Bibliografía completa

The history of hierarchical linear models generally traces its roots back to the work of Robinson (1950) in recognizing contextual effects. The discovery that Robinson made is sometimes thought of as the “frog pond” theory and is fairly simple to relate. Suppose that a researcher was conducting an analysis on environmental factors affecting the weight of frogs. And also suppose that two of the frogs being analyzed both weighed 500 grams. However, the first frog that weighed 500 grams was drawn from a pond where it was the largest frog in the pond. The second frog that weighed 500 grams was drawn from a lake where 500 grams was the weight of the average frog for that pond. In a typical ordinary least squares (OLS) analysis, the researcher would have no way of honoring the pond nesting structure for these two frogs and would then erroneously assume that the environmental factors affecting frog growth were the same regardless of which pond was home to the frog. This same problem often presents itself when researchers are analyzing data obtained from school research. For example, suppose that a researcher were to try to run a regression analysis in which student grade point average (GPA) scores were used to predict performance on the Stanford Achievement Test (SAT). It stands to reason that, within a given school, GPAs might be good predictors of SAT scores where higher GPAs correlate with higher scores on the SAT. However, across schools, the relationship between GPA and SAT may be dramatically different. Whereas in a low-performing school, a student with a 4.0 GPA might score only a 1,000 on the SAT, a student with a 4.0 GPA in an elite, high-performing private school might score a 1,600 on the SAT. This happens because GPA scores are not independent of the school from which they are drawn. This problem of independence of observations is often a factor when collecting data in schools, yet until the development of hierarchical linear modeling (HLM), no methods for dealing appropriately with such data existed. (PsycInfo Database Record (c) 2024 APA, all rights reserved) (Source: chapter)

abstractTranslation: La historia de los modelos lineales jerárquicos generalmente tiene sus raíces en el trabajo de Robinson (1950) sobre el reconocimiento de los efectos contextuales. El descubrimiento que hizo Robinson a veces se considera como la teoría del "estanque de ranas" y es bastante simple de relatar. Supongamos que un investigador está realizando un análisis sobre los factores ambientales que afectan el peso de las ranas. Y también supongamos que dos de las ranas analizadas pesaban 500 gramos. Sin embargo, la primera rana que pesó 500 gramos fue extraída de un estanque donde era la rana más grande del estanque. La segunda rana, que pesó 500 gramos, fue extraída de un lago donde 500 gramos era el peso promedio de una rana para ese estanque. En un análisis típico de mínimos cuadrados ordinarios (OLS), el investigador no tendría forma de honrar la estructura de anidación del estanque para estas dos ranas y luego asumiría erróneamente que los factores ambientales que afectan el crecimiento de la rana son los mismos independientemente de qué estanque sea el hogar de la rana. Este mismo problema se presenta a menudo cuando los investigadores analizan datos obtenidos de la investigación escolar. Por ejemplo, supongamos que un investigador intentara realizar un análisis de regresión en el que se utilizaran las puntuaciones medias de los alumnos para predecir el rendimiento en el Stanford Achievement Test (SAT). Es lógico que, dentro de una escuela determinada, los GPA puedan ser buenos predictores de los puntajes del SAT, donde los GPA más altos se correlacionan con puntajes más altos en el SAT. Sin embargo, en todas las escuelas, la relación entre el GPA y el SAT puede ser dramáticamente diferente. Mientras que en una escuela de bajo rendimiento, un estudiante con un GPA de 4.0 podría obtener solo un puntaje de 1,000 en el SAT, un estudiante con un GPA de 4.0 en una escuela privada de élite y alto rendimiento podría obtener un puntaje de 1,600 en el SAT. Esto sucede porque los puntajes de GPA no son independientes de la escuela de la que se extraen. Este problema de la independencia de las observaciones es a menudo un factor a tener en cuenta en la recopilación de datos en las escuelas, pero hasta el desarrollo del modelo lineal jerárquico (HLM), no existían métodos para tratar adecuadamente dichos datos. (Registro de la base de datos PsycInfo (c) 2024 APA, todos los derechos reservados) (Fuente: capítulo)