istatistik literaturunun tip, psikoloji, iktisat ve computer science gibi farkli alanlardan gelen kisilerin calismalariyla gelismesi sonucu karmakarisik bir isim literaturu olustu. hiyerarsik regresyonda buna kurban giden terimlerden birisi.
hiyerarsik regresyon ve hiyerarsik modelleme birbirlerinden farkli seylerdir. ogrencilerin okulda, insanlarin sehirlere gore gruplandigi analiz yontemi hiyerarsik linear modelleme olarak gecer. yine alandan alana isimlendirme farklilik gosterdigi icin bu yonteme multilevel modelling, random effects model, mixed model gibi farkli isimler verildigini gorursunuz. tabi burada yazdigim kavramlardan birisi sizin alaninizda cok daha spesifik bir analiz yontemini isaret ediyor olabilir. yine istatistik literaturunun karmasikliginin bir sonucu. yani eger siz ogrencilerin basarisini etkilyen faktorlerin sadece ogrencilerde olmadigini bunun okul, okulun da ustunde kent gibi faktorlerden etkilendigini dusunuyorsaniz yaptiginiz sey hierarchial modellingdir.
hiyerarsik regresyon ise herhangi bir regresyon modelinde uygulayabileceginiz bir modelleme yontemidir. kendi alanim siyaset bilimi oldugu icin oradan bir ornek vermek istiyorum. insanlarin 2016 brexit referendumunda evet oyu vermeye iten faktorleri incelemek istiyorsunuz diyelim. hiyerarsik regresyonda common practice diyecegimiz yontem ilk olarak demografik degerleri(cinsiyet, yas) eklemektir. sonrasinda ise artik teorik bilginize gore degiskenleri istediginiz sirada ve gruplarla ekleyebilirsiniz. ornege donecek olursak, ikinci grup degisken olarak kisilerin dunya gorusunu belirten degiskenleri (azinlik gruplara olan tutum) ekleyebilirsiniz. ucuncu asama olarak siyasi gorusunu belirttigi degiskenleri ekleyebilirsiniz. artik alaniniza gore neler ekliyorsaniz. burada amac yeni eklenen degiskenlerin isiginda onceki degiskenlere neler oldugu ve genel olarak modelin ne duruma geldigi. acaba siyasi degiskenleri eklemek referendum oyunu tahmin etmede onceki duruma gore etkili oldu mu? sorusunun cevabini bu sekilde verebilirsiniz.
yani hiyerarsik regresyondan bahsettgimiz gruplanmis verileri farkli seviyelerde analiz etmek gibi havali bir sey degil. birbirinden bagimsiz 3-4 regresyon yapmak yerine degiskenleri parca parca eklemek size zaman kazandirir. hem de bazi paket programlar model karsilastirmasini hiyerarsik secenegini sectiginiz zaman mumkun kaliyor. ayri bir ugrasa girmeden modellerinizin farkini da bu sekilde olcebilirsiniz ve modelleri birbiriyle kiyaslayabilirsiniz. butun olayi bu aslinda. hiyerarsik regresyona parca parca eklemek yerine her parcanin eklendigi sekilde ayri bir regresyon yaparsaniz da elinize ayni sonuclar gecer.