log +
             (topic_research | uni), # Koeffizient von topic_research darf zwischen Uni-Seiten variieren
           data = d)

Random-Slope-Modell: Modellvergleich

Modell npar AIC BIC logLik deviance Chisq Df Pr(>Chisq)
Random Intercept 7 29744.85 29795.59 -14865.43 29730.85
Random Slope 9 29729.08 29794.32 -14855.54 29711.08 19.77 2 0.00


  • Mit der Funktion anova(m2, m3) vergleichen wir das Random-Intercept-Modell mit dem Random-Slope-Modell.

  • AIC und BIC sind Informationskriterien. Sie quantifitieren die Passung des Modells relativ zur Modellkomplexität. Niedrigere Werte sprechen für eine bessere Passung zu den Daten.

  • logLik = Logarithmus der Likelihood: Dieser Wert wird bei der Modellschätzung mit Maximum-Likelihood-Methoden optimiert. Interessiert uns hier inhaltlich nicht.

  • Auf Basis der Deviance (-2 * logLik — aber egal) können wir einen Signifikanz-Test für die Verbesserung der Modellpassung durch die weiteren Parameter berechnen. Die Differenz der Deviance ist mit der Differenz der Parametern als Freiheitsgraden \(\chi^2\)-verteilt unter der \(H_0\), dass beide Modelle gleich gut zu den Daten passen.

  • Hier: Das Modell, in dem der Koeffizient des Themas Forschung zwischen den Uni-Seiten variiert, passt statistisch signifikant besser zu den Daten: \(\chi^2(2) = 19.77\), \(p < .001\)

Random-Slope-Modell: Fixed Effects

Parameter Coefficient 95% CI t(10382) p
(Intercept) -4.87 (-6.29, -3.44) -6.68 < .001
topic interact (yes) 0.09 (0.04, 0.13) 4.06 < .001
topic research (yes) -0.20 (-0.27, -0.13) -5.40 < .001
topic teaching (yes) -0.08 (-0.13, -0.04) -3.61 < .001
uni fans log 0.54 (0.43, 0.66) 9.15 < .001


  • Die Interpretation der Fixed-Effects-Koeffizienten bleibt unverändert.

Random-Slope-Modell: Random Effects

Parameter Coefficient 95% CI
SD (Intercept: uni) 0.46
SD (topic_researchyes: uni) 0.18
Cor (Intercept~topic_researchyes: uni) -0.17
SD (Residual) 1.00


  • Mit einer Standardabweichung von 0.18 besteht im Vergleich zum Fixed-Effects-Koeffizienten des Themas Forschung (-0.20) eine substanziell bedeutsame Varianz.
  • Es gibt eine negative Korrelation zwischen Random Intercept und Random Slope auf Ebene der Uni-Seiten. Je mehr Kommentare ein Post einer Seite im Durchschnitt erhält, desto negativer ist der Effekt des Themas Forschung auf die Zahl der Kommentare.
  • Inferenzstatistik für Random Intercepts und Random Slopes ist nicht trivial. Wir verzichten hier darauf und interpretieren die Werte nur bezogen auf die Stichprobe.

Random-Slope-Modell: Random Effects

Cross-Level-Interaktion

  • Cross-Level-Interaktion = Zusammenhang zwischen L1-Effekt und L2-Kontextmerkmalen

  • Voraussetzung Effektheterogenität: Nur wenn die Effekte zwischen den Gruppen variieren, kann eine Interaktion mit einer L2-Variable diese Heterogenität erklären.

  • Die Interaktion spezifizieren wir wie in der einfachen Regression mit *, also topic_research * uni_fans_log.

m4 <- lmer(comments_count_log ~ topic_interact + topic_research * uni_fans_log +
             topic_teaching + (topic_research | uni), data = d)

Cross-Level-Interaktion

Parameter Coefficient 95% CI t(10381) p
(Intercept) -5.11 (-6.57, -3.65) -6.88 < .001
topic interact (yes) 0.09 (0.04, 0.13) 4.06 < .001
topic research (yes) 0.38 (-0.31, 1.08) 1.08 0.282
uni fans log 0.56 (0.44, 0.68) 9.29 < .001
topic teaching (yes) -0.08 (-0.13, -0.04) -3.60 < .001
topic research (yes) × uni fans log -0.05 (-0.10, 0.01) -1.64 0.100

 

  • Die Interaktion zwischen dem Thema Forschung und der logarithmierten Zahl der Fans ist nicht statistisch signifikant.
  • Die Interpretation erfolgt wie im einfachen Regressionsmodell am besten mit Grafiken.

Cross-Level-Interaktion

  • Wäre die Interaktion statistisch signifikant: Je mehr Fans eine Seite hat, desto weniger Kommentare erhalten Posts zum Thema Forschung.

Fragen?

Fazit

  • In der Kommunikationswissenschaft (und darüber hinaus) sind Mehrebenen-Daten nahezu überall anzutreffen, sei es bei Inhaltsanalysen, Panel- oder Mehrländer-Befragungen.
  • Oft sind auch Personen die Level-2-Einheiten, z.B. bei Experience-Sampling-Daten oder Within-Subject-Experimenten.
  • Die Grundlogik des linearen Mehrebenenmodells entspricht der multiplen linearen Regression (hier: Interpretation der Fixed-Effects-Koeffizienten; Interaktionsterme; auch möglich: Mehrebenen-SEM und Mehrebenen-Mediation, verallgemeinerte lineare Mehrebenenmodelle).
  • Berücksichtigung der Mehrebenen-Struktur im Modell vermeidet Fehler (Verletzung der Annahme unabhängiger Beobachtungen) und schafft inhaltlichen Mehrwert (Varianz-Zerlegung mit ICC, L2-Prädiktoren, Effektheterogenität).

Übungsaufgaben

Übungsaufgaben

  1. Reproduzieren Sie die Mehrebenenmodelle aus der Vorlesung. Interpretieren Sie die Ergebnisse.

  2. Schätzen Sie die umfangreicheren Modelle im Übungsskript. Passen Sie die Modelle nach Ihren Interessen an. Interpretieren Sie die Ergebnisse.

  • Stellen Sie Ihre Fragen (egal ob technisch oder statistisch) im Blackboard-Forum.

Übungsaufgaben: Technische Anleitung

[Beschreibung für R und RStudio auf eigenem Computer oder Pool-Computer]

  1. Laden Sie die Dateien 07_mame.R und Faehnrich_2020.rds aus Blackboard herunter. Speichern Sie die Datei 07_mame.R in Ihren Arbeitsordner für die Vorlesung (in denselben Ordner, in dem die .R-Dateien aus den letzten Übungen liegen). Speichern Sie Faehnrich_2020.rds in den Unterordner Daten (in denselben Ordner, in dem Vanerkel_Vanaelst_2021.dta liegt.)
  2. Öffnen Sie das Projekt uebung.Rproj.
  3. Öffnen Sie innerhalb des Projekts die Datei 07_mame.R.

Übungsaufgaben: Technische Anleitung

[Beschreibung für WebR]

  1. Laden Sie die Dateien 07_mame.R und Faehnrich_2020.rds aus Blackboard herunter.
  2. Laden Sie die Dateien 07_mame.R und Faehnrich_2020.rds in den Ordner home/web_user hoch.
  3. Öffnen Sie die Datei 07_mame.R.
  4. Ändern Sie den Befehl zum Laden der Datei: Löschen Sie daten/.

Übungsaufgaben: Technische Anleitung

[Beschreibung für Posit.Cloud]

  1. Laden Sie die Dateien 07_mame.R und Faehnrich_2020.rds aus Blackboard herunter.
  2. Öffnen Sie das RStudio-Projekt, das Sie zur ersten Übung erstellt haben, in Posit-Cloud.
  3. Laden Sie die Datei 07_mame.R in den Ordner uebung hoch. Laden Sie die Datei Faehnrich_2020.rds in den Unterordner daten hoch.
  4. Öffnen Sie das Projekt uebung.Rproj und innerhalb des Projekts die Datei 07_mame.R.
  5. Ändern Sie den Befehl zum Laden der Datei: Fügen Sie uebung/ vor daten/ ein.

Fragen?

Nächste Wochen

Pfingsmontag — ICA — Verallgemeinerte lineare Modelle

Danke — bis zur nächsten Sitzung.

Marko Bachl

Literatur

Bachl, M. (2014). Analyse rezeptionsbegleitend gemessener Kandidatenbewertungen in TV-Duellen. epubli. https://d-nb.info/1058399934/34
Fähnrich, B., Vogelgesang, J., & Scharkow, M. (2020). Evaluating universities’ strategic online communication: how do Shanghai Ranking’s top 50 universities grow stakeholder engagement with Facebook posts? Journal of Communication Management, 24(3), 265–283. https://doi.org/gmjs23
Nakagawa, S., Johnson, P. C. D., & Schielzeth, H. (2017). The coefficient of determination R2 and intra-class correlation coefficient from generalized linear mixed-effects models revisited and expanded. Journal of The Royal Society Interface, 14(134), 20170213. https://doi.org/gddpnq