分层线性模型.docVIP

分层线性模型 分层线性模型 分层线性模型 分层线性模型 （ hierarchical linear model HLM  ）的原理及应用 一、观点： 分层线性模型（ hierarchical linear model HLM ）别名多层线性模型 （ Multilevel Linear Model MLM）、层次线性模型（ Hierarch Linear Mode1）、 多层剖析（ Multilevel Analysis/Model ）。有关于传统的两种统计方法：一般 线性模型（ general linear model GLM ）和广义线性模型（ generalized linear models GLMs），它们又有所不同， HLM中的线性模型指的是线性回归，可是它 与一般的分层线性回归（ Hierarchical Regression ）又是不同的，详细的不同 见下边数学模型部分。 HLM又被平常的称为“回归的回归”。 Wikipedia ：“一般线性回归和多重线性回归都是发生在单调层面， HLM有关于 更合用于嵌套数据（ nest data ）。” 在理解 HLM以前应认识有关回归剖析和嵌套设计（分层设计）的基本知 识。 二、模型： 1、假定：因为个体行为不单受个体自己特点的影响，也遇到其所处环境（集体 / 层次）的影响。有关于不同层次的数据，传统的线性模型在进行变异分解时，对群组效应分别不出， 而增大模型的偏差项。 并且不同集体的变异根源也可能散布不同，可能知足不了传统回归的方差齐性假定。在模型应用方面，不同集体（层次）的数据，也不可以应用同一模型。基于传统方法的限制性，分层技术则解决了这些生态错误（ Ecological Fallacy ）。它包含了两个层面的假定： a、个体层面：这个与一般的回归剖析相同， 只考虑自变量 X 对因变量 Y 的影响。 b、群组层面：群组要素 W分别对个体层面中回归系数和截距的影响。 2、数学模型： a、个体层面： Yij= Β0j+ Β 1jXij+eij b、群组层面： 0j= γ00+γ01Wj+U0j 1j= γ10+γ11Wj+U1j 波及到多个群组层次的时候原理与之近似，能够把较初级层次的群组， 如不同的乡镇层面与不同的县市层面， 能够这样理解， 乡镇即是一个个体， 群组即是不同的县市。 更多层次的能够这样理解， 向来是下一层对上一层回归系数和截距的回归。与一般的“回归的回归”不同的是， 整个计算过程经过迭代过程达成。 3、因变量： 此处数学模型仅合用于连续的单因变量。非连续因变量、多因变量、潜 变量以及非典型的嵌套设计， 多层线性模型也能够进行办理， 但对模型的设定会 更复杂。 4、与分层回归的差别： a、向前回归、向后回归和逐渐回归： 向前回归：依据自变量对因变量的贡献率，第一选择一个贡献率最大的自变量进入，一次只加入一个进入模型。而后，再选择另一个最好的加入模型，直至选择所有切合标准者所有进入回归。 向后回归：将自变量一次归入回归， 而后依据标准删除一个最不明显者，再做一次回归判断其余变量的弃取，直至保存者都达到要求。 逐渐回归是向前回归法和向后回归法的联合。第一按自变量对因变量的 贡献率进行排序， 依据从大到小的次序选择进入模型的变量。 每将一个变量加入 模型，就要对模型中的每个变量进行查验， 剔除不明显的变量， 而后再对留在模 型中的变量进行查验。直到没有变量能够归入，也没有变量能够剔除为止。 向前回归、向后回归和逐渐回归都要依据必定判断标准履行。 即在将自变量加入 或删除模型时，要进行偏 F 查验。 b、分层回归与前三者的差别与联系： 在理解分层回归与以上三者的差别时，应理解以下三个观点。 整体变异：展望变量 X 和结果变量 Y 之间有关的平方，它包含该 X 和 Y 之间的所有关系。 共同变异：在每个 X相互独立的理想状况下， 共同变异为 0。它指的是 X 对 Y 的影响的重叠部分。 独到变异：在控制了其余变量此后，特定 X 对 Y 的影响。它表示了 Y 中 由特定 X 所独自解说的变异。 若是 X 之间存在重叠， 那么它们共有的变异就会削 弱独到变异。 X 的独到效应指的是去除重叠效应后该 X 与 Y 的偏有关的平方。可 以看出， X 的独到变异依靠于其余展望变量。 在强迫回归（ ENTER法）中，所有展望变量的偏决定系数之和要小于整个模型的 决定系数（ R2）。总决定系数包含偏决定系数之和与共同变异。 强迫回归（ ENTER 法）的限制性在于不可以将重叠（共同）变异归因于模型中的任何一个展望变量， 每个展望变量只好分派到它所解说的独到变异， 共同变异则被扔掉了。 此时的偏 有关的平方与回归系数是等同的。 分层回归与以上三种方法例供给了