多层模型

定义

多层模型（Multilevel Model），又称层次线性模型、混合效应模型或随机系数模型，是一种用于分析具有嵌套结构数据的统计方法。在社会科学、教育研究、流行病学和计量经济学等众多领域中，数据往往具有天然的层次结构——学生嵌套于班级，患者嵌套于医院，居民嵌套于社区，重复测量嵌套于个体。传统回归模型假定观测值相互独立，这一假定在嵌套数据中往往被违反，因为同一组内的个体倾向于在某些特征上更为相似。多层模型通过在回归方程中引入随机效应来刻画这种组内相关性，将总变异分解为不同层次上的变异成分，从而得到更为准确的参数估计和更合理的统计推断。哈维·戈尔茨坦和安东尼·布莱克等学者在二十世纪八十年代系统发展了多层模型的估计理论与软件实现，使其逐步成为处理层次结构数据的标准工具。

基本结构

多层模型的基本形式可以从两层次模型加以理解。第一层是微观层面的个体方程，第二层是宏观层面的组别方程。以学生嵌套于学校为例，第一层模型描述学生成绩与个体特征之间的关系：成绩ᵢⱼ = β₀ⱼ + β₁ⱼ * 学习时间ᵢⱼ + εᵢⱼ，其中β₀ⱼ和β₁ⱼ分别为截距和斜率，允许随学校j的不同而不同。第二层模型将这些随组变化的系数进一步表示为学校层面特征的解释函数：β₀ⱼ = γ₀₀ + γ₀₁ * 学校资源ⱼ + u₀ⱼ，β₁ⱼ = γ₁₀ + γ₁₁ * 学校资源ⱼ + u₁ⱼ。其中u₀ⱼ和u₁ⱼ是第二层的随机效应，假定服从多元正态分布且与第一层误差εᵢⱼ相互独立。将两式合并后得到完整的混合效应模型，其中包含固定效应部分与随机效应部分。组内相关系数（ICC）是多层模型的重要指标，衡量总变异中由组间差异解释的比例，其数值越大，说明数据越不满足独立性假定，使用多层模型的必要性越强。

估计方法

多层模型的参数估计方法主要有最大似然估计和限制性最大似然估计两种。最大似然估计同时估计固定效应和方差成分，但在小样本下方差成分的估计往往存在向下偏误。限制性最大似然估计在估计方差成分之前先消除固定效应的影响，从而得到方差成分的无偏估计，因此在实际应用中更为推荐。当数据结构更加复杂——如包含三个或更多层次、交叉分类或跨类成员关系时——广义线性混合模型框架将多层模型的思想扩展至分类响应变量和二项式数据等非正态情形。贝叶斯估计方法在多层模型中的应用也日益广泛，通过马尔可夫链蒙特卡洛模拟，研究者可以灵活处理复杂的随机效应结构和先验信息，尤其适用于小样本场景或分组数量很少时的推断。在实际操作中，常用软件包括HLM、MLwiN、Stata的mixed命令以及R语言中的lme4和nlme包，它们在估计算法和输出格式上各有侧重。

模型检验与选择

多层模型的检验涉及固定效应和随机效应两个维度。固定效应的检验通常使用Wald检验或似然比检验，但需注意分母自由度的确定问题，不同近似方法——如Satterthwaite近似和Kenward-Roger近似——对检验结果可能产生显著影响。随机效应的检验则更为复杂，因为方差成分的零假设处于参数空间的边界上，标准的似然比检验统计量不再服从卡方分布，需要进行单侧检验或使用混合卡方分布进行校正。模型选择方面，赤池信息准则和贝叶斯信息准则可用于比较不同固定效应和随机效应设定的嵌套或非嵌套模型，但需注意它们在多层结构下的调整版本。残差诊断是模型验证的重要环节，包括检验第一层和第二层残差的正态性假定、方差齐性假定以及异常值的识别，标准化残差和条件残差图是常用的诊断工具。此外，研究者还应评估模型中随机效应结构的恰当性，避免过度参数化导致拟合困难或收敛失败。

应用领域

多层模型在多个学科领域有着广泛的应用。在教育研究中，学生嵌套于班级和学校的自然结构使多层模型成为评估学校效能、追踪学业成长轨迹和研究分层抽样设计的核心方法，教育生产函数的估计通常依赖于三层模型的构建。在流行病学与公共卫生领域，患者嵌套于社区或医院的结构使得研究者可以区分个体层面和社区层面因素对健康结果的影响，并可利用多层模型分析医疗资源分配和健康不平等的多层次决定因素。在组织管理学中，员工嵌套于团队、部门嵌套于企业的层级结构为研究组织文化与绩效的关系提供了天然的应用场景。在纵向研究中，重复测量嵌套于个体的模型——即增长曲线模型——允许研究者刻画个体随时间的变化趋势，并检验影响变化速率的协变量效应。在计量经济学中，多层模型与面板数据模型、随机系数模型紧密关联，被广泛应用于劳动力市场中工资决定机制的跨地区异质性分析和企业层面的全要素生产率分解研究。

优势与局限

多层模型相较于传统回归模型具有多方面优势。它能够正确估计参数的标准误，避免了将组内相关视为独立观测所导致的I类错误膨胀问题。它可以同时估计组内和组间关系，并允许研究者考察跨层次交互效应，从而连接微观与宏观层面的理论分析。它不需要对全部观测进行独立同分布假设，在多阶段抽样调查数据的分析中能够高效处理复杂的抽样设计信息。然而，多层模型也面临若干局限。样本量要求在层次之间并不对称——层次间的组数过少将导致随机效应估计不稳定，通常建议第二层组数至少达到二十至三十个。模型设定涉及对随机效应结构和固定效应结构的多重选择，不当设定可能导致严重的有偏估计。此外，参数估计对正态性和线性性假定较为敏感，当数据结构不满足这些假定时，非参数或半参数多层模型虽然可作替代，但其理论和计算复杂度大幅增加。解释多层模型时还需谨慎区分组内效应与组间效应，避免犯下生态学谬误或原子学谬误。总体而言，多层模型为嵌套结构数据的科学分析提供了严谨且富有弹性的方法论框架，随着计算能力的提升和统计软件的普及，其在实证研究中的应用前景将更加广阔。