原文鏈接：http://tecdat.cn/?p=3230

作為第一步，從一個(gè)不包含協(xié)變量的空模型開(kāi)始?（?點(diǎn)擊文末“閱讀原文”獲取完整代碼數(shù)據(jù)********?）。

每所學(xué)校的截距，β 0J，然后設(shè)置為平均，γ 00，和隨機(jī)誤差ü 0J。

將（2）代入（1）產(chǎn)生

要在SPSS中進(jìn)行估算，請(qǐng)轉(zhuǎn)至分析→混合模型→線(xiàn)性...

相關(guān)視頻

**

拓端

，贊13

出現(xiàn)“?指定主題”和“重復(fù)”菜單。在此示例中，分組變量是id，因此應(yīng)將其放在“?主題”框中。

在反復(fù)框保持為空。它僅在分析人員想要為重復(fù)測(cè)量指定協(xié)方差模式時(shí)使用 。單擊繼續(xù)。

彈出一個(gè)新菜單，用于指定模型中的變量?？漳Ｐ蜎](méi)有自變量，因此將因變量mathach放在適當(dāng)?shù)目蛑小?/p>

空模型中的截距被視為隨機(jī)變化。這不是默認(rèn)設(shè)置，因此單擊“?隨機(jī)”以獲取以下菜單：

檢查“?包含截距”選項(xiàng)。另外，將id變量帶到組合框中。的協(xié)方差類(lèi)型無(wú)關(guān)時(shí)，只有一個(gè)隨機(jī)效應(yīng)，在這種情況下，隨機(jī)截距。單擊繼續(xù)。

接下來(lái)，單擊Statistics以選擇其他菜單以選擇在輸出中報(bào)告哪些結(jié)果。

選擇參數(shù)估計(jì)值報(bào)告固定效應(yīng)的估計(jì)值。單擊繼續(xù)，然后單擊確定。部分結(jié)果如下：

這些結(jié)果對(duì)應(yīng)于R＆B中的表4.2。

下一步是估計(jì)一種平均數(shù)- 結(jié)果模型。

平均數(shù)之結(jié)果變項(xiàng)的回歸模型

在估計(jì)空模型之后，R＆B開(kāi)發(fā)了一種“平均數(shù)結(jié)果變項(xiàng)的回歸”模型，其中將學(xué)校級(jí)變量meanses添加到截距模型中。該變量反映了每所學(xué)校的學(xué)生SES平均水平。方程式（1）：

截距可以模擬成一個(gè)大平均γ 00，再加上平均得分SES的效應(yīng)γ 01，加上隨機(jī)誤差ü 0J。

將（4）代入（1）得到

要在SPSS估計(jì)這個(gè)，再去分析→混合模型→直線(xiàn)...。再次出現(xiàn)“?指定主題”和“重復(fù)菜單?”。將id放在“?主題”框中，并將“?重復(fù)”框保留為空。

單擊繼續(xù)。在下一個(gè)菜單中，指定依賴(lài)變量和獨(dú)立變量。因變量將是mathach，單個(gè)協(xié)變量將是均值。

該meanses變量輸入作為固定效應(yīng)，所以點(diǎn)擊固定按鈕拉起固定效應(yīng)菜單。將meanses變量帶入Model框并確保選中Include Intercept。

單擊繼續(xù)。接下來(lái)，單擊“?隨機(jī)”以打開(kāi)“?隨機(jī)效應(yīng)”菜單。選中“?包括截距”以將截距指定為隨機(jī)，并將分組變量id放在“?組合”框中。它僅被視為固定效應(yīng)。該協(xié)方差類(lèi)型又是無(wú)關(guān)緊要，因?yàn)橹挥幸粋€(gè)隨機(jī)效應(yīng)，隨機(jī)截距。

最后，單擊Statistics以選擇在輸出中報(bào)告的內(nèi)容。選中參數(shù)估計(jì)值旁邊的復(fù)選框。

單擊繼續(xù)，然后單擊確定。輸出的一部分如下：

這與R＆B中的表4.3相對(duì)應(yīng)。

下一步是估計(jì)隨機(jī)系數(shù)模型。

隨機(jī)系數(shù)模型

接下來(lái)，R＆B提供了一個(gè)模型，其中包括學(xué)生級(jí)別的SES而不是平均SES，并且他們將學(xué)生SES的斜率視為隨機(jī)的。一個(gè)復(fù)雜因素是R＆B以小組平均為中心的學(xué)生SES后呈現(xiàn)結(jié)果。群體平均中心意味著從每個(gè)學(xué)生的個(gè)人SES中減去每個(gè)學(xué)生的學(xué)校的平均SES。不幸的是，meanses變量編碼為-1,0,1，因此只是每個(gè)學(xué)校平均值的粗略指標(biāo)。為了更好地估計(jì)學(xué)校平均值，可以利用SPSS 中的Aggregate命令。

分組中心變量的第一步是找到每個(gè)群集的平均值。轉(zhuǎn)到數(shù)據(jù)→聚合

出現(xiàn)“?聚合數(shù)據(jù)”菜單。表示每個(gè)組的變量稱(chēng)為“中斷”變量; 將id放入Break Variable（s）框中。目標(biāo)是從每所學(xué)校獲得學(xué)生的平均SES分?jǐn)?shù)，因此將ses變量帶到“ 變量摘要”框中。默認(rèn)情況下，SPSS假定用戶(hù)有興趣獲取每個(gè)組的均值，因此無(wú)需更改功能。最后，確保選中“?將聚合變量添加到活動(dòng)數(shù)據(jù)集”單選按鈕。

現(xiàn)在，數(shù)據(jù)中添加了一個(gè)新變量ses_mean（不要與三分法混淆）。要完成組平均居中，請(qǐng)從每個(gè)ses變量中減去ses_mean。轉(zhuǎn)到變換→計(jì)算變量。

在出現(xiàn)的菜單中，創(chuàng)建一個(gè)名為grp_ses的目標(biāo)變量，該變量等于ses減去ses_mean。

單擊確定?，F(xiàn)在可以使用以組為中心的SES變量。

1級(jí)方程式如下：

截距β 0J可以模擬成一個(gè)大平均γ 00加上隨機(jī)誤差，ü 0J。類(lèi)似地，傾斜β 1J可以被建模為具有總平均值γ 10加上隨機(jī)誤差ú 1J。

將（7）和（8）組合成（6）產(chǎn)生：

要在SPSS中估算（9），請(qǐng)轉(zhuǎn)到分析→混合模型→線(xiàn)性。再次出現(xiàn)“?指定主題”和“重復(fù)”菜單。和以前一樣，將id放在“?主題”框中，并將“?重復(fù)”留空。

單擊繼續(xù)。在下一個(gè)菜單中，指定依賴(lài)變量和獨(dú)立變量。因變量是mathach，單個(gè)協(xié)變量將是grp_ses。

要指定模型的固定效應(yīng)，請(qǐng)單擊“?固定”。在“?固定效應(yīng)”菜單中，將grp_ses變量置于“?模型”框中，并確保選中“?包括截距”。

單擊繼續(xù)，然后單擊隨機(jī)。

在“?隨機(jī)效應(yīng)”菜單中，將分組變量id放在“?組合”框中。此外，因?yàn)間rp_ses將具有隨機(jī)斜率，所以必須將其放置在“?模型”框中。接下來(lái)，確保選中Include Intercept，以便允許截距隨機(jī)變化。最后，存在兩個(gè)隨機(jī)效應(yīng)意味著協(xié)方差矩陣G的維數(shù)現(xiàn)在是2×2。SPSS中的默認(rèn)值是假設(shè)一個(gè)方差分量結(jié)構(gòu)，這意味著隨機(jī)截距和隨機(jī)斜率之間沒(méi)有協(xié)方差（參見(jiàn)隨機(jī)效應(yīng)ANOVA模型綜述中的協(xié)方差結(jié)構(gòu)表））?？梢苑艑捲摷僭O(shè)，使得協(xié)方差是從數(shù)據(jù)估計(jì)的自由參數(shù)。為協(xié)方差類(lèi)型指定Unstructured。

單擊繼續(xù)。然后單擊“?統(tǒng)計(jì)”以指定輸出中顯示的內(nèi)容。檢查參數(shù)估計(jì)值以獲得固定效應(yīng)的結(jié)果。

單擊繼續(xù)，然后單擊確定。部分結(jié)果如下：

這些結(jié)果對(duì)應(yīng)于R＆B中的表4.4。?

最終的模型R＆B呈現(xiàn)的是截距和斜率外部模型。

?

點(diǎn)擊標(biāo)題查閱往期內(nèi)容

R語(yǔ)言用線(xiàn)性混合效應(yīng)（多水平/層次/嵌套）模型分析聲調(diào)高低與禮貌態(tài)度的關(guān)系
R語(yǔ)言L(fǎng)ME4混合效應(yīng)模型研究教師的受歡迎程度R語(yǔ)言nlme、nlmer、lme4用（非）線(xiàn)性混合模型non-linear mixed model分析藻類(lèi)數(shù)據(jù)實(shí)例
R語(yǔ)言混合線(xiàn)性模型、多層次模型、回歸模型分析學(xué)生平均成績(jī)GPA和可視化
R語(yǔ)言線(xiàn)性混合效應(yīng)模型（固定效應(yīng)&隨機(jī)效應(yīng)）和交互可視化3案例
R語(yǔ)言用lme4多層次（混合效應(yīng)）廣義線(xiàn)性模型（GLM），邏輯回歸分析教育留級(jí)調(diào)查數(shù)據(jù)R語(yǔ)言 線(xiàn)性混合效應(yīng)模型實(shí)戰(zhàn)案例
R語(yǔ)言混合效應(yīng)邏輯回歸（mixed effects logistic）模型分析肺癌數(shù)據(jù)
R語(yǔ)言如何用潛類(lèi)別混合效應(yīng)模型（LCMM）分析抑郁癥狀
R語(yǔ)言基于copula的貝葉斯分層混合模型的診斷準(zhǔn)確性研究
R語(yǔ)言建立和可視化混合效應(yīng)模型mixed effect model
R語(yǔ)言L(fǎng)ME4混合效應(yīng)模型研究教師的受歡迎程度
R語(yǔ)言 線(xiàn)性混合效應(yīng)模型實(shí)戰(zhàn)案例
R語(yǔ)言用Rshiny探索lme4廣義線(xiàn)性混合模型（GLMM）和線(xiàn)性混合模型（LMM）
R語(yǔ)言基于copula的貝葉斯分層混合模型的診斷準(zhǔn)確性研究
R語(yǔ)言如何解決線(xiàn)性混合模型中畸形擬合(Singular fit)的問(wèn)題
基于R語(yǔ)言的lmer混合線(xiàn)性回歸模型
R語(yǔ)言用WinBUGS 軟件對(duì)學(xué)術(shù)能力測(cè)驗(yàn)建立層次（分層）貝葉斯模型
R語(yǔ)言分層線(xiàn)性模型案例
R語(yǔ)言用WinBUGS 軟件對(duì)學(xué)術(shù)能力測(cè)驗(yàn)（SAT）建立分層模型
使用SAS，Stata，HLM，R，SPSS和Mplus的分層線(xiàn)性模型HLM
R語(yǔ)言用WinBUGS 軟件對(duì)學(xué)術(shù)能力測(cè)驗(yàn)建立層次（分層）貝葉斯模型
SPSS中的多層（等級(jí)）線(xiàn)性模型Multilevel linear models研究整容手術(shù)數(shù)據(jù)
用SPSS估計(jì)HLM多層（層次）線(xiàn)性模型模型