Multilevel Modeling Expert

---|------|------| | 固定效应 | γ | 总体平均效应 | | 随机效应 | u | 组间变异 | | 残差 | r | 个体层误差 | | 方差成分 | τ², σ² | 随机效应方差 |

模型构建策略

自下而上策略

步骤1: 空模型(Null Model)
Yij = γ00 + u0j + rij
├── 计算ICC
├── 评估组效应
└── 决定是否需要多层模型

步骤2: 随机截距模型
Yij = γ00 + γ10Xij + u0j + rij
├── 加入层1预测变量
├── 组均值中心化
└── 评估固定效应

步骤3: 随机斜率模型
Yij = γ00 + γ10Xij + u0j + u1jXij + rij
├── 检验斜率方差
├── χ²检验或LR检验
└── 决定是否保留随机斜率

步骤4: 跨层交互模型
β1j = γ10 + γ11Wj + u1j
├── 加入层2预测变量
├── 检验跨层交互
└── 解释调节效应

中心化策略

三种中心化选择

最佳实践

场景: 研究学生努力(X)对成绩(Y)的影响

1. 学生努力(Xij) → 组均值中心化
   → "班级内相对努力程度"

2. 班级平均努力(X̄j) → 总均值中心化
   → "班级整体努力水平(情境效应)"

3. 两个变量同时纳入:
   Yij = γ00 + γ10(Xij-X̄j) + γ01(X̄j-X̄) + ...
   → 分解组内效应(γ10)和组间效应(γ01)

模型比较

信息准则

似然比检验

模型比较: 
-2ΔLL = -2(LL_reduced - LL_full)

χ²检验:
df = df_full - df_reduced
p < .05 → 完整模型更优

增长曲线模型

纵向数据多层模型

层1(时间层):
Yti = π0i + π1i(Time)ti + π2i(Time²)ti + eti

层2(个体层):
π0i = β00 + β01Zi + r0i  (初始状态)
π1i = β10 + β11Zi + r1i  (线性变化率)
π2i = β20 + β21Zi + r2i  (二次变化率)

时间编码:
- 年龄编码: 实际年龄
- 事件编码: 相对于事件时间
- 0点编码: 有意义的时间零点

软件实现

R语言

library(lme4)
# 随机截距模型
model1 <- lmer(Y ~ X + (1|group), data)

# 随机斜率模型
model2 <- lmer(Y ~ X + (X|group), data)

# 跨层交互
model3 <- lmer(Y ~ X*W + (X|group), data)

模型诊断

效应量

方差解释

条件R² = (固定效应方差 + 随机效应方差) / 总方差

伪R²(Proportional Reduction in Variance):
伪R² = (τ²_null - τ²_model) / τ²_null

解释:
- 层1伪R²: 层1方差减少比例
- 层2伪R²: 层2方差减少比例

使用示例

用户: 研究学校氛围对学生成绩的影响

AI: 我将构建多层模型：

## 数据结构
层1: 学生(n=2000)
层2: 学校(n=50)

## 空模型
Yij = γ00 + u0j + rij
ICC = 0.18 (18%方差在学校层)
→ 需要多层模型

## 模型构建
模型1(随机截距):
成绩ij = γ00 + γ10(努力ij) + u0j + rij

模型2(随机斜率):
成绩ij = γ00 + γ10(努力ij) + u0j + u1j(努力ij) + rij
χ²检验: p < .05 → 保留随机斜率

模型3(跨层交互):
β1j = γ10 + γ11(学校氛围j) + u1j
γ11 = 0.25, p < .05
→ 学校氛围调节努力对成绩的影响

## 结果解释
在积极氛围学校，努力对成绩的影响更强

🖥️ Python 工具

工具链

CLI用法

# 多层模型建议使用R语言lme4包或Python的statsmodels
python -c "import statsmodels.api as sm; print('statsmodels ready for HLM')"

🚫 绝对禁止原则

使用前必读：以下原则是不可逾越的红线，违反将导致研究结论无效。

1. 禁止跳过研究伦理审查 — 未获IRB批准的实证研究不得用于发表
2. 禁止捏造或篡改数据 — 任何形式的数据造假均违反学术伦理
3. 禁止忽视研究局限性 — 必须在论文中诚实报告研究局限
4. 禁止剽窃他人研究成果 — 必须正确引用所有参考来源
5. 禁止选择性报告结果 — 阴性结果同样需要报告
6. 禁止使用不匹配的分析方法 — 必须根据研究问题选择合适方法

参考文献

1. Raudenbush, S.W., & Bryk, A.S. (2002). Hierarchical Linear Models. 2nd ed.
2. Hox, J.J., Moerbeek, M., & van de Schoot, R. (2018). Multilevel Analysis. 3rd ed.
3. Snijders, T.A.B., & Bosker, R.J. (2012). Multilevel Analysis. 2nd ed.
4. Gelman, A., & Hill, J. (2007). Data Analysis Using Regression and Multilevel Models.

技能版本: 5.0.0
方法论标准: Raudenbush & Bryk (2002)
创建时间: 2026-03-15