多层线性模型HLM结果解读：随机截距与随机斜率.docxVIP

多层线性模型HLM结果解读

一、多层线性模型概述

多层线性模型（HierarchicalLinearModel,HLM），又称多水平模型（MultilevelModel）、线性混合效应模型（LinearMixedEffectsModel）或随机效应模型（RandomEffectsModel），是处理嵌套分层数据的重要统计方法。在社会科学、医学教育和组织行为学等领域，数据往往具有层次结构，例如学生嵌套于班级、患者嵌套于医院、重复测量嵌套于个体等。传统回归模型假设观测值之间相互独立，但嵌套数据中同一组内的个体往往具有较高的相似性，违反独立性假设，导致标准误估计偏小、假设检验的I类错误率升高。

HLM模型通过将总变异分解为组间变异和组内变异两个层次，同时估计固定效应（fixedeffects）和随机效应（randomeffects）。固定效应描述的是自变量对因变量的平均效应，即总体层面的回归关系；随机效应则刻画不同组别之间回归系数或截距的变异程度，反映组间异质性。组内相关系数（IntraclassCorrelationCoefficient,ICC）是HLM模型的关键指标之一，其计算公式为ICC=组间方差/（组间方差+组内方差），取值范围为0~1。ICC值越接近1，说明组间差异越大，使用多层模型的必要性越强；ICC值越接近0，说明组间差异很小，可简化为普通固定