In den Gesundheitswissenschaften liegen viele Daten in gruppierter bzw. in geclusterter Form vor (z.B. wiederholte Messungen innerhalb der gleichen Patient:innen oder medizinisch-technischen Geräte, Messungen bei gruppierten Personen in unterschiedlichen Behandlungszentren oder Regionen). Mixed-effects models sind geeignete statistische Verfahren, um derartige Daten auszuwerten.

Nach einer kurzen Wiederholung regressionsanalytischer Modelle mit quantitativen und qualitativen Prädiktoren (über Codierung durch geeignete Indikatorvariablen) wird in Grundkonzepte von linear mixed-effects models eingeführt (z.B. fixed und random effects, Datenstrukturen mit mehreren Ebenen, Vorteile der Verwendung von linear mixed-effects models, Spezifikation geeigneter Modelle). Darauf werden linear mixed-effects models für unterschiedliche Forschungsdesigns und Datenstrukturen behandelt. Dabei wird auf die Datenvorverarbeitung und -visualisierung, Modellspezifikation, Parameterschätzung sowie die inferenzstatistische Überprüfung von fixed und random effects eingegangen. Abschliessend werden Möglichkeiten der Modelldiagnostik und -modifikation zur Verbesserung der Passung zwischen Modellen und Daten betrachtet.

Finch, W. H., & Bolin, J. E. (2024). Multilevel Modeling Using R (Chapman & Hall/CRC Statistics in the Social and Behavioral Sciences) (3rd ed.). CRC Press, Taylor & Francis Group. https://doi.org/10.1201/b23166 

Huang, F. L. (2022). Practical Multilevel Modeling Using R (Advanced Quantitative Techniques in the Social Sciences, 15). Sage.

Luke, D. A. (2020). Multilevel Modeling (Quantitative Applications in the Social Sciences, Band 143) (2nd ed.). Sage. https://doi.org/10.4135/9781544310305 

Pinheiro, J., & Bates, D. (2000). Mixed-effects models in S and S-PLUS. Springer. https://doi.org/10.1007/b98882