HLM（分层线性模型）处理“聚集性”问题！
HLM模型(hierarchical linear model，分层线性模型)有着多种稀少，可称作多水平模型，层次线性模型，或者混合效应模型，随机效应模型等。普通的线性回归模型研究X对于Y的影响，而HLM模型也研究X对于Y的影响，但是其考虑了group的聚集性因素（即考虑组内相关不独立问题）。
比如研究‘入学成绩X’对于‘中考成绩Y’的影响，个体是学生，学生隶属于学校group，并且样本数据来源于几个学校。那么不同学校(即group层面)之间的情况时‘入学成绩X’对于‘中考成绩Y’的影响时很可能不一样（比如好学校时可能影响幅度更高），如果希望将学校因素考虑进入，此时学校就是一个聚集性因素group，诸如此类研究时即可使用HLM模型。
HLM模型时涉及到两个重要的专业术语，分别是‘固定效应’和‘随机效应’，其说明如下表：
固定效应是指做HLM模型时，不涉及group干扰时的影响关系研究；随机效应可指在group层面时的影响关系情况，更进一步说明例子如下表：
如果完全不考虑group，即不考虑‘聚集性’问题，那么直接使用线性回归即可，并不需要使用HLM模型，HLM模型就是处理‘聚集性’问题的一种进阶方法；如果说使用HLM模型，并且在分析时只考虑个体效应不需要考虑group层面的效应，即只有固定效应项并无随机效应项；如果说使用HLM模型，并且在分析时考虑个体效应的同时还考虑group层面的效应，即包括固定效应项和随机效应项。
案例：
1， 背景
当前有一项研究，研究样本为65所学校共计4059名学生，研究内容为学生入学成绩对于最终成绩的影响情况，由于学生样本来源于65所不同的学校，而且不同学校层次有着较大区别，因此需要将学校（即group项）的聚集性纳入考虑范畴中。研究数据中涉及的字段如下说明：
2，理论
HLM模型研究是对传统回归模型的进一步精细分析，研究者可深入探讨数据的变异是否在高层次（group）中存在着聚集性。一般分析时分为两个步骤如下说明：
第一步： 首先只考虑固定效应，即不纳入随机效应；然后通过结果中的ICC值判断【group层面】因变量的变异幅度（ICC值越大意味着【group层面】因变量的变异幅度越大，一般ICC值较小比如小于0.1时，意味着【group层面】因变量的变异力度较低，意味着聚集性较弱，此时可考虑直接放弃HLM模型改用常见的回归模型即可）；
第二步： 如果说ICC值较大(比如大于0.1时)，此时可进一步探究‘随机效应’对【group层面】带来的变异情况，加入group层次水平的研究项，深入探究它们对于【group层面】变异的解释情况。比如第一步中得到的ICC值为0.2，第二步之后 得到的ICC值为0.1，减少为0.2-0.1=0.1，也即说明新加入‘随机效应’项会对【group层面】产生0.1(10%)的变异解释力度。
特别提示：
3， 操作
本例子中操作上第一步先不放入‘随机效应’项，即只放入如下图所示：
在第一次分析之后，发现ICC值为0.144较大，即意味着【group层面】即学校中考成绩的变异为14.4%。因此考虑纳入‘随机效应’项，将‘入学成绩’项纳入模型中，以深入探究‘入学成绩’对于【group层面】‘中考成绩’的解释力度（即入学成绩会对中考成绩有影响，但是在不同学校group间是否有差异性）。
4， SPSSAU输出结果
SPSSAU共输出4个表格，分别‘模型基本情况’，‘固定效应参数估计’，‘随机效应协方差估计结果’，‘随机效应参数估计的相关矩阵’，分别说明如下：
5，文字分析
本案例共进行了两次。第一次时不纳入‘随机效应’项，得到结果分别如下：
上表格展示出本次研究的总样本数量是4059个，而且有65组，即group项有65个不同的数字（即65所学校），其中某学校最少只有2个学生个体样本，某学校最多有198个学生个体样本，平均来看每所学校为62.4个学生个体样本。以及HLM模型使用REML似然法估计，log似然值为-4681.13。
‘固定效应参数估计’表格展示固定效应情况，即‘入学成绩’对于‘中考成绩’的影响，上表可知：回归系数值为0.563>0，并且此路径呈现出0.01水平的显著性（z=45.106，p=0.000<0.01），因而说明入学成绩会对中考成绩产生显著的正向影响关系,即学生入学成绩越高，那么学生中考成绩也会越高。
由于第一次分析结果中并没有纳入‘随机效应’分析项，因此‘随机效应协方差估计结果’只会有截距和残差这两项，通过此两项可计算得到ICC值，计算公式为：组内相关系数ICC=截距项方差 / (截距项方差+残差项方差），即组间方差 /（组间方差 + 组内方差)。上表格显示ICC为0.144（此值相对较大），意味着【group层面】中考成绩的变异为14.40%。
与此同时，截距的回归系数值（variance或sd值均可称回归系数值）为0.094且呈现出显著性，意味着【group层面】之间的中考成绩有着明显的差异性。由于ICC值较大和【group层面】之间有着差异性，因此接下来再进一步纳入‘随机效应项’进行深入考虑，考虑‘随机效应项’对于【group层面】上的中考成绩变异的解释情况。
接着将‘入学成绩’这个学校水平上的数据作为‘随机效应项’纳入模型中，因而第2次分析的操作如下图：
第2次分析的结果分别如下面4个表格所示：
此表格信息并没有变化，不再赘述。
‘固定效应参数估计’表格展示固定效应情况，即‘入学成绩’对于‘中考成绩’的影响，上表可知：回归系数值为0.557>0，并且此路径呈现出0.01水平的显著性（z=27.588，p=0.000<0.01），因而说明入学成绩会对中考成绩产生显著的正向影响关系,即学生入学成绩越高，那么学生中考成绩也会越高。
特别提示：
在纳入‘入学成绩’这一‘随机效应’项之后，从上表可以看出：ICC值由第1次分析时的0.144上升到0.145，即增加幅度为0.001，也即说明‘入学成绩’可以提高【group层面】即学校层面‘中考成绩’的变异幅度为0.1%，此比例相对非常低可以基本可以忽略。
截距项呈现出0.01水平的显著性（z=3.625，p=0.000<0.01），即意味着不同【group层面】即学校层面之间的中考成绩有着差异性。与此同时从上表格看到：‘入学成绩’这一‘随机效应’项呈现出显著性（z=2.356，p=0.018<0.05），即意味着‘入学成绩’对于中考成绩的影响时，不同【group层面】即学校层面时有着差异性。
即最终得到结论：【group层面】即学校层面之间的中考成绩确实有着差异性（z=2.356，p=0.018<0.05），而且‘入学成绩’对于‘中考成绩’的影响时（z=2.356，p=0.018<0.05），会有着【group层面】即学校之间的差异性。
特别提示：
如果希望研究某随机效应项的加入，带来【group层面】（本案例为学校）中考成绩的解释力度变化，那么可使用计算公式为：
（Coef_intercept1 – Coef_intercept2）/ Coef_intercept1
【Coef_intercept表示第n次‘随机效应协方差估计结果’表格中‘截距’项的回归系数】，本案例中第1次分析得到的值为0.094，第2次为0.092，即为（0.094-0.092）/0.094=2.12%，即‘入学成绩’可以解释【group层面】即学校层级的平均成绩差异2.12%的原因。
‘随机效应参数估计的相关矩阵’表格展示随机效应项间的相关关系情况，比如上表格中0.425指随机效应截距项与‘入学成绩’间的相关情况，可理解为【group层面】学校间成绩差异与‘入学成绩’间的相关关系情况。该值较大，因此并不需要设置‘随机效应协方差为0’，如果该值较小比如小于0.2，可考虑设置模型中‘随机效应协方差为0’打勾即假定没有协方差关系。
6，剖析
涉及以下几个关键点，分别如下：
HLM分析思路上并没有固定标准，通常是第1步不纳入‘随机效应项’，结合ICC值和随机效应表格中的截距项显著性，判断【group层面】的变异是否存在，如果存在则纳入‘随机效应项’后深入挖掘‘随机效应项’带来【group层面】的变异情况等；
7，疑难解惑
① HLM模型的数据格式是什么样的？
HLM模型的数据格式可 点击查看
② HLM模型中ICC值的意义是？
HLM模型时，ICC的计算公式为：组内相关系数ICC=截距项方差 / (截距项方差+残差项方差），即组间方差 /（组间方差 + 组内方差)，该指标值代表着【group层面】差异幅度。
③ 涉及几个名词的意义说明？
在HLM效应分析时，涉及到专业名词包括固定效应，随机效应等，说明如下表格：
④ 标准误计算说明：z或t检验？
HLM模型时标准误的计算时，不同软件的计算方式并不同，并且可能使用t检验或者z检验，SPSSAU当前使用z检验。
绛旓細濡傛灉瀹屽叏涓嶈冭檻group,鍗充笉鑰冭檻鈥樿仛闆嗘р欓棶棰,閭ｄ箞鐩存帴浣跨敤绾挎鍥炲綊鍗冲彲,骞朵笉闇瑕佷娇鐢HLM妯″瀷,HLM妯″瀷灏辨槸澶勭悊鈥樿仛闆嗘р欓棶棰樼殑涓绉嶈繘闃舵柟娉;濡傛灉璇翠娇鐢℉LM妯″瀷,骞朵笖鍦ㄥ垎鏋愭椂鍙冭檻涓綋鏁堝簲涓嶉渶瑕佽冭檻group灞傞潰鐨勬晥搴,鍗冲彧鏈夊浐瀹氭晥搴旈」骞舵棤闅忔満鏁堝簲椤;濡傛灉璇翠娇鐢℉LM妯″瀷,骞朵笖鍦ㄥ垎鏋愭椂鑰冭檻涓綋鏁堝簲鐨勫悓鏃惰繕鑰冭檻group灞傞潰鐨...
绛旓細澶氬眰绾挎фā鍨嬶紙HLM锛锛屼綔涓虹ぞ浼氱瀛︿腑寮哄ぇ鐨勭粺璁″伐鍏凤紝鍏舵牳蹇冨湪浜澶勭悊澶氬眰娆″祵濂楁暟鎹粨鏋勶紝濡傚鏍′笌瀛︾敓鏁版嵁闂寸殑澶嶆潅鍏宠仈銆傚畠鐩稿綋浜庣嚎鎬ф贩鍚堟ā鍨嬪拰娣峰悎鏁堝簲妯″瀷锛岄氳繃鍒嗚В鎬绘柟宸紝鎻ず缁勫唴涓庣粍闂村樊寮傦紝涓庝紶缁熺殑鏂瑰樊鍒嗘瀽鏈夌潃娣辫繙鐨勮仈绯汇傚熀纭妯″瀷鏄殢鏈烘埅璺-鍥哄畾鏂滅巼妯″瀷锛屽畠鍋囪瀛︽牎闂寸殑鍩虹嚎姘村钩鏈夊樊寮傦紝浣嗕釜浣...
绛旓細HLM锛屽叏绉颁负Hierarchical Linear Modeling锛岀洿璇戜负鈥滃眰娆绾挎寤烘ā鈥濓紝鏄竴绉嶅湪缁熻瀛﹀拰鏁版嵁鍒嗘瀽涓箍娉涘簲鐢ㄧ殑妯″瀷锛屼富瑕佺敤浜澶勭悊澶氬眰娆℃暟鎹粨鏋勶紝渚嬪瀛︽牎鍜岀彮绾у唴鐨勫鐢熸垚缁╁垎鏋愶紝鎴栬呬紒涓氬唴閮ㄩ儴闂ㄩ棿鐨勫奖鍝嶇爺绌躲傝繖涓缉鍐欒瘝鍦ㄥ鏈晫锛岀壒鍒槸鍦ㄦ暟瀛︾壒鍒槸缁熻瀛﹂鍩燂紝鍏锋湁杈冮珮鐨勭煡鍚嶅害锛屽叾鎷奸煶涓篶茅ng c矛 xi脿n...
绛旓細1. hlm妯″瀷鍏紡鏄寚灞傛绾挎фā鍨嬶紙Hierarchical Linear Model锛夌殑鏁板琛ㄨ揪寮忋2. hlm妯″瀷鏄竴绉嶅灞傛鐨勭粺璁℃ā鍨嬶紝鐢ㄤ簬鍒嗘瀽鏁版嵁鍦ㄤ笉鍚屽眰娆′笂鐨勫彉鍖栧拰鍏崇郴銆傚畠鍖呭惈浜嗕袱涓儴鍒嗭細鍥哄畾鏁堝簲鍜岄殢鏈烘晥搴斻傚浐瀹氭晥搴旇〃绀哄湪鏁翠釜鏍锋湰涓櫘閬嶅瓨鍦ㄧ殑褰卞搷鍥犵礌锛岃岄殢鏈烘晥搴旇〃绀哄湪涓嶅悓灞傛涓婄壒瀹氱殑褰卞搷鍥犵礌銆傞氳繃hlm妯″瀷锛屾垜浠...
绛旓細HLM鏍锋湰鏈灏戦渶瑕20涓洟闃熶互涓婄殑鏍锋湰銆HLM妯″瀷(hierarchical linear model锛鍒嗗眰绾挎фā鍨)鏈夌潃澶氱绋灏戯紝鍙О浣滃姘村钩妯″瀷锛屽眰娆＄嚎鎬фā鍨嬶紝鎴栬呮贩鍚堟晥搴旀ā鍨嬶紝闅忔満鏁堝簲妯″瀷绛夈傛櫘閫氱殑绾挎у洖褰掓ā鍨嬬爺绌禭瀵逛簬Y鐨勫奖鍝嶏紝鑰孒LM妯″瀷涔熺爺绌禭瀵逛簬Y鐨勫奖鍝嶏紝姣斿鐮旂┒鈥樺叆瀛︽垚缁鈥欏浜庘樹腑鑰冩垚缁℡鈥欑殑褰卞搷锛屼釜浣撴槸瀛︾敓锛...
绛旓細绛夌骇绾挎фā鍨锛岀畝绉HLM锛屾槸涓绉嶅湪缁熻瀛﹂鍩熷箍娉涘簲鐢ㄧ殑澶嶆潅妯″瀷锛屼篃琚О浣滄贩鍚堟晥搴旀ā鍨嬨侀殢鏈烘晥搴旀ā鍨嬫垨澶氬眰绾挎фā鍨嬨傚湪璁￠噺缁忔祹瀛︽枃鐚腑锛屽畠鏈夋椂琚爣璇嗕负Random-coefficient regression models锛屾簮鑷猂osenberg锛1973锛夊拰Longford锛1993锛夌殑鐮旂┒銆傚湪缁熻瀛︽枃鐚腑锛屽畠涔熸湁Covariance components models鐨勫悕绉帮紝婧愪簬...
绛旓細鍦ㄧ粺璁″鐨勯鍩熶腑锛屽浜庣瓑绾绾挎фā鍨嬶紙HLM锛鐨勫垎鏋愶紝甯傞潰涓婃湁澶氱鎴愮啛鐨勮蒋浠跺伐鍏峰彲渚涢夋嫨銆傚叾涓紝鏈骞夸负浜虹煡鐨勫彲鑳芥槸HLM杞欢锛堢敱Raudenbush绛変汉浜2000骞村紑鍙戯級锛岃繖娆捐蒋浠跺洜鍏朵笓涓氭у拰鏄撶敤鎬ф繁鍙楃爺绌惰呴潚鐫愩傛澶栵紝MIXOR锛堢敱Hedeker鍜孏ibbons鍦1996骞存彁鍑猴級涔熸槸涓涓鍙楁杩庣殑閫夐」锛屽畠鎻愪緵浜嗚缁嗙殑澶氱骇...
绛旓細瀹炰緥閮ㄥ垎锛屼綔鑰呴氳繃鍏蜂綋鐨勬í鏂潰闃跺眰绾挎фā鍨鑼冧緥锛屽睍绀轰簡妯″瀷鐨勫簲鐢ㄨ繃绋嬶紝鍖呮嫭鏁版嵁澶勭悊銆佹ā鍨嬫瀯寤哄拰缁撴灉瑙ｈ锛屼娇璇昏呰兘鐩磋鍦版帉鎻℃ā鍨嬬殑瀹為檯鎿嶄綔銆傛渶鍚庯紝涔︿腑绯荤粺鍦版暣鐞嗕簡HLM锛娣峰悎鏁堝簲妯″瀷锛涓嶴PSS杞欢鍦ㄩ樁灞傜嚎鎬фā鍨嬫搷浣滀笂鐨勬帴鍙ｃ佸姛鑳戒互鍙婄浉鍏崇粯鍥惧伐鍏凤紝涓哄疄闄呮搷浣滄彁渚涗簡瀹炵敤鐨勫弬鑰冨拰宸ュ叿鏀寔銆
绛旓細绗竴灞傛槸娴嬮噺鏃堕棿鐐癸紝鎸囩殑鏄涓灞傜殑鍙橀噺鏄祴閲忔椂闂寸偣锛岃屾暟鎹搴旂殑鏄瘡涓祴閲忔椂闂寸偣涓婄殑娴嬮噺鍊硷紱绗簩灞傛槸涓綋锛屾寚鐨勬槸涓綋姘村钩锛屽彲浠ュ姞鍏ヤ釜浣撴按骞崇殑瑙ｉ噴鍙橀噺锛屾暟鎹搴旂殑鏄爺绌惰呮兂瑕佸姞鍏ョ殑涓綋瑙ｉ噴鍙橀噺銆
绛旓細绗竴灞傛槸鍚勬椂闂存娴嬮噺鐨勬暟鎹紝绗簩灞傛槸涓綋鐗瑰緛鏁版嵁锛屽彧鏀句竴娆″氨鍙互
