学科研究 · 2026-07-11

组织行为日记研究怎么分析？员工—天嵌套数据与混合效应模型

组织行为日记或体验抽样数据如何分析？本文从长表、员工内中心化、随机截距模型到多层中介，说明 ChatSRS 真实输出与嵌套边界。

组织行为日记研究把每天的工作负荷、情绪、恢复和绩效记录嵌套在员工之内。同一员工连续五天的回答不是五个独立个体，若用普通 OLS 把所有行当独立，标准误和效应解释都可能错误。正确流程要先建立员工—天长表，分离员工内变化与员工间差异，再决定随机截距、随机斜率和时间顺序。

数据结构与中心化先行

每行应对应唯一 employee_id × day。检查重复日、漏测、周末、时间间隔和问卷触发时点。若上午测工作负荷、下午测情绪、晚间测绩效，时间顺序比同一晚一次回忆更能支持过程假设；即使如此，仍不能自动排除时变混杂。

对每天变化的 X，常需要计算员工均值 x_person_mean 与员工内偏差 x_within=x-x_person_mean。前者描述员工之间长期差异，后者描述某员工某天高于自身平均的变化。ChatSRS 当前分析器不会自动生成这两个字段；必须在受控数据准备中建立、核对每名员工的偏差均值接近 0，并保存公式。若直接把原始 X 放入模型，系数会混合组内和组间信息。

敏感日志还可能暴露姓名、排班、位置、健康与主管关系。上传前使用随机员工 ID，删除自由文本和精确时间，抑制小团队组合。结果不能用于个体绩效排名或自动人事决策。

mixed_effects 当前是随机截距模型

mixed_effects 需要连续 Y、group_var 和至少一个固定效应变量。它把 Y 与固定变量数值化、使用完整记录，N<20 报错；通过 statsmodels MixedLM 以 REML 拟合按 group_var 的随机截距。Markdown 输出固定效应 B、SE、z、p，LL、AIC、BIC、ICC、N、员工数，以及随机截距方差和残差方差。

它没有随机斜率、AR(1) 残差、日期层效应或三层结构，也不会自动构造中心化字段和交互。若员工对日工作负荷的斜率明显不同，随机截距模型可能低估不确定性；需要在验证工具中拟合随机斜率并检查收敛。

可复核输入：

以 evening_exhaustion 为 dependent_var、employee_id 为 group_var；固定效应使用已预生成的 workload_within、workload_person_mean、day_index 和 sleep_quality。输出随机截距模型的 B、SE、z、p、LL、AIC、BIC、ICC、N和员工数。明确当前无随机斜率、无AR(1)，workload_within 解释为员工某天相对自身平均的关联。

若 workload_within 的 B=0.30，可写“同一员工工作负荷比其自身平均高 1 单位的日子，晚间耗竭平均高 0.30 单位”，前提是中心化和线性模型正确。不能写成“给员工增加工作必然导致耗竭”。ICC=.40 表示当前随机截距模型中约 40% 的剩余变异位于员工间，不是模型解释率。

`icc.py` 不是日记嵌套 ICC

注册的独立 icc.py 把每列当作一个评分者、每行当作被评对象，计算 ICC(1/2/3) 的单一与平均度量一致性，适用于多评分者宽表。它不是员工—天长表的方差分解工具，不能把不同日期列当“评分者”后声称得到日记数据的嵌套 ICC。

员工—天 ICC 应来自以 employee_id 为分组的空随机截距模型。mixed_effects 会为其实际模型报告 ICC；multilevel_mediation 也会分别对 M 和 Y 拟合空 MixedLM 并报告 ICC。页面与论文必须注明 ICC 来源，不能仅看到模块名相同就混用。

multilevel_mediation 的真实范围

multilevel_mediation 需要 Y、X、M 和 group_var，使用所需列完整记录，N<20 报错。它先对 M 与 Y 估计随机截距空模型 ICC，再分别拟合 X→M 及 X+M→Y 的随机截距 MixedLM，输出 a、b、c' 的系数、SE、z、p，以及间接、直接、总效应。间接效应区间由 Monte Carlo 模拟 a、b 的正态分布得到；分析器默认 1000 次，参数名虽为 bootstrap_samples，实际不是对员工或观测的 Bootstrap 重抽样。

**关键边界：**当前模块不自动做 X/M 的员工均值与员工内偏差分解，不支持随机斜率，也没有区分 1-1-1 中介的 within 与 between 间接效应。把预生成的 x_within、m_within 直接传入只能形成一个随机截距路径对照，不能等同于完整多层中介模型。跨层中介、时间滞后和员工层协变量应在经过验证的多层 SEM 或贝叶斯/混合模型流程中完成。

探索性输入可以写为：

以次日晚间 performance 为 Y、上午 workload_within 为 X、午间 affect_within 为 M，employee_id 为 group_var；报告 M/Y 的空模型 ICC、a/b/c'、Monte Carlo 间接效应区间、员工数和观测数。明确 X/M 已在分析器外按员工中心化，当前随机截距路径不等于完整 within/between 多层中介，不写时间因果。

若间接效应区间不含 0，可以说“在当前中心化和随机截距规格中，间接关联与零不一致”。即使测量时点有先后，也要讨论未测日层混杂、测量误差和反向反馈，不能直接写成心理机制被证实。

日记研究的交付顺序

方法部分报告招募人数、目标天数、实际观测、每人最少/最多天数、触发时间、依从率、中心化、时间编码、缺失处理和随机结构。结果先给人员与天数分布、空模型 ICC，再给固定效应、随机方差和敏感性；若检验中介，明确 within/between 估计对象与时间顺序。

证据包保存长表唯一性检查、中心化脚本、模型公式、软件版本、输出、收敛警告和被排除记录。不要用“行数很多”代替员工数；功效更依赖员工数、每人天数、ICC、随机斜率和效应所在层级。

常见问题 FAQ

Q1：500 个员工—天观测就是 N=500 个独立样本吗？

不是。观测嵌套在员工内，有效信息同时取决于员工数、每人天数和组内相关。

Q2：当前 mixed_effects 支持随机时间斜率吗？

不支持。当前只拟合随机截距，需要随机斜率时应转到验证的匹配模型。

Q3：可以用独立 icc.py 算员工—天 ICC 吗？

不可以。该模块面向多评分者宽表；日记 ICC 应从按 employee_id 分组的空随机截距模型获得。

Q4：multilevel_mediation 的区间是员工层 Bootstrap 吗？

不是。当前对 a、b 的估计分布做 Monte Carlo 模拟，且不自动分解 within/between 间接效应。