多水平模型精讲：方法选择与结果解读

引言Introduction

在临床和科研数据中，样本常常不是彼此独立的。患者嵌套于科室，学生嵌套于学校，重复测量嵌套于个体。如果仍按普通回归分析，很容易低估标准误，得出偏倚结论。

1. 多水平模型为什么重要

1.1 传统回归的局限

普通线性回归默认观测值相互独立。但在真实研究中，这个假设经常不成立。
例如，同一医院内的患者在诊疗流程、医生习惯、设备条件上更相似。这种“组内相关性”会让模型误把相近样本当作独立信息。

结果通常有两类风险。
一是标准误被低估。
二是P值偏小，显著性被夸大。
这会直接影响研究结论的可信度。

1.2 多水平模型解决什么问题

多水平模型，也叫层级模型、混合效应模型，专门处理这种“数据嵌套”结构。
它把变异拆成两个部分。

• 组内变异。
• 组间变异。

它的核心价值，是同时保留个体差异和群体差异。
在医学研究中，这一点尤其重要。因为很多真实问题本来就是分层产生的。

1.3 什么时候考虑使用

以下场景都应优先考虑多水平模型。

• 重复测量数据。
• 患者来自不同医院或科室。
• 学生来自不同学校。
• 病例按病区、批次、中心分组。
• 干预研究存在群组随机分配。

如果数据存在明显层级结构，就不建议再把所有样本当作同一层级处理。

2. 多水平模型的基本结构

2.1 固定效应与随机效应

多水平模型通常包含两类效应。

固定效应 描述总体平均关系。
例如，年龄每增加1岁，结局变量平均变化多少。
这部分和普通回归类似。

随机效应 描述不同组之间的偏离。
例如，不同医院的基线水平不同，不同个体的起始值不同。
这部分是多水平模型的关键。

2.2 常见模型形式

最常见的是两水平模型。
第1层是个体或时间点。
第2层是群组，如医院、学校、中心。

常见结构包括：

1. 随机截距模型。
   允许不同组的起点不同。

2. 随机斜率模型。
   允许不同组的效应大小不同。

3. 随机截距加随机斜率模型。
   既允许起点不同，也允许变化趋势不同。

实际分析中，先从随机截距模型开始，再根据数据特征逐步扩展。
这比一开始就上复杂模型更稳妥。

2.3 ICC的意义

组内相关系数，ICC，是判断是否需要多水平模型的重要指标。
它反映同一组内观测值有多相似。

• ICC越高，组间差异越明显。
• ICC接近0，说明组内相关性较弱。

在教育、公共卫生、临床中心研究中，ICC常常不可忽略。
当ICC明显大于0时，多水平模型通常比普通回归更合适。

3. 方法选择：如何判断该用哪一种

3.1 先看研究设计

方法选择首先看数据结构，而不是看软件菜单。
这是最常见的误区。

如果研究对象来自不同中心，且中心间可能存在系统差异，就应考虑中心作为高层单位。
如果研究对象是纵向随访数据，就应考虑时间点嵌套于个体。
如果是集群随机试验，群组效应几乎一定存在。

3.2 再看结局类型

不同结局变量，对应的多水平模型不同。

• 连续型结局，用多水平线性模型。
• 二分类结局，用多水平Logistic模型。
• 计数型结局，用多水平Poisson或负二项模型。
• 生存结局，可考虑分层Cox模型或脆弱性模型。

不要把所有结局都套进线性模型。
模型选择必须与数据分布匹配。

3.3 选择随机效应的原则

随机效应不是越多越好。
过度复杂会导致收敛失败，甚至参数不稳定。

建议按以下顺序判断：

1. 是否需要随机截距。
2. 是否有理由加入随机斜率。
3. 是否存在更高层级的嵌套结构。
4. 是否需要交叉分类模型。

如果样本量不足，优先保留最关键的随机结构。
能解释问题，不等于越复杂越好。

4. 结果解读：不要只看P值

4.1 固定效应怎么读

固定效应系数的解释，与普通回归相似，但要结合层级背景理解。
例如，在随机截距模型中，年龄系数表示在控制组间差异后，年龄每增加1单位，结局平均变化多少。

解读时应关注三点：

• 系数方向。
• 95%置信区间。
• 实际效应大小。

只报P值，信息远远不够。

4.2 随机效应怎么读

随机效应体现组间差异。
常见输出包括组间方差、组内方差、ICC等。

如果组间方差较大，说明不同组之间存在明显异质性。
这提示研究者需要进一步探索组层面的影响因素。
比如医院级别、病区管理、教学模式、地区差异等。

4.3 模型比较怎么看

常见比较指标包括：

• AIC。
• BIC。
• 对数似然。
• 偏差信息准则。
• 似然比检验。

比较多个模型时，不能只看一个指标。
要结合拟合优度、参数稳定性和临床解释性一起判断。

例如，若随机斜率模型拟合更好，但参数不稳定，且样本量有限，就未必值得采用。

4.4 一个临床研究中的解读思路

假设研究目标是分析不同医院中患者住院天数的影响因素。
如果模型显示：

• 年龄系数为正。
• 合并症数量系数为正。
• 医院层随机效应明显。

那么可以解释为：
患者个体因素会影响住院天数，但不同医院之间也存在独立的系统差异。
这意味着后续管理优化不仅要针对患者，还要关注医院层面的流程和资源配置。

5. 常见错误与实操建议

5.1 常见错误

多水平模型的错误，往往不是公式，而是思路。

常见问题包括：

• 把嵌套数据直接当独立样本。
• 随机效应设得过多。
• 忽略ICC和层级结构。
• 只关注显著性，不看效应量。
• 结果解释脱离研究设计。

这些错误会让模型“看起来高级”，但结论不可靠。

5.2 实操建议

建议按以下步骤进行分析：

1. 先画出数据层级结构图。
2. 描述每层样本量。
3. 估计空模型，判断ICC。
4. 逐步加入固定效应。
5. 再根据需要加入随机斜率。
6. 比较模型拟合优度。
7. 输出效应量和置信区间。

如果使用软件，常见平台包括R、Stata、SAS和SPSS。
但软件不是重点，模型设定和解释逻辑才是核心。

5.3 论文写作时要写清什么

写论文时，至少要交代以下内容：

• 数据是否具有层级结构。
• 采用哪种多水平模型。
• 固定效应和随机效应如何设定。
• 是否估计ICC。
• 模型比较依据是什么。
• 主要结果如何解释。

这样写，审稿人才能判断方法是否合理。

总结Conclusion

多水平模型的本质，是承认真实世界数据并不独立。它通过固定效应和随机效应，分别刻画总体关系与组间差异。对于临床研究、重复测量、中心研究和教育医学数据，它往往比普通回归更符合真实结构。
在方法选择上，要先看数据层级，再看结局类型，再决定随机效应结构。
在结果解读上，不能只看P值，还要结合系数、方差、ICC和模型拟合。
如果你正在处理分层数据，却不确定如何建模和解释结果，可以借助解螺旋的专业支持，帮助你更快完成规范分析、结果解读与论文写作。