マルチレベルモデルの比較におけるRスクエアの違いの使用に関する新しい推奨事項

固定および/またはランダム効果が異なるマルチレベルモデル（MLM）を比較する場合、研究者は、r-xquaredの違いを使用して、含まれる用語の効果のサイズと重要性を伝えることに継続的に関心を持っています。ただし、どの種類のMLM比較に使用されるべきかに関して、長年の混乱がありました。さらに、MLMのR二乗の違いに関する最近の研究のいくつかの制限により、実践のための誤解を招くまたは不完全な推奨事項が生じています。これらの制限には、定義上、特定のタイプの追加用語を検出できないコンピューティング測定、利用可能なR-squared差測定の広範なクラスのサブセットのみを考慮し、与えられたR二乗差測定が定量化するものを誤って定義することが含まれます。この論文の目的は、これらの問題を解明し解決することです。そのために、MLM比較で以前に検討されていたよりも一般的な合計、クラスター内、およびクラスター間のR二乗差測定のより一般的なセットを定義し、研究者にどの尺度がどの尺度に関連するかを特定するための段階的な手順を提供します。モデル比較。R-squaredの違いに関する以前のMLM研究の制限のシミュレートされた分析デモンストレーションを提供し、ステップバイステップの手順と一般的な一連の測定セットの適用がそれぞれ克服する方法を示します。さらに、グラフィカルツールとソフトウェアを提供および説明して、研究者が統合された方法で一連のメジャーを自動的に計算および視覚化できるようにします。推奨事項と、（a）擬似R二乗の取得にどのように関係し、使用できるかを含む拡張機能と、（b）私たちのフレームワークが同時モデル構築アプローチと階層的なモデル構築アプローチの両方に対応する方法。

When comparing multilevel models (MLMs) differing in fixed and/or random effects, researchers have had continuing interest in using R-squared differences to communicate effect size and importance of included terms. However, there has been longstanding confusion regarding which R-squared difference measures should be used for which kind of MLM comparisons. Furthermore, several limitations of recent studies on R-squared differences in MLM have led to misleading or incomplete recommendations for practice. These limitations include computing measures that are by definition incapable of detecting a particular type of added term, considering only a subset of the broader class of available R-squared difference measures, and incorrectly defining what a given R-squared difference measure quantifies. The purpose of this paper is to elucidate and resolve these issues. To do so, we define a more general set of total, within-cluster, and between-cluster R-squared difference measures than previously considered in MLM comparisons and give researchers concrete step-by-step procedures for identifying which measure is relevant to which model comparison. We supply simulated and analytic demonstrations of limitations of previous MLM studies on R-squared differences and show how application of our step-by-step procedures and general set of measures overcomes each. Additionally, we provide and illustrate graphical tools and software allowing researchers to automatically compute and visualize our set of measures in an integrated manner. We conclude with recommendations, as well as extensions involving (a) how our framework relates to and can be used to obtain pseudo-R-squareds, and (b) how our framework can accommodate both simultaneous and hierarchical model-building approaches.