多层线性模型
| 多层线性模型 | |
|---|---|
| 英文名 | Hierarchical Linear Model(HLM) |
| 学科归属 | 统计方法 |
| 核心含义 | 以回归方程分层嵌套的形式刻画多层数据的具体线性模型 |
| 推广者 | 林德利、戈德斯坦、劳登布什等 |
| 发展时间 | 20 世纪 80 年代系统化 |
| 相关条目 | 多水平模型、纵向数据分析、多元回归分析|} |
多层线性模型是多水平模型框架下的线性版本:用逐层嵌套的回归方程表示数据结构——第一层是个体或时点内部的回归,第二层把这些回归的系数再当作结果去解释,如此逐层向上。它与"多水平模型"在实际使用中几乎同义,习惯上"多层线性模型"强调线性连续结局的具体方程形式。
该方法的系统化发生在 20 世纪 80 年代:统计学家林德利与史密斯奠定了贝叶斯分层模型的理论基础,戈德斯坦与劳登布什等人发展了可操作的估计算法与专用软件,使教育研究中长期存在的嵌套问题第一次有了系统的处理工具。
方程形式
以两层数据为例,多层线性模型的方程结构是:
第一层:Yij = β0j + β1jXij + rij,即班级 j 中的学生 i,其成绩由班级各自的截距与斜率解释。
第二层:β0j = γ00 + γ01Wj + u0j,β1j = γ10 + γ11Wj + u1j,即各班的截距与斜率被班级特征 W 解释,剩余的班级差异为随机效应。
合并后可见:模型最终是一个带特定协方差结构的线性模型——这正是它与广义估计方程等替代方法的数学联系。固定效应 γ 回答"平均水平上关系如何",随机效应方差回答"关系在多大程度上因班级而异",两类参数缺一不可。
三种基础模型
多层线性模型的分析惯例从一组递进的模型开始。
空模型(无预测变量):只分解方差,估计 ICC,作为一切后续比较的基准。ICC 报告是多层分析报告的第一项规范要求。
随机截距模型:加入第一层与第二层预测变量,允许截距变动而斜率恒定。回答"控制嵌套后,各变量的平均效应是多少"。
随机斜率模型:允许关键预测变量的效应跨组变动,检验其方差是否显著;显著的斜率方差引出两个后续分析——用第二层变量解释斜率差异(跨层交互),或至少报告效应的组间变幅。
这一递进序列的意义在于强迫研究者逐层回答:嵌套程度多大?平均关系如何?关系是否普适?差异由什么解释?跳过空模型直接上完整模型的做法,会掩盖组内相关对系数与标准误的扭曲程度。
横向嵌套与纵向嵌套
多层线性模型处理两类性质不同的嵌套。
横向嵌套:学生嵌套于班级、员工嵌套于公司。组是真实的实体,组效应是组特征的作用。
纵向嵌套:时点嵌套于个体。这里的"组"是个体自身,模型实际刻画的是个体内变化——截距是个体的稳定水平,斜率是随时间或随某预测变量波动的变化率。时间变量的编码(线性、二次、分段)决定轨迹形状的刻画能力。
两类嵌套可以同时存在:经验取样研究中,时点嵌套于个体、个体嵌套于团队,形成三层模型。层数增加后样本量要求(尤其是中层与高层单位数)迅速上升,实践中三层以上模型的估计已相当依赖数据规模。
与其他方法的比较
处理相关数据还有几种替代方法,各有适用边界。
聚合与拆解:把个体信息平均到组层面再分析(丢失个体内信息),或把组变量分配给个体(标准误失真)。两者都是多层方法之前的通行做法,缺陷明确,现已不推荐单独使用。
固定效应模型:为每个组设一个虚拟变量,控制所有组差异,不估计组间效应。优点是对组层面的混淆免疫;缺点是无法引入组层预测变量,且组数很大时不可行。纵向数据中"个体固定效应"是因果推断的重要工具。
广义估计方程:只需指定相关结构而不建模随机效应,更适合关注总体平均效应的场景,但无法分解方差。
选择原则大致是:要方差分解与跨层解释用多层模型;只关心个体内效应且组数巨大用固定效应;只要稳健的平均效应估计用广义估计方程。多层线性模型的优势场景是"既问平均、又问变异、还想解释变异"的完整研究问题。
入门与实现
对初学者,多层线性模型的学习路径有明确的递进顺序。
概念上,先理解方差分解与 ICC,再理解随机截距,最后理解随机斜率与跨层交互——每一步都建立在上一步之上。技术上,主流统计环境均有成熟实现:专用软件界面直观适合入门;R 环境的线性混合模型函数与多层扩展包灵活性最强;通用统计软件的多层模块覆盖常见需求。
估计方法上,默认的最大似然估计在多数场景够用;高层单位数少(如少于二十)时,贝叶斯估计对随机效应方差的估计更稳健,近年使用增多。贝叶斯多层模型的另一个优势是天然容纳缺失与测量的不确定性,代价是模型设定与收敛诊断的额外工作。
新手最常犯的三个错误值得预警:一是不看 ICC 直接报告普通回归结果;二是把组均值中心化与总均值中心化混用而不自知,系数解释全错;三是把个体层效应与组层效应的样本量混为一谈,检验力判断失真。这三个错误都源于同一个根源——把多层模型当作"普通回归的加法"而非"对数据结构的重新思考"。扭转这一思维,是多层分析训练的真正目标,也是它对研究者方法论素养的最大贡献。
在应用文献中,多层线性模型已成为组织心理学与教育心理学研究的事实标准。审稿人对嵌套数据的处理方式日益敏感,报告规范也日趋统一。对新进入该领域的研究者而言,掌握这一方法不仅是技术要求,更是理解当代研究文献的前提——大量重要结论(组织氛围的效应量、学校效能的幅度、个体内过程的强度)都以多层分析的输出为载体,无法读懂这些输出,就无法参与相关领域的对话。从这一意义上说,多层线性模型已经超越了"一种统计技术"的范畴,成为组织与教育研究中理论表述的标准语法——研究者用"个体层效应、组层效应、跨层交互"来陈述理论,方法与理论的融合至此完成。