Efekt kontekstowy w modelu wielopoziomowym

Q: Jak w R oszacować efekt kontekstowy z błędem standardowym?

Wpisz do lmer() surowy predyktor (albo wycentrowany do średniej ogólnej) i średnią grupy. Współczynnik przy średniej grupy jest wtedy wprost efektem kontekstowym, z własnym SE i testem.

Opracowanie merytoryczne: Konrad Hryniewicz · Opublikowano: 28 października 2026 · Aktualizacja: 27 października 2026

W skrócie: Efekt kontekstowy to różnica między efektem predyktora na poziomie grup a jego efektem wewnątrz grup. Mówi, czym różnią się wyniki dwóch osób o tej samej wartości predyktora, gdy należą do grup o różnej średniej tego predyktora.

Co to jest efekt kontekstowy?

Efekt kontekstowy (ang. contextual effect) to różnica między efektem predyktora na poziomie grup a jego efektem wewnątrz grup. Mówi, czym różnią się wyniki dwóch osób o tej samej wartości predyktora, które należą do grup różniących się o jednostkę średniej tego predyktora. Klasyczny przykład to uczeń o danym statusie społeczno-ekonomicznym (SES) w klasie o wyższym przeciętnym SES. Efekt wewnątrzgrupowy opisuje samą osobę, a efekt kontekstowy – to, co dodaje otoczenie.

Jak go oszacować

W modelu wielopoziomowym wprowadza się dwa predyktory: wartość osoby i średnią jej grupy. To, co znaczą współczynniki, zależy od centrowania (Enders i Tofighi, 2007):

Odchylenie od średniej grupy (CWC) i średnia grupy: współczynniki to efekt wewnątrzgrupowy i międzygrupowy, a efekt kontekstowy jest ich różnicą.
Surowy predyktor (albo CGM) i średnia grupy: współczynnik przy średniej grupy jest wprost efektem kontekstowym, z własnym błędem standardowym.

Model z jednym współczynnikiem dla surowego predyktora miesza oba efekty i nie odpowiada na żadne z tych pytań.

Przykład

W danych symulowanych 720 uczniów z 60 klas efekt wewnątrzgrupowy SES wyniósł b = 2.00, a międzygrupowy b = 4.46. Efekt kontekstowy to 4.46 − 2.00 = 2.46 (SE = 0.37, 95% CI [1.72, 3.19]). Tyle samo daje model z surowym SES i średnią klasy. Model z samym SES dał jeden współczynnik 2.44, czyli mieszankę obu efektów.

Jak opisać w pracy

SES ucznia rozdzielono na odchylenie od średniej klasy i średnią klasy. Wewnątrz klas wyższy SES wiązał się z wyższym wynikiem testu, b = 2.00, a efekt kontekstowy średniego SES klasy wyniósł b = 2.46, SE = 0.37, 95% CI [1.72, 3.19].

Na co uważać

Efekt kontekstowy to nie efekt międzygrupowy. Współczynnik średniej grupy w modelu CWC (4.46) zawiera też związek na poziomie osób. Wpływ otoczenia pokazuje dopiero różnica.
Rzetelność średniej grupy. Gdy grupy są małe, a ICC predyktora niskie, obserwowana średnia obciąża efekt kontekstowy i zaniża jego błąd standardowy (Lüdtke i in., 2008). Tu ICC SES wynosi .53, a rzetelność średniej z 12 uczniów .93, więc problem jest mały.
Związek, nie przyczyna. Klasy mogą różnić się też innymi cechami. O osobach nie wnioskuj z samych średnich, bo to błąd ekologiczny; uśrednianie opisuje hasło agregacja danych.

Pełny model z centrowaniem pokazuje wpis Model wielopoziomowy krok po kroku, a rozdzielenie efektów w mediacji – Mediacja wielopoziomowa w R.

Przykład reprodukowalny

Efekt kontekstowy w R

Kod dopasowuje model z centrowaniem w grupach (CWC) i model z surowym predyktorem oraz średnią grupy, a potem porównuje je z modelem z jednym współczynnikiem.

Efekt wewnątrzgrupowy, międzygrupowy i kontekstowy SES

Dane wejściowe: SES i wynik testu 720 uczniów z 60 klas po 12 osób; prawdziwy efekt wewnątrzgrupowy 2, międzygrupowy 5 (dane symulowane, set.seed(3091)).

Co odczytać: w wierszu CWC efekt wewnątrz (ses_cwc) i między klasami (ses_sr), w wierszu CGM przy ses_sr – efekt kontekstowy; potem jego SE i współczynnik modelu z samym SES.

library(lme4)
set.seed(3091)
J <- 60; n_j <- 12                                   # 60 klas po 12 uczniów (dane symulowane)
klasa <- rep(1:J, each = n_j)
ses_kl <- rnorm(J, 0, 1)                             # przeciętny status klasy
ses    <- round(ses_kl[klasa] + rnorm(J * n_j, 0, 1), 2)
u0     <- rnorm(J, 0, 2)
wynik  <- 50 + 2 * (ses - ses_kl[klasa]) + 5 * ses_kl[klasa] + u0[klasa] + rnorm(J * n_j, 0, 5)
ses_sr  <- ave(ses, klasa)                           # średnia klasy (agregat)
ses_cwc <- ses - ses_sr                              # odchylenie od średniej klasy
m_cwc <- lmer(wynik ~ ses_cwc + ses_sr + (1 | klasa))   # efekt wewnątrz i między klasami
m_cgm <- lmer(wynik ~ ses + ses_sr + (1 | klasa))       # surowy ses + średnia klasy
m_jeden <- lmer(wynik ~ ses + (1 | klasa))              # jeden współczynnik zamiast dwóch
round(rbind(CWC = fixef(m_cwc)[-1], CGM = fixef(m_cgm)[-1]), 3)
round(c(SE_kontekst = sqrt(diag(vcov(m_cgm)))[[3]], b_jeden = fixef(m_jeden)[[2]]), 2)

Wynik w R

    ses_cwc ses_sr
CWC   2.003  4.458
CGM   2.003  2.455
SE_kontekst     b_jeden 
       0.37        2.44

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (funkcja lmer() pakietu lme4). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
lme4 (wersja 2.0.1): Bates, D., Mächler, M., Bolker, B., & Walker, S. (2015). Fitting linear mixed-effects models using lme4. Journal of Statistical Software, 67(1), 1–48. https://doi.org/10.18637/jss.v067.i01

Najczęstsze pytania

Czym efekt kontekstowy różni się od efektu międzygrupowego?

Efekt międzygrupowy to związek średnich grup z wynikiem i zawiera też związek na poziomie osób. Efekt kontekstowy to jego nadwyżka ponad efekt wewnątrzgrupowy: w przykładzie 4.46 − 2.00 = 2.46.

Jak w R oszacować efekt kontekstowy z błędem standardowym?

Wpisz do lmer() surowy predyktor (albo wycentrowany do średniej ogólnej) i średnią grupy. Współczynnik przy średniej grupy jest wtedy wprost efektem kontekstowym, z własnym SE i testem.

Kiedy średnia grupy jest za mało rzetelna, by liczyć efekt kontekstowy?

Gdy grupy są małe, a ICC predyktora niskie. Lüdtke i in. (2008) pokazali, że obserwowana średnia daje wtedy obciążony efekt kontekstowy i zaniżony błąd standardowy, i proponują latentną średnią grupy.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Poradnik

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizę Oferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

Enders, C. K., & Tofighi, D. (2007). Centering predictor variables in cross-sectional multilevel models: A new look at an old issue. Psychological Methods, 12(2), 121–138. https://doi.org/10.1037/1082-989x.12.2.121
Lüdtke, O., Marsh, H. W., Robitzsch, A., Trautwein, U., Asparouhov, T., & Muthén, B. (2008). The multilevel latent covariate model: A new, more reliable approach to group-level effects in contextual studies. Psychological Methods, 13(3), 203–229. https://doi.org/10.1037/a0012869

Cytowania BibTeX

@article{enders2007centering, author={Enders, Craig K. and Tofighi, Davood}, title={{Centering predictor variables in cross-sectional multilevel models: A new look at an old issue}}, journal={Psychological Methods}, year={2007}, volume={12}, number={2}, pages={121--138}, doi={10.1037/1082-989x.12.2.121}}

@article{ludtke2008multilevel, author={Lüdtke, Oliver and Marsh, Herbert W. and Robitzsch, Alexander and Trautwein, Ulrich and Asparouhov, Tihomir and Muthén, Bengt}, title={{The multilevel latent covariate model: A new, more reliable approach to group-level effects in contextual studies}}, journal={Psychological Methods}, year={2008}, volume={13}, number={3}, pages={203--229}, doi={10.1037/a0012869}}

Efekt kontekstowy – co wnosi grupa ponad cechy samej osoby?