多层线性与混合效应模型
多层线性模型 (HLM)
当学生抽自班级、员工抽自部门时，把第二层单元写成随机截距，先用 ICC 看有多少变异坐在班与班之间，再估计第一层协变量的固定斜率。
这篇能回答什么
HLM（Hierarchical Linear Modeling）回答的是：「同一课堂里的平均分并不是独立掷骰子，班级基线不同时，普通 OLS 会把标准误算得过小」。它把资料写成两层：第一层是学生（语文成绩 → 平均分），第二层是班级标识。工作台拟合随机截距模型——每个班级有自己的基线偏离 u_{0j}，语文成绩的斜率在本页是全样本共用的固定效应，不估计「每班一条斜率」。
适合：明确的嵌套抽样（学生–班级、病人–医院、员工–门店），因变量定量，至少有一个第一层或可并入固定部分的协变量，以及一个定类分组标识。先看零模型的 ICC：班间方差占全部方差的比例。本教学表上 ICC 贴零，本身就是一条诊断，不是程序出错。
什么时候不该用
自变量按理论分块进入、数据并没有嵌套，那是分层回归，不要被「层」字带偏。只要一条总体回归、观测可视为独立，用线性回归。只报告组内相关、不估固定斜率，可对照组内相关系数 ICC。纵向随访、随机斜率或交叉随机效应的更广义说法，见多水平/混合效应模型。发票号、学号不能当第二层。
如何选择方法
先问抽样是否嵌套。是，且关心「班与班的基线差占多少、控制班级基线后语文还解释平均分多少」→ 本页 HLM。否，只是把控制变量先放进方程 → 分层回归。只要独立样本的条件均值 → OLS。只要一个信度式的组内相关、没有回归 → ICC 专页。
HLM（本页）：1 个班级/学校标识 + 1 个定量 Y + 1–30 个 X；零模型 ICC、固定效应、τ00 与 σ²。
分层回归：同一层 OLS 的分块进入，看 ΔR²，没有随机截距。
线性回归：忽略聚类时的条件均值；ICC 很大时标准误会偏乐观。
ICC：只分解组间/组内方差，不报告语文成绩的斜率。
输入、输出与限制
输入
分组变量必须是真实的第二层单元（本例为班级），恰好 1 列。因变量 1 个定量列。自变量 1–30 个，定量或定类；本页教学只放了语文成绩。按所用列成表删除缺失。
分组变量：最少 1 个，最多 1 个（定类，第二层 ID）。
自变量：最少 1 个，最多 30 个。
因变量：最少 1 个，最多 1 个（定量）。
输出
固定效应表给出 const 与各自变量的系数、标准误、z 与 p。表注报告第一层有效行数、第二层组数、ICC、组间截距方差 τ00 与残差方差 σ²。洞察会根据 ICC 是否大于约 0.05 提示「建议坚持 HLM」还是「与 OLS 可能接近」。图为各班随机截距的收缩估计（毛毛虫式排序）与固定效应对照。
产品限制
完整个案少于 30 行、或第二层少于 3 个班级时，混合似然难以收敛。
聚类数上限 200，总行数上限 50 000；拟合时最多取 2500 行。
毛毛虫图最多展示偏离最大的 20 个班级。
不自动做组均值 / 总均值中心化；需要 CWC 或情境效应时，请先在表里造好中心化列再上传。
本页不估计语文成绩的随机斜率，也不做跨层交互（班级均值 × 学生语文）。
案例
研究问题。 定量成绩表里学生隶属于班级。研究者想知道：平均分的变异有多少来自「进了不同的班」，以及在承认班级基线之后，语文成绩还能否解释个人平均分。
教学示例工作表为「Sheet1」。分组变量选「班级」，自变量选「语文成绩」，因变量选「平均分」。表注第一层有效行 790，第二层 18 个班。本页 ICC = 0.0000——这张教学表上，班与班的平均分基线几乎没有可估方差。下载后按同样三角色复现系数。
在 StatsX 中操作
步骤 1 · 上传表格
打开工作台，将 Excel / CSV / JSON 拖入上传区。本案例使用定量成绩 xlsx，确认工作表为「Sheet1」。单文件不超过 20 MB。
步骤 2 · 查看画像与质量
确认平均分、语文成绩为定量，班级为定类且水平数明显大于 2。不要把学号拖进分组变量。
步骤 3 · 选择「多层线性模型 (HLM)」
在算法目录搜索「HLM」或「多层线性」，点选多层线性模型 (HLM)。不要误选分层回归。
步骤 4 · 指定第二层与变量并运行
分组变量勾选班级；自变量勾选语文成绩；因变量勾选平均分。点击运行分析。
步骤 5 · 阅读结果
先读表注里的 ICC 与 τ00，再读 const 与语文成绩的系数。ICC 贴零时，重点写「班间方差可忽略」，不要编造「班级效应很大」。
如何阅读输出
下表由同一份教学成绩在 StatsX 中运行 HLM 得到。表注：第一层 790 人，第二层 18 个班；ICC = 0.0000；τ00 = 0.0000，σ² = 31.0807。零模型几乎把全部变异都留在班内残差，班级随机截距没有可分离的方差——洞察因此写「组间变异占 0.0%，HLM 与 OLS 结论可能接近」。
| 固定效应 (Fixed Effects) | 估计系数(Coef) | 标准误 | z值 | P值 |
|---|---|---|---|---|
| const | 61.6153 | 1.0547 | 58.4202 | <0.001 |
| 语文成绩 | 0.1737 | 0.0138 | 12.5606 | <0.001 |
左右滑动可查看完整表格
Level-1(样本量)=790，Level-2(聚类组数)=18。模型组内相关系数 ICC = 0.0000。方差分量：组间截距方差 τ00=0.0000，残差方差 σ²=31.0807。
第二层标识是班级。【多层线性HLM】Level-2分组=班级，ICC=0.000。 把它读成「嵌套检验已经做过」：本样本不支持再渲染一条很大的班级故事。
固定部分：const = 61.6153（标准误 1.0547，z = 58.4202，p < 0.001），表示语文成绩为 0 时的总体平均分位置，通常不作课堂解释。语文成绩系数 = 0.1737（SE = 0.0138，z = 12.5606，p < 0.001）：在本页的未中心化尺度上，语文每高 1 分，平均分平均高约 0.17 分。因为 ICC 为 0，这条斜率会非常接近把班级当忽略聚类的 OLS；HLM 的价值在于先检验嵌套是否存在，而不是本例一定改写系数。平均分含语文成分，解释应限于条件关联。
理论与公式
两层随机截距（Raudenbush & Bryk）把第 j 班第 i 名学生写成
不含 X 的零模型给出无条件组内相关
本页 ICC = 0、τ00 = 0，表示在这张成绩表上几乎没有可估的班间基线差。中心化不改变「有没有随机截距」，但改变 γ10 的含义：总均值中心化后的斜率是相对全样本均值的；组均值中心化（CWC）后的斜率是班内关系，班级均值本身还可作为第二层预测因子去估情境效应。StatsX 不会替你减均值，需要哪种解释，就在上传前造好列。估计为混合模型极大似然（statsmodels MixedLM），固定效应用 z 近似。
注意事项
ICC 接近 0 应如实报告「班间方差可忽略」，不要为了显得「用了高级模型」而夸大班级效应。
未中心化的语文成绩斜率混杂了班内关系与班间组成；论文若声称班内效应，必须先 CWC。
第二层少于 10 个班时 τ00 的估计很吵，18 个班已经偏紧，本例方差被收到 0 并不奇怪。
平均分与语文成绩有定义性重叠，显著斜率不是「发现了新机制」。
学号、考场号会制造虚假的海量聚类，系统也会拒绝过高的聚类数。
本页没有随机斜率：不能写「各班语文回报不同」。
常见问题
参考文献
Raudenbush, S. W., & Bryk, A. S. Hierarchical Linear Models: Applications and Data Analysis Methods. Sage.
Snijders, T. A. B., & Bosker, R. J. Multilevel Analysis: An Introduction to Basic and Advanced Multilevel Modeling. Sage.
张雷, 雷雳, 郭伯良. 多层线性模型应用[M]. 教育科学出版社.
Enders, C. K., & Tofighi, D. Centering predictor variables in cross-sectional multilevel models[J]. Psychological Methods, 2007, 12(2): 121–138.