البيانات العنقودية في البحوث النفسية: المفهوم والمنهجيات ونماذج التحليل الإحصائي

تمثل البيانات العنقودية (Clustered Data) واحدة من أكثر الظواهر المنهجية تعقيداً وأهمية في مجالات علم النفس والعلوم السلوكية والاجتماعية المعاصرة. تظهر هذه البنية من البيانات عندما يتشارك أفراد العينة خصائص أو سياقات بيئية أو تنظيمية محددة تجعل ملاحظاتهم وقياساتهم النفسية مرتبطة ببعضها البعض، مما يكسر الفرضية الكلاسيكية القائلة باستقلالية المشاهدات. يهدف هذا المدخل المعجمي الموسع إلى تشريح الأسس النظرية والمنهجية والرياضية للبيانات العنقودية، مستكشفاً كيفية التعامل معها عبر النمذجة متعددة المستويات لضمان دقة الاستنتاجات السيكولوجية وسلامتها.

مفهوم البيانات العنقودية وطبيعتها في العلوم النفسية

تُعرّف البيانات العنقودية، أو ما يُعرف أحياناً بالبيانات المتجمعة هرمياً، بأنها نمط من أنماط البيانات الإحصائية تنتمي فيه وحدات القياس الفردية (مثل الطلاب، المرضى، أو أفراد الأسرة) إلى مجموعات أو وحدات تنظيمية ذات مستوى أعلى (مثل الفصول الدراسية، العيادات النفسية، أو المجتمعات المحلية). وفي سياق القياس النفسي، فإن هذا التجاور أو الانتماء المشترك يُفرز نوعاً من التماثل الداخلي غير العشوائي بين الأفراد داخل نفس العنقود، بحيث تكون استجابات فردين ينتميان إلى نفس المجموعة أكثر تشابهاً من استجابات فردين تم اختيارهما عشوائياً من مجموعتين مختلفتين تماماً.

ينشأ هذا التجانس الداخلي نتيجة التعرض لنفس المؤثرات السياقية، أو بسبب آليات الاختيار الذاتي؛ فالمرضى الذين يتلقون العلاج النفسي لدى نفس المعالج يتعرضون لأسلوب علاجي موحد ومناخ تفاعلي متماثل، والطلاب في فصل دراسي معين يتشاركون طرائق التدريس والمناخ النفسي الصفي ذاته. تتحدى هذه السمة الطبيعية النموذج الإحصائي الخطي التقليدي، حيث إن تجاهل الهيكل العنقودي يقود إلى افتراض زائف بأن كل ملاحظة تقدم معلومة جديدة ومستقلة بالكامل عن سابقتها، في حين أن البيانات في حقيقتها تتضمن قدراً من التكرار والاعتماد المتبادل الذي تفرضه البيئة المشتركة.

يتجاوز مفهوم العنقودية مجرد التقسيمات الجغرافية أو المؤسسية ليمتد إلى البيانات الطولية والمتكررة عبر الزمن. ففي تصاميم القياسات المتكررة (Repeated Measures) أو دراسات المعاينة التجريبية اللحظية (Experience Sampling Methods)، تصبح كل نقطة زمنية بمثابة قياس فرعي عنقودي يقع ضمن مستوى الفرد نفسه؛ حيث يمثل الشخص عنقوداً تتجمع فيه كافة استجاباته الانفعالية والسلوكية اللحظية. ومن هنا، يمتلك مفهوم العنقودية بعدين رئيسيين في البحث النفسي: بعداً مكانياً/سياقياً واجتماعياً، وبعداً زمنياً داخلياً يعكس الاستقرار والتقلب الديناميكي داخل الفرد الواحد عبر الزمن.

لذلك، لا ينبغي النظر إلى البيانات العنقودية على أنها مجرد إرباك إحصائي يتطلب التحاشي أو الحذف، بل هي تجسيد واقعي وأصيل لطبيعة السلوك الإنساني المغروس في السياق الاجتماعي. فالإنسان لا يفكر أو يسلك أو يشعر بمعزل عن محيطه، بل تتشكل عملياته العقلية وحالاته الوجدانية داخل منظومات تفاعلية متداخلة. بالتالي، فإن الفهم العميق للبنية العنقودية يتيح للباحثين النفسيين نمذجة التأثيرات الفردية وتأثيرات السياق في آن واحد وبدقة تحليلية متناهية.

الجذور التاريخية والتحول المعرفي نحو النمذجة الهرمية

تاريخياً، عانت البحوث النفسية والتربوية لعقود طويلة من مأزق اختزال مستويات التحليل، وهو ما عُرف بالصراع المنهجي بين التحليل على المستوى الفردي والتحليل على المستوى التجميعي. ففي بدايات ومنتصف القرن العشرين، كان الباحثون يلجأون إما إلى تجاهل المجموعة ودمج كافة البيانات الفردية متجاهلين الانتماء الصفي أو العيادي، أو تجميع درجات الأفراد وحساب متوسطاتها لكل مجموعة، مما يؤدي إلى فقدان التباين الفردي الداخلي بالكامل وحدوث ما يُعرف باسم المغالطة البيئية (Ecological Fallacy).

بدأ التحول المعرفي الحقيقي مع إدراك علماء المنهجية أن معالجة البيانات العنقودية بالطرق الكلاسيكية تؤدي إلى تضخم خطير في الخطأ من النوع الأول (Type I Error). فمع تطبيق اختبارات مثل تحليل التباين (ANOVA) أو الانحدار الخطي العادي (OLS)، يؤدي الارتباط بين الملاحظات إلى تقليل الخطأ المعياري التقديري بصورة اصطناعية، مما يجعل الباحثين يرفضون الفرضية الصفرية ويعلنون عن وجود دلالة إحصائية زائفة لمتغيرات وتدخلات علاجية لا أثر حقيقياً لها في الواقع.

في أواخر السبعينيات والثمانينيات من القرن العشرين، أحدثت أبحاث رواد المنهجية مثل بريك ورودنبوش (Bryk & Raudenbush) وهارفيل (Harville) وجولدشتاين (Goldstein) ثورة رياضية تمثلت في تأسيس وتطوير النماذج الخطية الهرمية (Hierarchical Linear Models – HLM). وفرت هذه النماذج إطاراً إحصائياً صارماً يسمح بتمثيل المستويات المتعددة للواقع النفسي، حيث يُعالج التباين على مستويين أو أكثر في وقت واحد دون التضحية بالتباين الفردي أو تشويه تأثيرات السياق الكلي، مما شكل قطيعة معرفية مع التبسيط الاختزالي الذي هيمن لعقود على القياس النفسي.

لقد رافق هذا التحول المنهجي تطور هائل في القدرات الحاسوبية والخوارزميات العددية، لاسيما خوارزميات التوقع والتعظيم (EM Algorithm) والتقدير عبر طريقة الإمكانية الأقصى المقيدة (Restricted Maximum Likelihood – REML). وبفضل هذا التقدم، بات بمقدور علماء النفس تحليل مصفوفات تباين وتغاير بالغة التعقيد، وتحرير الباحثين من قيود الفرضيات الكلاسيكية غير الواقعية، فاتحين الباب أمام حقبة جديدة من الفهم التركيبي الدقيق للسلوك البشري وسياقاته الديناميكية المتعددة.

البنية الرياضية والمفاهيم الإحصائية الأساسية للبيانات العنقودية

لفهم الآلية التي تعمل بها البيانات العنقودية رياضياً، يجب فحص المؤشرات الإحصائية التي تقيس درجة الاعتماد الداخلي بين الملاحظات، وعلى رأسها معامل الارتباط داخل الفئة (Intraclass Correlation Coefficient – ICC). يُعرّف معامل الارتباط داخل الفئة بأنه النسبة بين تباين المستوى الأعلى (تباين المجموعات) والتباين الكلي للمتغير النفسي المدروس، ويُعبر عنه بالمعادلة التالية:

ICC = σ²_between / (σ²_between + σ²_within)

حيث يمثل (σ²_between) مقدار التباين العائد إلى الفروق الحقيقية بين العناقيد المختلفة، في حين يمثل (σ²_within) مقدار التباين بين الأفراد داخل نفس العنقود. تتراوح قيمة معامل الارتباط داخل الفئة نظرياً بين الصفر والواحد الصحيح؛ فإذا كانت القيمة قريبة من الصفر، فإن الانتماء إلى العنقود لا يُحدث فرقاً جوهرياً في الدرجات النفسية للمفحوصين، ويمكن حينئذٍ تبرير استخدام النماذج الخطية الكلاسيكية. أما إذا كانت القيمة مرتفعة (على سبيل المثال، تتجاوز 0.05 أو 0.10 في الدراسات النفسية)، فإن ذلك يثبت وجود تجانس قوي داخل المجموعات واختلافات حقيقية بينها، مما يحتم اللجوء إلى تقنيات التحليل متعدد المستويات.

يرتبط بمفهوم معامل الارتباط داخل الفئة مفهوم آخر غاية في الأهمية يُعرف بـ “أثر التصميم” (Design Effect – DEFF)، وهو مقياس يوضح مدى تضخم تباين التقديرات الإحصائية نتيجة الاعتماد على عينة عنقودية بدلاً من عينة عشوائية بسيطة متساوية الحجم. يُحسب أثر التصميم وفق المعادلة:

DEFF = 1 + (m – 1) * ICC

حيث تمثل (m) متوسط حجم العنقود الواحد (عدد الأفراد في كل مجموعة). يُظهر هذا القانون الرياضي بوضوح أنه حتى لو كانت قيمة ICC صغيرة جداً (مثل 0.02)، فإن وجود حجم عنقود كبير (مثل مدرسة تضم 100 طالب في العينة) سيؤدي إلى مضاعفة أثر التصميم بشكل كبير (DEFF = 1 + 99 * 0.02 = 2.98). هذا يعني أن التباين الفعلي للخطأ أكبر بثلاث مرات تقريباً مما تفترضه البرمجيات الإحصائية التقليدية، مما يؤدي إلى تقليص القوة الإحصائية الفعلية للدراسة ما لم يُعدل حجم العينة مسبقاً.

يقود أثر التصميم مباشرة إلى حساب ما يُعرف بـ “حجم العينة الفعّال” (Effective Sample Size)، والذي يمثل حجم العينة العشوائية البسيطة المكافئ من حيث الدقة لعينة الدراسة العنقودية الحالية. وبقسمة الحجم الكلي الفعلي للعينة على أثر التصميم، يكتشف الباحثون غالباً أن عينتهم المكونة من 1000 مفحوص موزعين على 10 عناقيد لا توفر قوة إحصائية تعادل سوى 300 أو 400 مفحوص مستقل، وهو ما يفسر فشل العديد من الدراسات النفسية في تكرار نتائجها عندما تتجاهل هذا الخلل البنيوي في المعاينة.

المخاطر المنهجية لتجاهل العنقودية: انتهاك فرضية الاستقلالية

ترتكز معظم الاختبارات الإحصائية البارامترية الكلاسيكية (مثل اختبار ت، وتحليل الانحدار، وتحليل التباين المشترك) على فرضية أساسية تنص على أن الأخطاء العشوائية مستقلة وموزعة طبيعياً وبتباين متجانس (Independently and Identically Distributed – IID). يؤدي وجود البيانات العنقودية إلى انتهاك صريح ومباشر لفرضية استقلالية الأخطاء (Independence of Observations). وعندما تنتهك هذه الفرضية، تفقد اختبارات الدلالة الإحصائية مصداقيتها بالكامل، وتصبح قيم الاحتمالية (p-values) غير جديرة بالثقة على الإطلاق.

يتمثل الخطر الأبرز في التقدير المنخفض جداً للخطأ المعياري للمعاملات (Standard Errors). فعندما تفترض الخوارزمية أن الملاحظات مستقلة، فإنها تفرط في تقدير كمية المعلومات المستقلة المتاحة في البيانات، مما يجعل فترات الثقة (Confidence Intervals) أضيق بكثير مما ينبغي. يؤدي هذا التضييق المصطنع إلى اتخاذ قرارات خاطئة برفض الفرضيات الصفرية، مما يعني إثبات فاعلية استراتيجيات علاجية أو تدخلات إرشادية غير فعالة في الحقيقة، وهو ما يشكل خطراً مباشراً على الممارسة الإكلينيكية والقرارات التربوية المبنية على الأدلة.

بالإضافة إلى تضخم الخطأ من النوع الأول، يؤدي تجاهل العنقودية إلى الوقوع في فخاخ التفسير المغلوط، وتحديداً المغالطة البيئية والمغالطة الذرية (Atomistic Fallacy). تحدث المغالطة البيئية عندما يستنتج الباحث علاقات نفسية على المستوى الفردي بناءً على بيانات مجمعة لمستوى العنقود؛ كأن يُلاحظ أن المدارس ذات المتوسط المرتفع في الحالة الاجتماعية والاقتصادية لديها مستويات قلق أعلى، فيستنتج خطأً أن الطالب الأكثر ثراءً هو بالضرورة الأكثر قلقاً. في المقابل، تحدث المغالطة الذرية عندما تُعمم العلاقات الملاحظة بين الأفراد على مستوى السياق والمجتمع، دون التحقق من وجود آليات سياقية مستقلة تحكم الظاهرة.

يتجلى خطر آخر في عدم القدرة على رصد وتفسير “التفاعلات عبر المستويات” (Cross-Level Interactions). في العديد من النظريات النفسية الحديثة، يُفترض أن أثر سمة شخصية معينة على السلوك يتعدل بناءً على مناخ البيئة المحيطة (مثل تفاعل العصابية الفردية مع مستوى الدعم النفسي في فريق العمل). إن استخدام الأساليب الإحصائية التقليدية التي تتجاهل البنية العنقودية يعمي الباحث تماماً عن اختبار هذه التفاعلات الديناميكية المركبة، مما يفقر النظرية السيكولوجية ويجردها من عمقها البيئي والتركيبي.

الأنماط الشائعة للبيانات العنقودية في التخصصات النفسية المختلفة

تتعدد مظاهر وتجليات البيانات العنقودية بتعدد فروع علم النفس وتصميمات البحوث الإمبيريقية، ويمكن حصر أبرز هذه الأنماط في التطبيقات التالية:

• علم النفس الإكلينيكي والعلاج النفسي: تمثل مجموعات العلاج النفسي الجماعي (Group Therapy) نموذجاً كلاسيكياً للعنقودية؛ حيث يتشارك المرضى خبرات الجلسة وتفاعلاتها، ويتأثر كل مريض بديناميات المجموعة ككل. كما تظهر العنقودية في تجارب العلاج الفردي عندما يُشرف معالج واحد (Therapist) على معالجة عدة مرضى؛ حيث تعود نتائج التحسن جزئياً إلى كفاءة وشخصية المعالج نفسه، مما يولد عنقودية داخل نطاق المعالج (Therapist Effects).
• علم النفس المدرسي والتربوي: تعتبر البيئة المدرسية التطبيق الأكثر شيوعاً؛ فالطلاب مدمجون داخل فصول دراسية، وتتجمع الفصول داخل مدارس، وتتجمع المدارس داخل إدارات تعليمية. يمثل هذا التصميم بنية عنقودية ثلاثية أو رباعية المستويات، حيث يتأثر التحصيل والدافعية والمشكلات السلوكية للطفل بخصائصه الذاتية، وبكفاءة معلم الفصل، ومناخ المدرسة ككل.
• علم النفس الاجتماعي والتنظيمي: تتجلى العنقودية بوضوح في دراسات المنظمات وفرق العمل؛ إذ يتجمع الموظفون داخل أقسام إدارية أو فرق عمل تتبنى ثقافة تنظيمية محددة. يتأثر الرضا الوظيفي والاحتراق النفسي وسلوك المواطنة التنظيمية بالمناخ الجمعي للفريق، مما يجعل استجابات أعضاء الفريق الواحد غير مستقلة عن بعضها البعض.
• علم نفس الأسرة والعلاقات الثنائية: في بحوث الأزواج أو التوائم أو التفاعلات الوالدية (Dyadic Data)، يشكل كل ثنائي عنقوداً مستقلاً يتكون من فردين (m = 2). تتميز البيانات الثنائية بدرجة ارتباط متبادل قوية للغاية، وتتطلب نماذج متخصصة مثل نموذج الفاعل والشريك (Actor-Partner Interdependence Model – APIM) القائم على المبادئ الرياضية للبيانات العنقودية.
• علم النفس العصبي والقياسات المتكررة (البيانات الطولية): عندما يخضع المفحوصون لتقييمات معرفية أو انفعالية متكررة عبر فترات زمنية متعاقبة، أو في بحوث تقييم اللحظة البيئية (Ecological Momentary Assessment – EMA) عبر الهواتف الذكية، تُعامل القياسات اللحظية المتعددة كنقاط معنقدة داخل الجهاز النفسي لكل فرد.

الاستراتيجيات المنهجية لمعالجة وتحليل البيانات العنقودية

لمواجهة التحديات المنهجية التي تفرضها البيانات العنقودية، طور علماء الإحصاء النفسي عدة مسارات تحليلية متقدمة، تتفاوت في أهدافها وقدرتها على استيعاب تعقيدات البنية التجميعية، ومن أبرز هذه الاستراتيجيات:

1. النمذجة الخطية متعددة المستويات (Multilevel Modeling – MLM)

تُعد النمذجة متعددة المستويات، والمعروفة أيضاً بنماذج التأثيرات المختلطة (Mixed-Effects Models)، المعيار الذهبي لمعالجة البيانات العنقودية في العلوم النفسية. تتيح هذه المنهجية تفكيك التباين الإجمالي إلى مكونات تباين خاصة بكل مستوى من مستويات التحليل. يتم من خلالها تقدير معاملات ثابتة (Fixed Effects) تمثل متوسط العلاقات في مجتمع الدراسة، وتأثيرات عشوائية (Random Effects) تصف تشتت وتباين هذه العلاقات بين العناقيد المختلفة.

تسمح هذه النماذج باختبار ما إذا كان للمتغير التابع نقطة بداية مختلفة لكل عنقود (Random Intercepts)، وما إذا كان أثر المتغير المستقل يختلف في قوته أو اتجاهه من عنقود إلى آخر (Random Slopes). يوفر هذا الإطار مرونة فائقة لفحص التفاعلات المعقدة بين خصائص الأفراد وسياقاتهم العنقودية، ومعالجة أحجام العناقيد غير المتساوية دون التسبب في تحيز التقديرات.

2. معادلات التقدير المعممة (Generalized Estimating Equations – GEE)

تُمثل معادلات التقدير المعممة بديلاً شبه بارامتري يركز على نمذجة تأثيرات المستوى الكلي للمجتمع (Population-Averaged Effects) بدلاً من استكشاف الفروق الفردية بين العناقيد. تعتمد GEE على تحديد مصفوفة ارتباط متوقعة داخل العنقود (Working Correlation Matrix) لتصحيح الأخطاء المعيارية للمعاملات. تحظى هذه الطريقة بتقدير واسع في الدراسات الوبائية والإكلينيكية السلوكية عندما يكون الاهتمام الأساسي منصباً على معرفة متوسط أثر التدخل النفسي على العينة ككل، دون الحاجة إلى التنبؤ الدقيق بمسار كل عنقود على حدة.

3. الأخطاء المعيارية القوية المصححة للعناقيد (Cluster-Robust Standard Errors)

في الحالات التي لا يرغب فيها الباحث في بناء نموذج هرمي متعدد المستويات، أو عندما يكون عدد العناقيد كبيراً جداً ويهتم الباحث فقط بتقديرات نموذج الانحدار الخطي العادي، يمكن استخدام مصححات هوبير-وايت للأخطاء المعيارية (Huber-White Sandwich Estimators) المعدلة لتلائم العناقيد. تحافظ هذه الطريقة على نفس معاملات الانحدار المحسوبة بالطرق الكلاسيكية، لكنها تعيد حساب وتضخيم الأخطاء المعيارية وفترات الثقة لتعكس واقع الاعتماد المتبادل داخل العناقيد، مما يمنع الوقوع في فخ تضخم الخطأ من النوع الأول.

تحديد حجم العينة والقوة الإحصائية في التصاميم العنقودية

يمثل التخطيط لحجم العينة وحساب القوة الإحصائية (Statistical Power) أحد أكثر الجوانب حساسية وإرباكاً عند التعامل مع البيانات العنقودية في البحوث النفسية. فالقاعدة الذهبية في التصاميم متعددة المستويات تؤكد أن القوة الإحصائية تتحدد بشكل رئيسي بعدد العناقيد (Number of Clusters) وليس بإجمالي عدد الأفراد (Total Sample Size). بعبارة أخرى، فإن جمع بيانات 500 طالب من 50 مدرسة (10 طلاب من كل مدرسة) يوفر قوة إحصائية أعلى بكثير ودقة تقديرية فائقة مقارنة بجمع بيانات 500 طالب من 5 مدارس فقط (100 طالب من كل مدرسة).

عند تقدير القوة الإحصائية، يجب على الباحث النفسي استخدام برمجيات حساب القوة المتخصصة مثل (Optimal Design) أو (G*Power) مع مراعاة مدخلات محددة تشمل: حجم الأثر المتوقع (Effect Size)، والقيمة التقديرية لمعامل الارتباط داخل الفئة (ICC) استناداً إلى الدراسات السابقة أو المسوح الاستطلاعية، ومتوسط حجم العنقود المستهدف، والتكلفة المادية واللوجستية لزيادة عدد العناقيد مقارنة بزيادة الأفراد داخل كل عنقود.

يؤدي النقص في عدد العناقيد (عادة أقل من 20 إلى 30 عنقوداً في المستوى الثاني) إلى مشكلات خطيرة في دقة تقدير تباين التأثيرات العشوائية، حتى وإن كانت خوارزميات التقدير تتقارب بنجاح. وفي مثل هذه البيئات البحثية المقيدة، يوصي علماء القياس النفسي باللجوء إلى الطرق البايزية (Bayesian Estimation) أو تقنيات إعادة المعاينة مثل التمهيد العنقودي (Cluster Bootstrap)، لتفادي تشوهات التقدير الناتجة عن محدودية وحدات المستوى الأعلى.

المعايير المنهجية لإعداد التقارير والنشر الأكاديمي

تماشياً مع المبادئ التوجيهية الصادرة عن جمعية علم النفس الأمريكية (APA) ومعايير إعداد تقارير المقالات الصحفية (JARS)، بات من الإلزامي على الباحثين الإفصاح الكامل والدقيق عن الطبيعة العنقودية لبياناتهم وخطوات التعامل معها. يتعين على الورقة البحثية الرصينة أن تتضمن الإجراءات التالية في قسم المنهجية والنتائج:

• وصف استراتيجية أخذ العينات: التوضيح المفصل لكيفية اختيار العناقيد ووحدات الملاحظة داخلها، وتبرير مبررات المعاينة العنقودية بدلاً من المعاينة البسيطة.
• الإبلاغ عن معامل الارتباط داخل الفئة (ICC): نشر قيم ICC لكل متغير تابع أساسي في الدراسة، مع تحديد النسبة المئوية للتباين المنسوب للمستوى الفردي مقارنة بمستوى العنقود قبل وبعد إدخال المتغيرات المستقلة (Empty vs. Conditional Models).
• تبرير خيار التحليل الإحصائي: توضيح الأساس المنطقي لاختيار النمذجة متعددة المستويات، أو معادلات التقدير المعممة، أو الأخطاء المعيارية المصححة، وشرح كيفية التعامل مع فقدان البيانات (Missing Data) على مختلف المستويات.
• تفصيل بنية النماذج: ذكر ما إذا كانت نقاط التقاطع والميول عشوائية أم ثابتة، وطريقة التقدير المعتمدة (مثل Maximum Likelihood أو Restricted Maximum Likelihood)، ومؤشرات جودة المطابقة المقارنة (مثل AIC و BIC).

خاتمة واستشراف مستقبلي

تجسد البيانات العنقودية طبيعة السلوك والعمليات النفسية المعقدة المتداخلة في سياقاتها الاجتماعية والتربوية والزمنية. إن التحول من تجاهل هذه البنية إلى استيعابها ونمذجتها عبر التقنيات الإحصائية متعددة المستويات يمثل نضجاً منهجياً أصيلاً في السيكولوجيا الحديثة. يُمكّن الفهم المعمق للعنقودية الباحثين من صياغة نظريات أكثر واقعية وقدرة على التنبؤ، وتجنب العثرات الإحصائية القاتلة كأخطاء الاستدلال والمغالطات البيئية. ومع استمرار الثورة التكنولوجية وتدفق البيانات الضخمة وأجهزة الاستشعار السلوكية المستمرة، ستتداخل البنى العنقودية مع الشبكات الديناميكية المعقدة، مما يفرض على الباحثين النفسيين البقاء في طليعة التطور المنهجي لضمان استخلاص معرفة علمية رصينة قادرة على فهم الإنسان في كليته وسياقه الحقيقي.

المراجع

• Bryk, A. S., & Raudenbush, S. W. (1992). Hierarchical linear models: Applications and data analysis methods. Sage Publications.
• Goldstein, H. (2011). Multilevel statistical models (4th ed.). John Wiley & Sons. https://doi.org/10.1002/9780470973394
• Hox, J. J., Moerbeek, M., & van de Schoot, R. (2017). Multilevel analysis: Techniques and applications (3rd ed.). Routledge. https://doi.org/10.4324/9781315650982
• Kenny, D. A., Kashy, D. A., & Cook, W. L. (2006). Dyadic data analysis. Guilford Press.
• Raudenbush, S. W., & Bryk, A. S. (2002). Hierarchical linear models: Applications and data analysis methods (2nd ed.). Sage Publications.
• Snijders, T. A. B., & Bosker, R. J. (2012). Multilevel analysis: An introduction to basic and advanced multilevel modeling (2nd ed.). Sage Publications.