多层线性模型作业--.doc

多层线性模型 摘要 在社会科学研究中，调查得来的数据往往具有层次结构（嵌套结构）的特点。在层次结构数据中，不仅有描述个体的变量，而且有个组成的更高一层的变量。Yij=β0j+β1jXij+εij β0j=γ00+γ01W1j+μoj β1j=γ10+γ11 W1jμ1j 下标“0”表示截距,下标“1”表示斜率。β0j表示与第二层单位j有关的第一层的截矩。γ00表示截矩，所有第二层单位的总体平均数。γ01表示回归斜率。W1j表示第二层第一个预测变量。μoj表示残差或随机项。β1j表示与第二层单位j有关的第一层的斜率。γ10表示截矩，所有第二层单位在第一层的斜率的总体平均数。γ11 表示回归斜率。μ1j表示残差或随机项。 有时研究者只是感兴趣于把方程分解为有个体差异造成的部分和有组间差异造成的部分。这时，使用这种在第一层和第二层都没有预测变量的零模型就够了。通过零模型，我们可以确定Y中的总体变异有多大比例是由于第二层或者是说组间差异造成的，就要计算一个跨级相关（ICC）：组间方差/（组间方差+组内方差）。当icc很小时，群体平均数就必须以多个群体成员的回答来估计。另外，HLM亦可使用卡方检验来检测组间方差时候具有统计上的显著性。研究中的有些问题不一定要用到多层线性模型，那么我们怎样来判断呢？这时我们可以先构建一个零模型，运用方差成分分析，当组间方差具有统计上的显著性时，即将个别聚合到群体是可行的，说明有必要使用多层线性模型。 那么这时说明需要在模型中加入新的变量来解释这种显著性的差异。这时我们往第一层中加入新的预测变量，这就是随机效应模型，如果这时通过卡方检验发现第二层的残差μoj和μ1j比较显著，则表示在第二次层可能存在群体层次的因子。 那么我们继续往模型中加入新的变量。这时我们往第二层加入预测变量，这就是完整模型。完整模型解释了Y的总体变异是怎样受第一层和第二层的因素影响的。 3.2应用举例一 层线性模型在横断面研究和纵向研究中都有应用，下面以纵向研究中的一个应用为例： 为探索一种新药物对自闭症儿童的治疗作用,对120名自闭症儿童进行了研究,其中64名儿童未接受药物治疗,56名儿童接受了药物治疗。以自闭症儿童适应功能测验0得分为观测指标对上述儿童进行了4次追踪,每次追踪间隔5个月,以反映自闭症儿童适应能力的改善情况。研究者期望了解药物治疗的作用以及 治疗开始前的症状严重程度对疗效的影响。这里，每次追踪间隔五个月下的适应功能测验得分为第一层数据，以不依时间变化的个体特征或所接受的处理为第二层数据（治疗方法和治疗前症状严重程度）。首先建立两个spss的数据文件，利用hlm5软件生成数据结构。 然后建立随机效应模型。在这个模型的第二层方程中不包含任何自变量，因为此处我们的着眼点是仅仅确定第二层的变异。所以该模型的作用是描述全体观测对象的变化趋势，并就是否需要进一步引入第二层解释变量作出决定。 第一层的方程是: 适应功能测验分数=β0+β1 (观测时间)+ ε 第二层的方程是: β0=γ00+μ0 β1=γ10+μ1 第一层方程中“β0”是方程的截距,其含义是最后一次适应功能测验的平均分。“β1”是回归系数,其含义是适应功能得分的变化速率。“观测时间”表示自变量,ε代表残差,表示测量值Y（适应功能得分）不能被自变量X（观测时间）所解释的部分。在SPSS数据文件中,对于/测量时间0变量,分别用-3,-2, -1,0代表四次测量,这样做的目的是令方程(5)的截距B0正好等于最后一次适应功能测验的平均分。经过HLM5软件进行参数估计,结果见表1: 结果表示最近一次测量中所有儿童的适应功能平均分数是13.28。每隔5个月,自闭症儿童的适应功能分数平均增长1.53分,T检验结果说明增长趋势显著。方程(6)(7)中的残差变异都显著,说明无论是当前适应功能得分还是变化速率,都存在较大的个体间差异,需要引入第二层变量才能得到更好的解释。 为了更充分地解释方程(1)中当前分数和变化速率上的个体差异,引入两个第二层变量:是否接受了药物治疗以及治疗开始前的症状严重程度。这种在两层中都包含自变量的模型叫完整模型。 第一层的方程是: 适应功能测验分数=β0+β1(观测时间)+ ε 第二层的方程是: β0=γ00+γ01+ γ02+ μ0 β1=γ10+γ11+ γ12+ μ1 对于“治疗方法”变量,用0代表未接受治疗,1代表接受药物治疗。另外,考虑到“严重程度”变