mplus 软件_多水平数据分析:R、Mplus和 HLM 应用对比

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