En las ciencias sociales y de la salud, es frecuente estudiar la influencia que ciertas características de grupos y colectivos tienen sobre determinadas experiencias y conductas de las personas. Por ejemplo, la relación entre el estilo de dirección de la empresa y el rendimiento de sus empleados; la influencia que el clima de las organizaciones tiene sobre la satisfacción laboral de sus miembros;el impacto que las relaciones familiares tienen sobre el bienestar de sus componentes; y la influencia que los estilos didácticos de los profesores tienen sobre el rendimiento de los alumnos. Todos estos ejemplos implican estimar la relación entre dos variables que se encuentran en niveles diferentes de análisis: el colectivo o superior(p. ej., el clima de la organización), y el individual (la satisfacción de los empleados). Para estimar estas relaciones se necesitan modelos y técnicas estadísticas que tengan en cuenta la estructura de imbricación que hay entre los datos observados(p. ej., ciertos empleados pertenecen a ciertas empresas; determinados alumnos pertenecen a determinadas clases), y las consecuencias que esto comporta (las observaciones no son independientes). La regresión múltiple, a menudo usada para estimar relaciones entre variables, no es adecuada en estos casos, puesto que produce estimaciones de las relaciones con diferentes problemas (ved González-Romá y Hernández, 2017).

Los modelos multinivel o modelos lineales jerárquicos permiten estimar las relaciones entre variables que se encuentran en niveles diferentes. Su aplicación en la investigación ha crecido progresivamente durante los últimos 25 años (ved González-Romá y Hernández, 2017). Esto es parcialmente a causa de que los fenómenos estudiados se desarrollan en contextos multinivel, en los cuales puede diferenciarse diferentes niveles de análisis (por ejemplo, en las empresas: la empresa, el departamento, el equipo de trabajo, el empleado). Por eso, el estudio de estos fenómenos frecuentemente requiere el uso de modelos y técnicas multinivel por parte de los investigadores en ciencias sociales y de la salud.

Los objetivos del curso que se propone son:

• 1. Comprender la lógica de los modelos multinivel.
• 2. Aprender a construirlos
• 3. Aprender a estimarlos mediante el programa SPSS

MÓDULO 1. La lógica de los modelos multinivel.

• 1. Introducción: Por qué son necesarios los modelos multinivel?
• 2. La lógica de los modelos.
• 3. Tipo de efectos y parámetros.
• 4. Secuencia de modelos de referencia.
  • Modelo 2.ª: modelo ANOVA de un factor de efectos aleatorios.
  • Modelos 2b: modelos de coeficientes de regresión aleatorios
  • Modelos 4: modelo de interceptas y pendientes como resultado.
  • Modelos 3: modelo de interceptos como resultado.
• 5. Algunas aplicaciones.

MÓDULO 2. Estimación de modelos multinivel mediante SPSS (1)

• 1. La estructura de la base de datos.
• 2. Instrucciones SPSS para poner a prueba los diferentes modelos multinivel: Ilustración con ejemplos e interpretación de resultados.

MÓDULO 3. Estimación de modelos multinivel mediante SPSS(2)

• 1. Ejercicios prácticos guiados.
• 2. Interpretación de resultados y derivación de conclusiones.
• 3. Variaciones de los modelos de referencia.

• Comprender la lógica que subyace a de los modelosmultinivel.
• Construir los modelos multinivel asociados a distintas preguntas de investigación.
• Estimar distintos tipos de modelos multinivel mediante el programa SPSS.
• Interpretar los resultados obtenidos mediante el programa SPSS.
• Derivar conclusiones adecuadas a partir de las estimaciones obtenidas.
• Planificar los análisis implicados ante una pregunta de investigación de carácter multinivel.

Teniendo en cuenta los objetivos del curso, se planteará un ejercicio práctico asociado a una hipotética pregunta de investigación que los participantes deberán contestar mediante la estimación de un modelo multinivel. Los criterios de evaluación para evaluar el ejercicio serán:

• 1. Adecuación del modelo multinivel especificado.
• 2. Adecuación de las estimaciones de los parámetros del modelo obtenidas mediante SPSS
• . 3. Corrección de la interpretación de las estimaciones obtenidas.
• 4. Corrección de las conclusiones derivadas.

Asistencia, como mínimo, al 85% del total de las horas síncronas o presenciales y realizar las tareas obligatorias fijadas en el programa o encomendadas por el/la tutor/a o profesor/a.