构造一个跨层模型（混合效应）的数据并回归 Stata & R

一、宏观因素X对微观因素Y影响的Stata模拟

clear//清空当前工作区

set seed 123//设置随机数种子为123，以确保结果可重复

set obs 500//设置数据集大小为500行（观测值）

egen group_id = seq(), from(1) to(100) block(5)
//生成一个名为 “group_id” 的新变量，其中每个分组包含连续的五个观测值。总共有 100 组

gen X = rnormal()//生成一个名为 “X” 的新变量，其中每个观测值都是从标准正态分布中抽取的随机数

egen group_X = mean(X), by(group_id)
//对于每个分组计算 “X” 变量的均值，并将其存储在名为 “group_X” 的新变量中

replace X = group_X//将每个观测值替换为其所属分组的平均值（即实现了固定效应模型）

gen Y = 0.5 * X + rnormal(0, 0.5)
//根据公式 Y=0.5*X+.，在 “X” 变量和误差项中抽取随机数来生成一个名为 “Y” 的新变量。其中误差项服从均值为零、标准差为 0 .5 的正态分布

xtmixed Y X || group_id:, mle
//运行 xt 混合效应模型，其中因变量是 “Y”，自变量是 “X”，并且考虑到了由 “group_id” 定义的随机截距。使用最大似然方法进行参数估计

二、宏观因素X对微观因素Y影响的R模拟

library(lme4)  ##加载 lme4 包。lme4 包提供了用于拟合线性混合效应模型的函数

set.seed(123)  ##设置随机数生成器的种子为 123。这确保了代码的可重复性

n_groups = 10  ##创建一个变量 n_groups，表示分组的数量，共 10 个

n_observations = 50  ##创建一个变量 n_observations，表示每个组的观测值数量，共 50 个

group_id = rep(1:n_groups, each = n_observations)  ##创建一个向量 group_id，其中包含从 1 到 groups 的整数，每个整数重复 n_observations 次。这表示每个组的观测值对应的组 ID

X = rnorm(n_groups)  ##创建一个名为 X 的向量，其中包含 n_groups 个来自标准正态分布的随机数

X_rep = rep(X, each = n_observations)  ##创建一个向量 X_rep，其中包含向量 X 中的每个元素重复 observations 次。这表示每个组的观测值对应的自变量值

Y = 0.5 * X_rep + rnorm(n_groups * n_observations, 0, 0.5)  ##创建一个向量 Y，表示因变量值。Y 是 X_rep 的 0.5 倍，加上一个均值为 0，标准差为 0.5 的正态随机误差项

data = data.frame(group_id, X_rep, Y)  ##创建一个名为 data 的数据框，包含 group_id（组 ID）、X_rep（自变量）和 Y（因变量）

model = lmer(Y ~ X_rep + (1 | group_id), data = data)  ##使用 lmer 函数拟合一个线性混合效应模型。因变量是 Y，自变量是 X_rep，随机截距是根据 group_id 分组的。将拟合的模型存储
在变量 model 中

summary(model)  ##显示 model 的摘要信息，包括固定效应和随机效应的估计值、模型拟合统计量等