マルチレベルモデリングとは？階層構造データを正しく分析するHLMの基礎
マルチレベルモデリング（HLM）は、組織や地域などの階層構造を持つデータを適切に分析する統計手法です。定義、構成要素、実践ステップ、活用場面を体系的に解説します。
マルチレベルモデリングとは
マルチレベルモデリング（Multilevel Modeling）は、階層構造を持つデータを適切に分析するための統計手法です。階層線形モデル（HLM: Hierarchical Linear Model）、線形混合モデルとも呼ばれます。名称は分野によって異なりますが、基本的な考え方は同じです。
教育学・社会学・組織心理学の分野で発展し、「生徒は教室に、教室は学校に属する」といった入れ子構造（ネスト構造）のデータを扱うために開発されました。通常の回帰分析ではデータの独立性を仮定しますが、同じグループに属する個体は互いに似通う傾向があり、この仮定が崩れます。マルチレベルモデリングはこの問題を解決します。
構成要素
マルチレベルモデリングは以下の要素で構成されます。
| 構成要素 | 説明 |
|---|---|
| レベル1（個人レベル） | 個人や観測単位ごとのデータ |
| レベル2（集団レベル） | 集団・組織・地域などのグループ単位 |
| 固定効果 | 全グループ共通の平均的な効果 |
| ランダム効果 | グループごとに異なる切片・傾きの変動 |
| ICC（級内相関係数） | 全分散のうち集団レベルが占める割合 |
| 推定法 | REML（制限付き最尤法）やFML（完全最尤法） |
実践的な使い方
ステップ1: データの階層構造を確認する
まず分析対象のデータに階層構造があるかを確認します。以下のような入れ子関係があればマルチレベルモデリングの適用対象です。
- 従業員 → 部署 → 事業部
- 顧客 → 店舗 → 地域
- 患者 → 病院 → 都道府県
ステップ2: ヌルモデルでICCを算出する
説明変数を入れないヌルモデル（空モデル）を構築し、ICCを算出します。ICCは全分散のうち集団レベルの分散が占める割合です。一般的にICCが0.05以上であれば、マルチレベルモデリングの適用が推奨されます。
ステップ3: モデルを段階的に構築する
以下の順序でモデルを発展させます。
- ヌルモデル: ICCの算出（集団効果の確認）
- ランダム切片モデル: レベル1の説明変数を投入
- ランダム傾きモデル: 傾きの集団間変動を許容
- レベル2説明変数の投入: 集団レベルの要因を追加
- クロスレベル交互作用: レベル間の交互作用を検討
ステップ4: モデルの適合度を評価する
AIC（赤池情報量規準）やBIC（ベイズ情報量規準）でモデル間の比較を行います。尤度比検定で統計的にモデルの改善を評価します。
活用場面
- 店舗別の顧客満足度に影響する要因の分析
- 部署ごとの離職率と組織文化の関係の検証
- 地域差を考慮した市場分析・需要予測
- 経年変化データの成長曲線モデリング
- 医療機関ごとの治療成績の比較評価
注意点
サンプルサイズの確保
レベル2（集団レベル）のサンプル数が少ないと推定が不安定になります。一般的にレベル2で30グループ以上、各グループ内で5観測以上が推奨されます。
過度に複雑なモデルの回避
ランダム効果を増やしすぎると、モデルが収束しなくなることがあります。理論的な裏付けのあるランダム効果に絞りましょう。
結果の解釈に注意
レベル1とレベル2の効果は異なる意味を持ちます。「個人レベルで年収が高いほど満足度が高い」と「部署の平均年収が高いほど満足度が高い」は別の知見です。生態学的誤謬を避けるため、レベルを区別した解釈が必要です。
まとめ
マルチレベルモデリングは、組織・地域・学校などの階層構造を持つデータを正しく分析するための統計手法です。通常の回帰分析では見逃されるグループレベルの効果を捉えることで、より精度の高い分析と深い示唆を得られます。コンサルティングでは、店舗比較や組織分析の場面で活用価値の高い手法です。
参考資料
- A Basic Introduction to Hierarchical Linear Modeling - UC Berkeley D-Lab（HLMの基礎入門）
- Hierarchical Linear Modeling: Analyzing Data with Nested Structures - Statology（ネスト構造データのHLM分析）
- マルチレベルモデル - Wikipedia日本語版（マルチレベルモデルの概要）