rapter求n的阶乘流程图_多层模型如何求ICC？（理论篇1)

不想看理论只想要软件操作代码/步骤的请直接转到本文姊妹篇《多层模型如何求ICC？（应用篇）》，应用篇介绍了R、Mplus、SPSS操作指南、也有HLM的资源链接；扫完这篇还有《理论2》等着你。

---

组内相关系数和多层模型简介

组内相关系数(Intraclass correlation coeffient, ICC)是跨文化研究里绕不过的一个系数。心理学各分支的研究的数据中难免存在嵌套结构：学生—班级—学校（教育心理学）；员工—团队—企业（企业心理学）；个人—城市—国家（社会心理学）；病人—医生—医院（临床心理学）；不同时间点的测量 — 个人 — 实验分组……
而在文化心理学中，我们就喜欢研究这些不同层面的交互影响，所以常用多层线性模型（Hierarchical Linear Model，HLM）/多水平模型（Multilevel Model，MLM）/混合效应模型（Mixed Effects Model）【注意不是混合方法（mixed methods）】/随机效应模型（Random Effects Model）/随机系数模型（Random Coefficients Model）/方差成分模型（Variance Components Model）/嵌套数据模型(Nested Data Model)……这段中加粗的文字都指的是同一种模型，对的，这个模型就是有五花八门的名字。
言归正传，适用这个多层模型有啥好处呢：

1. 建模有更大的灵活性

• 我们说了，该模型包含了不同层面的不同因素，
• 所以可以分析大的文化背景对个体的影响（contextual effects）。就比如城市的不同经济发展水平可能影响居民的消费行为模式；
• 也可以分析不同层面的因素间的交互影响（cross-level interaction）。比如学校的类型以及老师的教育方式对学生成绩的影响；
• 所以可以检验可多有更意思的研究问题。

2. 一般回归模型都假设自变量间互相独立（assumption of independency），然而多层模型中自变量间可以存在相关性（不再必须互相独立)，并且这种相关性可被估测。
3.一般实验设计要求每组样本量相近（balance design)有缺失数据时就比较麻烦要剔除/补上，然而多层模型中每层各组的样本量不必相同，所以有缺失数据就有好了，模型照样运行。
缺点的话就是很可能一不小心把模型搞太复杂了，样本量需求也比较大，然后统计知识可能又不够用了。

---

多层模型存在的必要性的讨论（例子）

多层模型存在的必要性：可以避免以偏概全、以全概偏。
来用经典的录取率问题讲讲经典的辛普森悖论（Simpson's Paradox)：
某年，知乎者也大学的整体录取率为男性44%，女性31%。乍一看，哎呀，这不性别歧视吗，咋能男性录取率比女的高了10%+呢。学校于是积极响应，彻查各系，结果各系主任都觉得无比委屈，明明每个系都是女性录取率高于男性录取率啊。

表1

此例旨在说明站在不同层面分析数据，你得到的结论可能是不同的。
再举个更线性一些的虚构的例子吧。某研究人员想看看喝酒的数量和人们心情（笑容）有啥关系，于是他们去了许多酒吧做研究，记录了人们喝啤酒的数量和笑容的次数。他们分析了收集到的数据：

• 集合所有个人数据进行分析，喝酒数量和笑容负相关——酒喝得越多，笑容越少；笑容越少，酒喝的越多。

图1

• 将酒吧这个分组因素纳入考虑&