多层模型
- 提出者
- Anthony Bryk and Stephen Raudenbush
- 年份
- 1992
- 类型
- Method
- 类别
- hierarchical-data-analysis
本文为机器翻译,尚未经过审校。 阅读英文原文
它有什么作用?
多层模型(也称为分层线性模型、混合效应模型)是一种统计框架,用于分析组织成嵌套或聚类结构的数据——例如,学校中的学生、医院中的患者、个体内的重复测量。该模型由 Bryk 和 Raudenbush(1992)开发,它考虑了观测值之间的依赖性,并将方差划分为不同层级(层内和层间),从而能够进行有效的推断并揭示情境效应。它在教育、医学、组织研究以及任何数据具有自然层级结构的研究领域都至关重要。
方法背后的直觉
标准回归假设观测值是独立的;然而,聚类数据违反了这一假设。当学生嵌套在学校中时,同一所学校的学生比不同学校的学生更相似(非独立性)。忽略聚类会导致标准误低估、置信区间过于自信以及 I 类错误率膨胀。多层模型通过以下方式解决这些问题:(1)同时估计多个层级的方差(校内方差和校间方差),(2)允许回归系数因聚类而异(随机斜率),以及(3)将聚类层级的特征建模为层内关系的预测变量。这捕捉了情境如何影响个体,并产生了有效的假设检验。
历史学
Anthony Bryk 和 Stephen Raudenbush 的 1992 年著作《分层线性模型》普及了多层模型在教育和社会科学中的应用。Harvey Goldstein 的工作推进了复杂层级和交叉分类模型的理论。现代发展包括用于非正态结果的广义线性混合模型(GLMM;Breslow & Clayton, 1993)、贝叶斯多层模型(Gelman & Hill, 2007)以及动态模型(潜增长曲线;Raudenbush, 2001)。软件的进步(lme4, nlme, MLwiN, HLM)使多层分析变得易于获取。
何时使用
每当观测值嵌套时,就使用多层模型:学生嵌套在学校中(教育),患者嵌套在医院中(医学),员工嵌套在公司中(组织研究),时间点嵌套在个体中(纵向研究),重复测量嵌套在受试者中(临床试验),家庭成员嵌套在家庭中(家庭研究)。仅当 ICC < 0.02(聚类效应可忽略)时,才忽略聚类。当估计聚类特定预测值时(例如,风险调整后的医院死亡率)也使用多层模型;随机效应将估计值向总体均值收缩,以校正抽样变异性。
局限与注意事项
- 需要足够的第二层样本量:少数聚类(< 10–20)会产生不稳定的随机效应估计;少于 30 个聚类会增加不确定性。
- 假设聚类成员资格是先验定义的:交叉分类设计(学生同时嵌套在学校和社区中)需要交叉分类模型,拟合更复杂。
- 渐近理论:标准误和 p 值是近似值;可靠性随第二层样本量小而降低。Bootstrap 或排列检验提供了替代方法。
- 模型设定具有挑战性:决定哪些效应是固定效应还是随机效应,以及在哪个层级,需要仔细考虑。模型设定错误(例如,遗漏随机斜率)会导致固定效应有偏。
- 假设随机效应服从正态分布;第二层上的违反可能导致估计有偏;稳健方法或模型检查(残差图)有帮助。
来源中的条件不能替代独立的科学审查或分析引擎的验证。
优势
- 考虑了非独立性:尽管存在聚类,仍能产生正确的标准误和置信区间;避免了 I 类错误率膨胀。
- 方差分解:量化层内和层间变异,揭示情境效应并为政策提供信息(例如,学校对成就的影响)。
- 随机效应作为预测值:聚类特定的截距/斜率的经验贝叶斯估计比固定效应更稳定,适用于风险调整和排名。
- 对不平衡设计具有灵活性:不同大小的聚类和缺失数据可以自然地处理;不需要平衡设计。
- 处理多层:在单个模型中估计三个或更多层级(例如,学生嵌套在学校嵌套在地区)。
应用
- 教育研究:对嵌套在教室/学校中的学生进行学生成就建模;量化学校效应和教师效能。
- 医学研究:对嵌套在医院中的患者进行患者结局(死亡率、再入院率)建模;对医院特定费率进行风险调整以进行质量比较。
- 纵向研究:对嵌套在个体(第二层)中的重复测量(第一层)随时间变化进行建模;增长曲线、轨迹建模。
- 组织研究:对嵌套在团队/部门/组织中的员工进行员工结局(满意度、绩效)建模;评估组织文化效应。
- 家庭研究:对嵌套在家庭(第二层)中的兄弟姐妹(第一层)进行儿童行为建模;家庭层面的特征(社会经济地位、育儿方式)预测兄弟姐妹的相似性。
使用方式
使用方式
实施多层模型需要识别层级结构:第一层(最低层:个体、观测值、时间点)嵌套在第二层(聚类:学校、医院、家庭)中,以及可选的第三层(组织、地区)。记录:(1)结果变量(连续或二元),(2)第一层预测变量(在聚类内变化,例如学生年龄),(3)第二层预测变量(在聚类间变化,例如学校类型),(4)聚类标识符(分组变量)。确保有足够的第二层样本量(最少≥10个聚类,理想情况下≥30个)以获得稳定的随机效应估计。对于纵向数据:时间点(第一层)嵌套在个体(第二层)内,个体嵌套在群体(第三层)内。评估类内相关系数(ICC):同一聚类内观测值之间的相关性;ICC > 0.05 通常支持多层分析。
使用限制性最大似然法(REML,用于比较随机效应的首选方法)或最大似然法(ML,用于固定效应的似然比检验的首选方法)拟合多层模型。模型在两个层级上指定:第一层(层内):Y_ij = β₀j + β₁j(X_ij) + ε_ij,其中 i 索引个体,j 索引聚类。第二层(层间):β₀j = γ₀₀ + γ₀₁(Z_j) + u₀j,指定截距如何在聚类间变化。报告:(1)固定效应(γ 系数):预测变量在聚类间的平均效应。(2)随机效应(u₀j, u₁j 方差):聚类特定的偏差;较大的方差表明聚类存在显著差异。(3)类内相关系数(ICC):聚类间方差占总方差的比例,ICC = τ₀₀ / (τ₀₀ + σ²),其中 τ₀₀ 是聚类间方差,σ² 是层内残差方差。(4)偏差和信息准则(AIC, BIC):比较模型;值越小越好。(5)似然比检验:比较嵌套模型。
固定效应(斜率和截距)代表跨聚类的平均关系。固定斜率为 0.5 意味着在考虑了聚类效应后,平均而言,预测变量增加 1 个单位与结果增加 0.5 个单位相关。随机截距允许基线结果因聚类而异(聚类间的异质性)。随机斜率允许预测变量的效应因聚类而异;较大的随机斜率方差表明协变量效应在聚类间存在显著差异。ICC 量化了聚类效应:ICC = 0.30 意味着 30% 的方差在聚类之间;0.05 意味着 5%(聚类效应很小)。效应量:报告固定效应和方差分量。检查预测的聚类特定斜率/截距(收缩估计)以理解情境特定的效应。使用似然比检验比较嵌套模型:−2 × (较简单模型的对数似然 − 较复杂模型的对数似然) 服从自由度为参数差异的 χ² 分布。
常见陷阱
- 完全忽略聚类:将聚类数据视为独立数据会导致标准误低估和假阳性。
- 将原始聚类均值提取为新变量(生态谬误):均值和个体层面的关系不同;使用多层中心化(总体均值中心化 vs. 群体均值中心化预测变量)。
- 在第二层样本量不足的情况下估计随机斜率:用少数聚类估计所有预测变量的随机斜率会导致估计不稳定。对于理论上不需要变化的效应,使用固定斜率,或使用惩罚估计。
- 误解跨层交互作用:第一层和第二层预测变量之间的交互作用意味着第一层预测变量的效应取决于第二层情境;仔细解释和绘图。
- 仅通过 p 值进行模型选择:使用似然比检验或信息准则(AIC, BIC)进行嵌套模型比较;逐步选择在随机效应下不可靠。
- 未能检查假设:检查第一层和第二层残差的正态性、同方差性和异常值;违反假设表明需要进行变换或使用稳健方法。
常见问题
什么是类内相关系数(ICC),它为什么重要?
类内相关系数(ICC)是同一聚类内观测值之间的相关性;等价地,它是可归因于聚类的总方差的比例。ICC = 聚类间方差 / 总方差。ICC = 0 表示没有聚类(所有变异都在聚类内部);ICC = 1 表示完全聚类(所有变异都在聚类之间)。ICC > 0.05 通常支持多层分析。小的 ICC(0.01–0.05)意味着聚类相似,但如果忽略聚类效应,它仍然会膨胀标准误。经验法则:ICC > 0.10 表示强聚类,0.05–0.10 表示中度聚类,< 0.05 表示弱聚类。在拟合无条件模型(无预测变量)后计算 ICC 以评估基线聚类效应。
固定效应和随机效应之间有什么区别?
固定效应是跨聚类的平均关系(例如,年龄对结果在学校间的平均效应)。随机效应是聚类特定的平均偏差(例如,每所学校的年龄效应与总体均值的差异)。随机截距允许基线结果因聚类而异(每所学校有自己的截距)。随机斜率允许预测变量的效应因聚类而异(每所学校的年龄效应不同)。如果聚类在效应上存在实质性差异,则包含随机效应;如果效应在聚类间概念上相同,则包含固定效应。随机效应方差量化了异质性;较大的方差表明效应存在显著差异。
如何选择 REML 和 ML 估计方法?
REML(限制性最大似然法)是比较随机效应模型(例如,比较随机斜率模型)的首选方法;它产生无偏的方差分量估计。ML(最大似然法)是比较固定效应(尤其是在比较非嵌套模型时)和进行固定效应似然比检验的首选方法。在大样本中,REML 和 ML 的估计值会趋于一致。在小样本和少数第二层聚类的情况下,REML 更可靠。始终报告您使用的方法;结果可能不同,尤其是在小样本中。
什么是总体均值中心化与群体均值中心化?
中心化转换预测变量以改善解释和数值稳定性。总体均值中心化(减去总体均值)将第一层预测变量围绕全局均值中心化;截距代表预测变量等于总体均值时的结果。群体均值中心化(减去聚类均值)将第一层预测变量围绕每个聚类的均值中心化;它分离了层内和层间效应。例如,以学校均值为中心的学生层面社会经济地位(SES)将学生成就的层内 SES 效应分离出来;聚类均值(学校层面的 SES)成为第二层预测变量,代表学校构成效应。总体均值中心化是默认设置;当理论上区分层内与层间效应很重要时,使用群体均值中心化。
相关方法
参考文献
Bryk, A. S., & Raudenbush, S. W. (1992). Hierarchical Linear Models: Applications and Data Analysis Methods. SAGE Publications.
打开 DOI 文献已复制。Goldstein, H. (2011). Multilevel Statistical Models (4th ed.). Wiley-Blackwell.
打开 DOI 文献已复制。Shrout, P. E., & Fleiss, J. L. (1979). Intraclass correlations: Uses in assessing rater reliability. Psychological Bulletin, 86(2), 420–428.
打开 DOI 文献已复制。