场景案例 ·

护理管理研究 AI 统计分析 — SEM 路径 + 多层模型解析护士工作压力与职业倦怠

护理管理/护理学论文必看：从护士工作压力的结构方程模型（SEM路径系数）到科室嵌套的多层线性模型（HLM/混合效应），ChatSRS AI 一句话跑完全套分析，生成 APA 7th 格式论文级报告。

护理管理方向的论文有两道难关：第一，护士工作压力、社会支持、组织承诺、职业倦怠之间的关系链条，需要用结构方程模型（SEM）同时检验多条路径和中介效应；第二，数据嵌套在"护士 → 科室 → 医院"三层结构中，用普通回归会低估标准误、夸大显著性，必须换多层线性模型（HLM/混合效应模型）。这篇文章针对这两个核心方法，给出可直接在 ChatSRS 上使用的一句话指令，以及可抄进论文的 APA 7th 报告句式。

护理管理研究为什么必须用 SEM 和多层模型

护士工作压力研究的方法论困境

如果你在写护理管理、护理学、医院管理方向的论文，以下场景大概率出现过：

  • 量表有五六个维度（工作负荷、角色冲突、社会支持、组织公平、职业倦怠、离职意向），想同时检验多条路径，但普通回归只能一次一个因变量
  • 导师要求做中介分析：社会支持是否中介"工作压力 → 职业倦怠"？Bootstrap 区间怎么跑？
  • 数据来自 15 个科室、3 所医院，护士嵌套在科室里，科室又嵌套在医院里，直接做线性回归审稿人会打回
  • SPSS 跑出来的路径系数不知道哪些要报告，CFI/RMSEA 怎么解读
  • 混合效应模型跑完有随机截距、随机斜率、ICC，但不知道这些数字在论文里怎么写

这些痛点的根源是护理管理数据的两个结构性特征：

  1. 路径复杂性：工作压力不直接导致离职意向，中间经历"认知评估 → 情绪耗竭 → 职业倦怠"这条链条，还有组织支持、自我效能感等调节变量。SEM 能在一个模型里同时估计所有路径。
  2. 数据嵌套性：同一科室的护士共享管理环境、排班制度、科室文化，导致个体间误差不独立。HLM 把科室层面的方差单独建模，分析才可信。

chatsrs.com 同时支持 lavaan（R SEM 引擎）、nlme/lme4（R 混合效应引擎），并可生成等效的 Stata sem/mixed 代码供参考（代码生成，非在 Stata 环境中直接执行），一次上传数据，两种方法都能跑。

典型数据结构：护士工作压力研究

研究设计示例

研究对象：某三甲医院集团 3 家医院、18 个护理单元、372 名在职注册护士。

测量工具：

  • 工作压力：护士压力量表（NSS）4 个维度，各 5 题，5 点 Likert
  • 社会支持：领导支持 3 题 + 同事支持 3 题，5 点 Likert
  • 职业倦怠：MBI-HSS（情绪耗竭 EE / 去人格化 DP / 个人成就感降低 PA），22 题
  • 离职意向：4 题，5 点 Likert
  • 人口学变量：工龄、学历、职称、科室类型（ICU/普通病房/急诊）

数据层级结构：

第 1 层（个体）：护士特征 + 压力量表 + 倦怠量表 + 离职意向
第 2 层（科室）：科室类型、科室人力配比、科室护士长领导风格评分
第 3 层（医院）：医院等级、地区、管理制度评分

SEM 路径假设模型：

工作压力 → 情绪耗竭 → 职业倦怠 → 离职意向
              ↑
     社会支持（调节/中介）

分析路线一：结构方程模型（SEM）— 路径系数 + 中介效应

第一步：验证性因子分析（CFA）— 测量模型

在做路径分析之前，必须先验证各量表的因子结构。

打开 chatsrs.com，上传数据后输入：

"对护士压力量表（NSS）4 个维度共 20 题做验证性因子分析（CFA），报告模型拟合指数（CFI、TLI、RMSEA、SRMR），各题因子载荷，以及平均变异抽取量 AVE 和组合信度 CR，判断收敛效度和区分效度是否满足。"

ChatSRS 自动输出：

测量模型拟合（护士压力量表 CFA）
模型拟合指数：chi-square(164) = 241.83, p < .001
CFI = .962, TLI = .957, RMSEA = .032 [90% CI: .020, .043], SRMR = .047
模型拟合良好，各指标均达到标准（CFI/TLI >= .90，RMSEA <= .08，SRMR <= .08）。

标准化因子载荷范围：.62 — .88（全部 > .50，通过）

收敛效度：
  维度        AVE      CR
  工作量负荷  .52     .84
  角色冲突    .55     .83
  人际冲突    .54     .82
  工作环境    .53     .82
  AVE 均 > .50，CR 均 > .70，收敛效度满足。

区分效度（AVE 平方根 vs 维度间相关）：
  各维度 AVE 平方根均大于其与其他维度的相关系数，区分效度满足。

第二步：结构模型 — 路径系数估计

测量模型通过后，进入结构模型：

"以工作压力（潜变量，4维度）为外生变量，情绪耗竭（EE）为中介变量，职业倦怠（总分）和离职意向为内生变量，社会支持（领导支持+同事支持）为外生变量，建立结构方程模型。报告标准化路径系数 beta、t 值、p 值，以及模型拟合指数 CFI/TLI/RMSEA/SRMR。"

ChatSRS 自动输出路径系数表：

结构模型路径系数（标准化）

路径                              beta    SE     z       p
工作压力 → 情绪耗竭              .612   .048   12.75  < .001
工作压力 → 职业倦怠（直接）      .183   .061    3.00   .003
情绪耗竭 → 职业倦怠              .471   .057    8.26  < .001
职业倦怠 → 离职意向              .534   .055    9.71  < .001
社会支持 → 情绪耗竭             -.328   .054   -6.07  < .001
社会支持 → 职业倦怠（直接）     -.142   .063   -2.25   .025
（注：z 值为 lavaan 大样本 Wald 检验统计量，即 estimate/SE，服从渐近 z 分布。）

模型拟合：chi-square(412) = 601.24, p < .001
CFI = .955，TLI = .950，RMSEA = .034 [90% CI: .027, .041]，SRMR = .051
模型拟合良好。

R^2：情绪耗竭 = .487，职业倦怠 = .581，离职意向 = .285

第三步：中介效应检验（Bootstrap 5000 次）

"检验情绪耗竭在工作压力和职业倦怠之间的中介效应，使用 Bootstrap 法（5000 次，偏差校正）估计间接效应及 95% 置信区间，同时报告直接效应和总效应。"

ChatSRS 自动输出：

中介效应分析（Bootstrap 5000 次，偏差校正）

                                标准化效应   95% BC CI
工作压力 → EE → 职业倦怠（间接）   .288    [.207, .370]
工作压力 → 职业倦怠（直接）        .183    [.063, .303]
工作压力 → 职业倦怠（总效应）      .471    [.376, .566]

推断依据：所有间接效应 95% BC CI 均不含 0，情绪耗竭的部分中介效应成立。
（注：上述 CI 来自 Bootstrap 抽样分布；直接效应与总效应的显著性同样以 CI 不含 0 为准。）
中介比例（Pm）= .288 / .471 = 61.1%

社会支持 → EE → 职业倦怠（间接）  -.154   [-.222, -.089]
社会支持对职业倦怠具有显著的间接缓冲效应（95% BC CI 不含 0）。

分析路线二：多层线性模型（HLM）— 科室嵌套数据

第四步：检验嵌套结构必要性（ICC）

在换 HLM 之前，先确认科室层差异是否值得单独建模：

"以职业倦怠总分为结果变量，计算科室内组内相关系数 ICC，并做无条件均值模型（零模型），判断科室层面解释的方差比例。"

ChatSRS 自动输出：

零模型（Null Model）结果

随机效应：
  科室层截距方差（tau_00）= 18.34，SD = 4.28
  残差方差（sigma^2）    = 79.12，SD = 8.90

ICC = tau_00 / (tau_00 + sigma^2) = 18.34 / (18.34 + 79.12) = .188

解读：约 18.8% 的职业倦怠方差归因于科室间差异，超过 10% 的通用阈值，
有必要使用多层模型（HLM）分解个体层与科室层的效应。

第五步：两层随机截距模型

"以职业倦怠总分为结果变量，第 1 层（个体）纳入工作压力总分、社会支持总分、工龄（连续）、学历（哑变量）；第 2 层（科室）纳入科室类型（ICU=1 vs 其他=0）、人力配比。建立随机截距模型，报告固定效应系数、SE、t 值、p 值，以及随机效应方差分量和模型比较 AIC/BIC。"

ChatSRS 自动输出：

多层线性模型（随机截距，2层）

固定效应：
  变量                     b        SE      t        p       95% CI
  截距                   38.42    2.84    13.53   < .001  [32.85, 43.99]
  工作压力（个体层）       0.71    0.06    11.83   < .001  [ 0.59,  0.83]
  社会支持（个体层）      -0.54    0.08    -6.75   < .001  [-0.70, -0.38]
  工龄（年）              -0.31    0.11    -2.82    .005   [-0.53, -0.09]
  学历（本科=1）          -1.84    0.74    -2.49    .013   [-3.29, -0.39]
  科室类型（ICU=1）        4.23    1.18     3.58   < .001  [ 1.91,  6.55]
  人力配比（护患比）      -6.17    1.92    -3.21    .002   [-9.94, -2.40]

随机效应：
  科室截距方差（tau_00）= 9.82（SD = 3.13），较零模型下降 46.4%
  残差方差（sigma^2）   = 61.47
  
模型比较（ML 估计，用于跨固定效应结构比较）：
  零模型 AIC = 2847.2；随机截距模型 AIC = 2724.8，Delta AIC = 122.4（模型显著改善）
  （注：固定效应结构不同的模型须以 ML 而非 REML 计算 AIC/BIC；REML 用于下方方差分量估计。）

条件 R^2（MuMIn 法）：
  固定效应边际 R^2 = .364（个体层+科室层固定部分解释）
  全模型条件 R^2   = .452（含随机效应）

第六步：随机斜率模型（检验跨层调节）

如果假设"社会支持对工作压力的缓冲效应因科室类型不同而变化"（跨层交互）：

"在随机截距模型基础上，允许工作压力对职业倦怠的回归斜率在科室间随机变化（随机斜率），并加入工作压力与科室人力配比的跨层交互项，报告固定效应、随机效应协方差结构及交互项显著性。"

ChatSRS 自动输出跨层交互效应和随机斜率方差，并提示是否需要绘制简单斜率图。

论文方法/结果写法（APA 7th，护理管理研究报告句式）

以下句式可直接抄入论文，替换括号内的数值。

方法章节：数据分析策略

本研究数据分析分为两个层次。针对工作压力各维度与职业倦怠的路径关系，采用结构方程模型（SEM）进行分析，以验证性因子分析（CFA）建立测量模型，在拟合指数达标（CFI 和 TLI >= .90，RMSEA <= .08，SRMR <= .08）后建构结构模型，并采用 Bootstrap 法（5,000 次抽样，偏差校正置信区间）检验中介效应（Preacher & Hayes, 2008）。SEM 分析使用 lavaan 包（Rosseel, 2012）在 R 语言（version 4.4）中完成。

由于研究对象嵌套于护理单元之中，采用零模型计算组内相关系数（ICC）以检验多层建模的必要性（Raudenbush & Bryk, 2002）。当 ICC 超过 .10 时，建立含个体层及科室层预测变量的两层随机截距模型（HLM），以 lme4 包（Bates et al., 2015）实现，使用受限最大似然法（REML）估计参数。所有分析通过 ChatSRS（https://chatsrs.com）完成，显著性水平设为 .05（双尾）。

结果章节：CFA 测量模型

对护士压力量表（NSS）进行验证性因子分析，模型拟合良好，chi-square(164) = 241.83，p < .001，CFI = .962，TLI = .957，RMSEA = .032，90% CI [.020, .043]，SRMR = .047。各题项标准化因子载荷在 .62 至 .88 之间（均 > .50），各维度 AVE 均大于 .50，CR 均大于 .70，表明量表具有良好的收敛效度。各维度 AVE 的平方根均大于该维度与其他维度间的相关系数，区分效度满足（Fornell & Larcker, 1981）。

结果章节：SEM 路径系数与中介效应

结构方程模型结果显示，模型拟合良好（CFI = .955，TLI = .950，RMSEA = .034，SRMR = .051）。工作压力对情绪耗竭具有显著的正向预测作用（beta = .612，SE = .048，z = 12.75，p < .001），情绪耗竭进而正向预测职业倦怠（beta = .471，SE = .057，z = 8.26，p < .001），职业倦怠正向预测离职意向（beta = .534，SE = .055，z = 9.71，p < .001）。Bootstrap 中介效应检验（5,000 次，偏差校正置信区间）表明，情绪耗竭在工作压力与职业倦怠间的间接效应显著（标准化间接效应 = .288，95% BC CI [.207, .370]，CI 不含 0），中介比例为 61.1%，工作压力对职业倦怠的直接效应同样显著（beta = .183，95% BC CI [.063, .303]，CI 不含 0），情绪耗竭发挥部分中介作用。

结果章节：HLM 多层模型

零模型显示，职业倦怠总分的科室间 ICC = .188，表明约 18.8% 的总方差来源于科室间差异，有必要采用多层模型（Raudenbush & Bryk, 2002）。随机截距模型纳入个体层预测变量（工作压力、社会支持、工龄、学历）及科室层预测变量（科室类型、人力配比）后，工作压力对职业倦怠的固定效应显著正向（b = 0.71，SE = 0.06，t = 11.83，p < .001，95% CI [0.59, 0.83]），社会支持具有显著负向效应（b = -0.54，SE = 0.08，t = -6.75，p < .001，95% CI [-0.70, -0.38]）。科室层面，ICU 科室护士职业倦怠得分显著高于非 ICU 科室（b = 4.23，SE = 1.18，t = 3.58，p < .001），人力配比（护患比）越高则职业倦怠得分越低（b = -6.17，SE = 1.92，t = -3.21，p = .002）。模型边际 R^2 = .364，条件 R^2 = .452。

上面四段可以直接进论文 Methods 和 Results 章节，替换括号内的实际数值即可。ChatSRS 的"APA 报告"模式会在分析完成后自动生成对应段落，无需手动转写。

常见 FAQ

Q1: 护理管理研究什么时候用 SEM，什么时候用 HLM？

二者解决不同问题，有时两者都需要：

  • SEM：适合"变量间关系结构复杂"的情况——多个潜变量、多条路径、中介/调节假设。当你要同时检验"压力→倦怠→离职意向"这条链条，并且量表是多题项测量，SEM 是首选。
  • HLM（混合效应模型）：适合"数据嵌套"的情况——护士嵌套在科室里，科室嵌套在医院里，个体间的误差不独立。HLM 把不同层次的方差分别建模，得到无偏的标准误。
  • 两者结合：先用 SEM 检验路径结构，再用 HLM 分析科室/医院层面对某个结果变量的影响——这是护理管理高质量论文的典型设计。在 ChatSRS 里，两种分析可以用同一份数据分别运行，不需要重新上传。

Q2: ICC 多少才需要用 HLM？如何在论文里报告？

判断标准：ICC >= .05（5%）可作为是否考虑多层建模的宽松参考下限（Heck & Thomas, 2015）；ICC >= .10 是更广泛引用的公认共识阈值（Kreft & de Leeuw, 1998）。两者含义不同：前者提示嵌套效应不可忽视，后者提示建模必要性较强。护理管理研究中科室内相关通常在 .10 — .25 之间。

论文报告格式（APA 7th）：

零模型计算显示 ICC = .XX，表明约 XX% 的 [结果变量] 方差来源于 [科室] 间差异，超过 .10 的惯用阈值，因此采用多层线性模型（Raudenbush & Bryk, 2002）。

ChatSRS 的多层模型输出中自动包含 ICC 数值，并给出是否需要 HLM 的判断提示。

Q3: SEM 的模型拟合指数怎么判断好坏？护理论文的标准是什么？

护理管理期刊（如 JAN、JONA、International Journal of Nursing Studies）普遍接受以下截断值：

指数良好拟合可接受
CFI / TLI>= .95>= .90
RMSEA<= .05<= .08
SRMR<= .05<= .08
chi-square/df<= 2<= 3

重要提示：chi-square 本身受样本量影响大（n > 200 时几乎必然显著），不应单独作为拒绝标准，应与 CFI/RMSEA 组合报告。ChatSRS 自动输出所有拟合指数，并给出"拟合良好/可接受/需修正"的判断。

Q4: Bootstrap 中介检验需要多少次抽样？可以替代 Sobel 检验吗？

推荐 5,000 次，对大多数护理研究样本量（n = 200 — 400）已足够稳定；追求极高精度可用 10,000 次。

Bootstrap vs Sobel：Bootstrap 偏差校正置信区间（BC bootstrap CI）是目前心理学、护理学领域的主流方法，优于 Sobel 检验，因为：

  1. Sobel 检验假设间接效应服从正态分布，但实际上间接效应分布往往有偏
  2. Bootstrap 对小样本更稳健，不依赖正态性假设

在方法章节引用 Preacher & Hayes（2008）即可。ChatSRS 输入"Bootstrap 中介"后自动使用 5,000 次 BC bootstrap，直接报告即可。

Q5: 护理管理论文里 HLM 的固定效应和随机效应分别报告什么？

固定效应表（必报）：各预测变量的非标准化系数 b、标准误 SE、t 值（或 z 值）、p 值、95% CI。

随机效应（必报）：各层截距方差（tau_00）、残差方差（sigma^2）、ICC；若有随机斜率也需报告斜率方差及截距-斜率协方差。

模型拟合：AIC、BIC（用于比较不同模型），以及边际 R^2 和条件 R^2（用 MuMIn 包的 r.squaredGLMM 函数）。

ChatSRS 在"多层线性模型"分析后自动输出上述全部指标，并给出 APA 格式的固定效应表和随机效应方差成分表。

Q6: 样本来自 3 家医院，是做两层（护士→科室）还是三层（护士→科室→医院）HLM？

判断依据：如果医院数量 >= 5，三层 HLM 才有足够的统计功效来估计医院层效应（Maas & Hox, 2005）。3 家医院通常不够，处理方式有两种：

  1. 两层 HLM（推荐）：以科室为第 2 层，把医院 ID 作为固定效应哑变量纳入第 2 层（控制医院效应但不单独建层）
  2. 敏感性分析：报告按医院分组的描述统计，说明三家医院在主要变量上的描述差异无实质性差异（如无显著差异，认为医院效应可忽略）

在 ChatSRS 里，上传数据后说明"3家医院，以科室为第2层，医院作为控制变量哑变量"，AI 自动按此策略建模。

护理管理研究分析方法速查表

研究问题推荐方法ChatSRS 一句话关键词
量表因子结构验证CFA"验证性因子分析，拟合指数，AVE，CR"
多变量路径关系SEM 结构模型"结构方程模型，路径系数，CFI/RMSEA"
中介效应检验SEM + Bootstrap"Bootstrap中介，5000次，偏差校正CI"
数据嵌套性检验ICC 零模型"ICC，零模型，科室间方差"
跨层固定效应HLM 随机截距"随机截距模型，固定效应，AIC比较"
科室层调节效应HLM 随机斜率+跨层交互"随机斜率，跨层交互，简单斜率图"
压力维度信效度CFA + AVE/CR"收敛效度，区分效度，Fornell-Larcker"

相关阅读

本文首发于 ChatSRS 官方博客。如有问题或反馈，欢迎在 ChatSRS 站内 [用户中心 -> 帮助与反馈] 联系我们。