多水平模型
| 多水平模型 | |
|---|---|
| 英文名 | Multilevel Model / Hierarchical Linear Model |
| 学科归属 | 统计方法 |
| 核心含义 | 处理嵌套结构数据的回归模型框架 |
| 又称 | 层次线性模型、混合效应模型、随机效应模型 |
| 典型嵌套 | 学生嵌套于班级、员工嵌套于组织、重复测量嵌套于个体 |
| 相关条目 | 多层线性模型、纵向数据分析、结构方程模型|} |
多水平模型是处理嵌套结构数据的统计模型框架:当低层单位(学生、员工、测量时点)嵌套于高层单位(班级、组织、个体)时,普通回归的独立观测假定被打破,多水平模型通过为每一层分别建模来纠正由此产生的估计偏差,并直接回答跨层次的问题。
嵌套结构在心理与教育研究中几乎无处不在:学生属于班级、班级属于学校;员工属于团队、团队属于组织;同一个人的多次测量必然相关。忽视嵌套的分析是心理学研究中一种系统性的方法错误。
嵌套带来的两个问题
普通回归用于嵌套数据会产生两类错误。
标准误低估:同一班级的学生彼此相似(共享教师、生源、氛围),他们的观测不是独立的。有效信息量小于表面样本量,普通回归的标准误被低估,显著性被夸大——假阳性率远超标称水平。
层次混淆:整体层面的关系可能由高层差异驱动。观察发现"班级规模与成绩相关",可能完全来自学校之间的差异(好学校班级既小成绩又好),而非班级规模本身的作用。把两层的信息混在一起估计,会得到两层的错误混合。
组内相关系数(ICC)量化嵌套的程度:ICC 等于总方差中属于高层单位的部分。ICC 达到 0.05 以上时,忽视嵌套的显著性检验已明显失真;心理研究中的 ICC 普遍在 0.10 至 0.25 之间,不容忽视。
两层模型的结构
以学生嵌套于班级为例,两层模型把回归分成两段。
第一层(个体层):每个班级内部,学生成绩对学生特征的回归——每个班有自己的回归线。
第二层(班级层):各班的回归系数(截距与斜率)作为结果变量,被班级特征(教师、班额、氛围)解释。
模型的两个核心设定是:随机截距——允许各班的平均成绩不同(截距随班变动);随机斜率——允许学生特征的作用在不同班级不同(斜率随班变动)。随机效应的方差本身是重要结果:"家庭背景对成绩的影响是否因校而异"正是斜率方差要回答的问题。
跨层交互(班级特征×学生特征)是多层模型的独特分析能力:高层变量改变低层关系的强度,如"学校资源放大了家庭背景对成绩的作用"。
估计与评价
多层模型的估计要点包括:
中心化的选择:第一层变量用总均值中心化还是组均值中心化,改变截距与斜率的含义,选择取决于研究问题(组内效应与组间效应是否要分开估计)。这是多层建模中最常见的概念错误来源,规范报告必须说明中心化方式及其理由。
固定效应与随机效应的报告:固定效应给出系数与标准误;随机效应给出方差分量及其显著性;ICC 报告在空模型(无任何预测变量的模型)中作为基准。
模型比较:从空模型逐级加入各层预测变量与跨层交互,每级的拟合改善说明该成分的必要性。
样本量要求:高层单位数是关键约束——经验上至少 30 个以上的班级或组织,才能稳定估计第二层效应;组内人数较少时第一层估计也有失真风险。
二分与计数结局:多层广义线性模型处理 logit 与泊松连接,估计方法(拉普拉斯近似、自适应积分)影响精度。
多层模型的软件支持已相当普及,主流统计环境均有成熟实现;对应用者而言,难点不在软件而在设定:层次划分、中心化、随机效应的取舍,每一步都需要研究问题的支撑。
心理学应用
多水平模型在心理学中的应用场景大致有三类。
组织研究:员工嵌套于团队与组织。领导行为、组织氛围的效应需要剥离个体层面的组成效应,跨层交互回答"什么样的组织环境下个体差异的作用更大"。
教育研究:学生嵌套于班级学校。学校效应量估计、教育干预的整群随机试验(按班级而非学生随机分组)分析,多层模型是标准工具。
经验取样与纵向数据:重复测量嵌套于个体,是最常见的一类嵌套。个体内层刻画过程(某天的压力与当天情绪的关系),个体间层刻画差异(哪些人压力反应更强)。这种"过程加差异"的双重分析已成为日常经验研究的标准范式。
嵌套意识还改变了研究设计的判断:整群抽样研究中,把个体数当作样本量会严重高估检验力;样本量规划必须以高层单位数为准。这一常识的普及,是多水平方法对研究质量最基础的贡献。
报告规范
多水平分析的报告规范已相对成型,核心条目包括以下几项。
层次结构与样本量:说明数据结构(多少个组、平均组内人数)、高层单位数是否满足估计要求。
ICC 与空模型:第一项结果永远是组内相关系数,它决定后续分析的必要性并给出方差分解的基准。
中心化说明:第一层变量用何种中心化、为什么。组均值中心化与总均值中心化回答不同的问题,混合使用而不说明是最常见的错误。
随机效应的完整报告:不止报固定效应;随机截距方差与随机斜率方差及其显著性、或说明为何不设随机斜率,都是必备内容。
缺失与流失:多层模型在缺失数据上的最大似然估计假定缺失可忽略,报告应说明缺失程度与处理方式。
审稿实践中的高频问题,多为"只报固定效应系数而不报方差分量""中心化含糊""高层单位数不足而不讨论局限"。这些问题的共同解法是把模型设定当作结果的一部分来报告——多水平模型的价值在于它使层次假设可见,报告也应让读者看见这些假设。
最后需要说明多水平模型与因果推断的关系:多层结构本身不提供因果识别,跨层关系的因果解释仍需依赖设计(分层随机化、准实验)或明确的分析假设。但多层框架对因果推断有一个实质贡献:它把"个体效应"与"情境效应"的混淆问题显性化,使研究者无法再用混合估计冒充单一层结论。这种概念上的诚实,正是方法与科学质量的连接点。