Independence of observations is one of the key assumptions underlying regression analysis and other methods based on the general linear model. The assumption of independence of observations is met, when a score on an outcome variable obtained by an individual is not dependent on results of other persons. This article introduces the hierarchical linear modeling (HLM) - statistical method that is recommended, when there is a real chance, that the assumption of observations' independence is violated. The structure of our article is threefold. In the first part we present basic methodological reasons for applying HLM method, stressing its advantages in comparison to the traditional regression analysis based on the ordinary least squares estimation. The second part introduces the most important theoretical notions underlying hierarchical models - a division into fixed and random effects, a multilevel data structure (including cross-level interaction), and a specific approach to variance components. In the third part we show two empirical examples of HLM application, including a detailed interpretation of their results.
W obliczu rewolucji technologii informatycznych badacze nauk społecznych mają przed sobą nie lada wyzwanie. Oto bowiem wraz ze zwiększającą się popularnością Internetu pojawiły się ogromne ilości danych zawierających opinie, poglądy i zainteresowania jego użytkowników. Chociaż analiza tych danych stawia przed badaczami poważne problemy metodologiczne, za ich użyciem przemawia fascynujący materiał powstający bez ingerencji badaczy. Dużą część tego materiału stanowią dane z najpopularniejszej na świecie wyszukiwarki Google. Co minutę jej użytkownicy ze wszystkich miejsc na świecie zadają ponad 3 miliony zapytań, które są następnie klasyfikowane i udostępniane za pomocą aktualizowanych na bieżąco narzędzi. W artykule tym omówione są próby adaptacji tych danych do potrzeb nauk społecznych, a także dotychczasowe badania na ten temat. Omówione są także praktyczne aspekty pracy z narzędziami Google’a: Google Trends oraz Google Keyword Planner. Artykuł jest przeznaczony przede wszystkim dla badaczy nauk społecznych zainteresowanych internetowymi źródłami Big Data oraz wykorzystaniem tych danych w pracy naukowej.
EN
The IT revolution created serious challenges to researchers in the social sciences. The spreading popularity of the Internet resulted in a large quantity of data on opinions, beliefs, and interests of its users. Although researchers need to solve methodological problems in order to analyze Internet data, these data constitute highly valuable material generated without researchers’ involvement. A large part of this IT material is created by the Google search engine. Every minute the world-wide users of Google make over three million queries that are subsequently classified and made available through Google tools. In this article we describe attempts to adapt these tools to the needs of the social sciences and review recent research in this domain. We focus on practical issues of using two specific tools: the Google Trends and the Google Keyword Planner. This article is primarily addressed to researches in the social sciences who are interested in the IT sources of Big Data and intend to use this kind of data in their scientific endeavors.
JavaScript is turned off in your web browser. Turn it on to take full advantage of this site, then refresh the page.