Một nghiên cứu khảo sát 800 học sinh ở 20 lớp, 10 lớp dùng phương pháp dạy mới, 10 lớp dạy như cũ. Kiểm định t trên 800 học sinh cho p = 0,001. Khi phân tích lại có tính đến việc học sinh lồng trong lớp, p = 0,19. Không có gì bị làm giả; chỉ là phân tích đầu coi 800 học sinh như 800 thử nghiệm độc lập, trong khi thực ra chỉ có 20 lớp được phân công phương pháp.
Dữ liệu lồng nhau xuất hiện khắp nơi trong giáo dục, y tế, quản trị: học sinh trong lớp, bệnh nhân trong bệnh viện, nhân viên trong công ty, các lần đo lặp trong cùng một người. Mô hình đa tầng (multilevel model, còn gọi là mô hình hỗn hợp hay mô hình phân cấp) là công cụ chuẩn cho kiểu dữ liệu này.
Vì sao quan sát trong cùng nhóm không độc lập
Học sinh cùng lớp có chung giáo viên, chung giờ học, chung bạn bè; điểm của họ giống nhau hơn so với học sinh ở lớp khác. Khi bỏ qua điều đó:
- Sai số chuẩn bị đánh giá thấp, giá trị p nhỏ hơn thực tế, khoảng tin cậy hẹp giả tạo.
- Hiệu ứng của biến cấp nhóm (phương pháp dạy, quy mô trường) bị đánh giá như thể có hàng trăm đơn vị độc lập.
- Bạn bỏ lỡ câu hỏi thú vị: bao nhiêu phần khác biệt nằm giữa các lớp, bao nhiêu nằm trong lớp.
ICC và hiệu ứng thiết kế: đo mức độ lồng
Hệ số tương quan nội lớp (intraclass correlation, ICC) cho biết tỷ lệ phương sai nằm ở cấp nhóm. ICC = 0,10 nghĩa là khoảng 10% khác biệt về điểm là khác biệt giữa các lớp.
ICC nhỏ không có nghĩa là bỏ qua được. Hiệu ứng thiết kế (design effect) ước lượng mức phóng đại phương sai: xấp xỉ 1 + (m − 1) × ICC, với m là số quan sát trung bình mỗi nhóm.
| ICC | Số học sinh mỗi lớp | Hiệu ứng thiết kế | Cỡ mẫu hiệu dụng từ 800 học sinh |
|---|---|---|---|
| 0,02 | 40 | ≈ 1,8 | ≈ 450 |
| 0,10 | 40 | ≈ 4,9 | ≈ 160 |
| 0,20 | 40 | ≈ 8,8 | ≈ 90 |
Với lớp đông, ngay cả ICC khá nhỏ cũng làm cỡ mẫu hiệu dụng giảm mạnh. Đây cũng là lý do khi thiết kế nghiên cứu can thiệp theo lớp hay trường, thêm nhóm thường có lợi hơn thêm người trong mỗi nhóm.
Hệ số chặn ngẫu nhiên và độ dốc ngẫu nhiên
- Hệ số chặn ngẫu nhiên (random intercept): mỗi lớp có mức điểm trung bình riêng, dao động quanh trung bình chung. Đây là mô hình khởi đầu phổ biến nhất.
- Độ dốc ngẫu nhiên (random slope): ảnh hưởng của một biến cấp cá nhân (như số giờ tự học) khác nhau giữa các lớp. Dùng khi có lý do lý thuyết và đủ nhóm để ước lượng.
- Tương tác giữa hai cấp: biến cấp lớp (phương pháp dạy) làm thay đổi ảnh hưởng của biến cấp học sinh. Đây thường là câu hỏi hay nhất mà mô hình đa tầng trả lời được.
Cần bao nhiêu nhóm
Đây là giới hạn mà nhiều nghiên cứu vấp phải. Phương sai cấp nhóm được ước lượng từ số nhóm, không phải số người. Với rất ít nhóm, như 5 trường, ước lượng phương sai cấp nhóm rất không ổn định và mô hình đa tầng không giúp được nhiều. Các nghiên cứu phương pháp thường khuyến nghị vài chục nhóm trở lên nếu quan tâm đến ước lượng cấp nhóm, dù con số cụ thể tuỳ mục tiêu. Khi có ít nhóm:
- Dùng phương pháp ước lượng REML và hiệu chỉnh bậc tự do (Kenward–Roger hoặc Satterthwaite) cho kiểm định hệ số cố định.
- Hoặc đưa nhóm vào như biến giả (fixed effects) nếu bạn không cần suy rộng ra các nhóm khác.
- Nói thẳng trong phần hạn chế rằng hiệu ứng cấp nhóm dựa trên ít đơn vị.
Căn giữa biến: bước nhỏ, ảnh hưởng lớn
Với biến cấp cá nhân, có hai cách căn giữa. Căn giữa theo trung bình chung giúp hệ số chặn dễ đọc. Căn giữa theo trung bình nhóm tách ảnh hưởng trong nhóm (học sinh tự học nhiều hơn bạn cùng lớp) khỏi ảnh hưởng giữa nhóm (lớp có học sinh tự học nhiều hơn lớp khác). Hai ảnh hưởng này có thể khác nhau, thậm chí ngược chiều. Nếu câu hỏi của bạn liên quan đến một trong hai, hãy căn giữa theo nhóm và đưa trung bình nhóm vào như biến cấp lớp.
Đo lặp theo thời gian cũng là dữ liệu lồng
Khi mỗi người được đo nhiều lần (điểm kiểm tra sau mỗi tháng, huyết áp mỗi tuần), các lần đo lồng trong người. Mô hình đa tầng xử lý tình huống này linh hoạt hơn ANOVA đo lặp: chấp nhận số lần đo khác nhau giữa người, khoảng thời gian không đều, và giữ lại người thiếu vài lần đo thay vì loại cả hàng. Thời gian trở thành biến cấp một, đặc điểm của người là biến cấp hai, và độ dốc ngẫu nhiên theo thời gian cho biết mỗi người tiến bộ nhanh chậm khác nhau thế nào.
Chạy và kiểm tra mô hình
- Chạy mô hình rỗng (chỉ có hệ số chặn ngẫu nhiên) để tính ICC.
- Thêm biến cấp cá nhân, rồi biến cấp nhóm.
- Thêm độ dốc ngẫu nhiên chỉ khi có lý do và mô hình hội tụ.
- Kiểm tra phần dư ở cả hai cấp; xem nhóm nào có phần dư bất thường.
- Nếu mô hình báo không hội tụ hoặc phương sai ước lượng bằng 0 (singular fit), đơn giản hoá cấu trúc ngẫu nhiên thay vì cố ép.
Trong R, gói lme4 với hàm lmer và glmer là lựa chọn phổ biến; SPSS có thủ tục MIXED; jamovi có mô-đun GAMLj cho người thích giao diện.
Áp dụng thực tế: báo cáo một mô hình đa tầng
- Mô tả cấu trúc dữ liệu: số nhóm, số quan sát mỗi nhóm (trung bình, khoảng).
- Báo ICC từ mô hình rỗng.
- Nêu phần mềm, phương pháp ước lượng, cách căn giữa biến, cấu trúc ngẫu nhiên.
- Bảng: hệ số cố định kèm sai số chuẩn hoặc khoảng tin cậy; phương sai ngẫu nhiên của từng cấp.
- Nếu có, báo R bình phương biên và điều kiện (marginal và conditional R²) để người đọc hình dung phần giải thích được.
Việc làm tiếp theo: nếu dữ liệu của bạn có bất kỳ cấu trúc nhóm nào (lớp, trường, bệnh viện, địa phương, người được đo nhiều lần), hãy chạy mô hình rỗng và tính ICC trước mọi phân tích khác. Con số đó cho bạn biết ngay phân tích hiện tại có đang tự tin quá mức hay không.
Câu hỏi thường gặp
Khi nào cần dùng mô hình đa tầng?
Khi quan sát lồng trong nhóm, như học sinh trong lớp, bệnh nhân trong bệnh viện, hoặc nhiều lần đo trên cùng người, khiến các quan sát trong cùng nhóm không độc lập.
ICC là gì và bao nhiêu thì đáng lo?
ICC là tỷ lệ phương sai nằm ở cấp nhóm. Ngay cả ICC nhỏ cũng có thể làm sai số chuẩn bị đánh giá thấp đáng kể khi mỗi nhóm có nhiều quan sát.
Mô hình đa tầng cần bao nhiêu nhóm?
Không có con số chung, nhưng ước lượng cấp nhóm cần vài chục nhóm trở lên để ổn định. Với rất ít nhóm, hãy dùng hiệu chỉnh bậc tự do hoặc cân nhắc hiệu ứng cố định.
Hệ số chặn ngẫu nhiên và độ dốc ngẫu nhiên khác nhau thế nào?
Hệ số chặn ngẫu nhiên cho mỗi nhóm một mức trung bình riêng; độ dốc ngẫu nhiên cho phép ảnh hưởng của một biến khác nhau giữa các nhóm.
Có thể chạy mô hình đa tầng bằng SPSS không?
Có, bằng thủ tục MIXED. R với gói lme4 và jamovi với mô-đun GAMLj cũng là các lựa chọn phổ biến.
