多层线性模型的原理

最近要用到HLM模型，把简书上的一篇相关文章转载过来复习一下。原文写于2019.01.08，链接为：https://www.jianshu.com/p/8deb0fd0fba0。

《追踪数据分析方法及其应用》是一部介绍追踪数据的分析方法的书，方法包括一元方差分析、多元方差分析、多层线性模型、潜变量增长曲线模型等方面的内容。由于学习的需要我只看了多层线性模型的部分，看之甚浅，请看了这篇文章的人批评指正。

一、问题

有时候，我们会拿到多个人在同一个维度不同时期的数据。比如一个班级的小学生，在3年级到6年级时“自我概念”这个指标的变化情况，把这些数据画成一个图，是杂乱无章的。

我们想知道，有没有一种方法，能够看到这些小朋友的整体变化是怎样的，是什么因素影响了整体变化。

二、追踪研究中的多层线性模型

先提出一个假设，假设三年级到六年级的时间，个体自我概念随时间有线性发展的趋势。我们知道，用线性回归可以拟合出一个人、一个维度的变化趋势情况。那用同样的思想，进行两次拟合，是不是就可以把多个人“变成”一个人，然后再分析，就可以拟合得到这个维度的变化趋势呢？

针对追踪研究所关心的两个问题，建立对应的两水平统计模型。

（1）第一水平模型

描述个体某一特征随时间的发展趋势，第一水平模型可以定义为：

其中代表第i个学生的第j年级所测量的自我概念的观测值，模型假设学生自我概念随着年级有线性变化的趋势。与传统回归方程相比，这个公式中的截距参数和斜率参数是随个体变化的随机变量。表示第一水平随机测量的误差。多层线性模型是服从均值为0、方差为一个定值的正态分布。

这个模型，把所有学生的特征变化用一个公式表达了出来，把变化量集成在、和中。

（2）第二水平模型

在第一水平模型中，已经假设截距参数和斜率参数是随机变量，在第二模型模型中，我们需要分析这些发展参数是否存在个体之间的差异，假如存在差异，能不能在个体层面上，用个体的特征变量来解