点亮小星星 科研路上我们一起前行!
当数据存在嵌套结构,或者多个水平如学校-班级-个人;企业-团队-个体;个体-多个时间点。通常的single level 分析,因违反观察及误差的独立性假定,更容易犯一类错误。我们需要multilevel。
拿一个网上的段子来说,同样是九年义务教育,凭什么别人就那么优秀?
以优秀程度来做结果变量,这种差异显然每个人和每个人是不一样(低水平),也可能一部分是不同班级之间有差异,不同学校之间有差异。所以,多水平模型的一个基本假定是,高水平差异能够解释结果变量的一部分。
那么,究竟是不是这样呢?
这时候就有一个指标ICC,来衡量:Intraclass correlation(ICC)
所以通常都会先计算ICC,高水平变异/(高水平变异+低水平变异)。如果能确实显著解释部分变异,就有必要运用多水平模型。
根据Hox, Moerbeek, & Van de Schoot, 2018对于多水平分析方法的介绍,通常有两种分析策略,一种是top-down (一次放入所有变量,然后逐步删减,费时费力不推荐),另一种是Bottom-up (先从简单模型到复杂)。这里介绍bottom-up 方法。
多水平模型分析策略(步骤)
Step 1:构建intercept only model常数项模型
Step 2:添加低水平预测变量
Step 3:添加高水平预测变量
Step 4:加入随机效应
Step 5:加入cross-level interaction
Ok,理论知识就到这里,如果想要深入了解