Using multilevel models is not just a matter of statistical adjustment. Illustrations in the educational field

Résumé Fr En

Cet article présente les principes essentiels de la modélisation multiniveau pour l’étude de données hiérarchiques. Il montre comment concevoir des expérimentations dans de tels cas, en prêtant une attention particulière à la notion d’effet minimum détectable. L’article montre aussi comment spécifier un modèle multiniveau et comment interpréter ses estimations. Il est affirmé que les modèles multiniveaux ne sont pas qu’un moyen de mieux ajuster statistiquement les données ; ce sont des outils heuristiques puissants et flexibles qui encouragent les chercheurs à explorer des questions qui étaient ignorées ou considérées comme des nuisances par les modèles classiques. Deux exemples empiriques dans le champ éducatif sont présentés : le premier utilise des données expérimentales sur la réduction de la taille des classes et le second utilise des données d’enquête sur l’acquisition des mathématiques.

This article examines the core elements of multilevel modeling for the study of hierarchically structured data. It shows how to design experiments in such cases, with special attention dedicated to the notion of minimum detectable effect (MDE). The article also shows how to specify a multilevel model and how to interpret its estimations. It is argued that multilevel models are not just a means to better adjust statistically the data; they are also a flexible and powerful heuristic tool that encourages researchers to explore issues that were ignored or considered as nuisance by classical models. Two empirical examples in the educational field are presented: the first one utilizes experimental data of class size reduction and the second one utilizes mathematics acquisition survey data.