Hierarchické lineární modelování

HLM je horká novinka na poli regresních modelů, která má slibnou budoucnost. Jedná se o zcela jistě užitečný nástroj, sofistikovanější než tradiční vytvoření regresního modelu s OSL (např. v oblíbeném Gretlu). Výchozí otázka každého výzkumníka by však měla směřovat k určení vhodnosti daného nástroje vzhledem k řešenému problému. Nebo-li je vhodné využití HLM pro můj případ? Obecně lze říci – tam, kde stačí OLS, tam použijte OLS. K aplikaci HLM přistupte:

• pokud jste realizovali vícestupňový výběr a narušili tak předpoklad nezávislosti pozorování,
• pokud ve výběru nedisponujete všemi skupinami,
• pokud ICC (vnitrotřídní korelační koeficient) nabývá určitého intervalu.

Víceúrovňové systémy v teorii systémového řízení

Samotný vícestupňový výběr předjímá právě hierarchický charakter dat, sbíraných ve vlnách, tzn. nejdříve bylo vybráno odvětví, poté soubor podniků, pak soubor respondentů, atd. Hierarchie už je explicitně čitelná v samotné skladbě dat a měli byste se chopit HLM. Když nejsou ve Vašem výzkumném vzorku zastoupeny veškeré podnikatelské subjekty, pak logicky nemáte výběr všech skupin a užití HLM je také na místě. V rámci podnikového hospodářství se dá obecně předpokládat široké využití HLM. Do modelu se dají zakomponovat vlivy různých úrovní v závislosti na předmětu zkoumání, který nejčastěji tvoří  podnik, jehož strukturovanost je definičním prvkem.

Dekompozice podniku na hierarchicky podřízené úrovně

Pokud by se výzkum týkal dat za soubor jedinců nebo konkrétní útvar jako konečné veličiny, pak lze zohlednit aplikací HLM vliv příslušnosti pod určitou divizi (oddělení), která zároveň spadá pod určitou provozovnu (odštěpný závod) a podnik (dále pak kraj, stát, atd.). A všechny tyto úrovně svými vlastnostmi ovlivňují zkoumanou veličinu. Vazby k proměnným se tak odlišují v určitých a přesně vymezených hierarchiích.

Nadřazená úroveň je kontextuální (vztahovou) proměnou, která vnáší do dat závislost (charakterizující  vlastnosti na dané úrovni se vztahem k ostatním jednotkám). Rezidua tak budou korelovaná. Česky – pokud soubor jedinců ve výzkumném vzorku pochází ze stejného prostředí, pak lze těžko vyloučit vliv tohoto prostředí. Data nebudou nezávislá.

Srovnání jednoduché lineární regrese vůči zohlednění hierarchie dat

Např. v ilustrativním empirickém šetření kompetentnosti THP v průmyslu je nejdříve vybráno určité odvětví, pak podniky, oddělení a výslední respondenti (tedy 4 hierarchické úrovně). Získaná data pak lze jen stěží považovat za nezávislá. Zaměstnanci jednoho pracoviště toho budou mít zajisté více společného oproti příslušníkům jiných pracovišť i podniků. Mimochodem také vyvstává otázka, čím jsou rozdíly mezi úrovněmi podmíněny (pracovišti, podniky, odvětvími…). A k řešení takového typu problémů už lineární regresní analýza nestačí.

Tématu HLM a vhodnosti jeho aplikace se budu ještě věnovat. Pro zájemce doporučuji kurz Petra Soukupa od společnosti ACREA, který mi poskytnul mnoho cenných informací a myslím, že se aktuálně jedná o jedinou možnost v ČR, jak se naučit HLM prakticky aplikovat.