统计百科 ·
混合效应模型 APA 报告怎么写？固定效应、随机效应方差与 ICC 格式全解
统计百科：专攻混合效应模型（多层线性模型/HLM）的 APA 7th 报告格式——固定效应系数表、随机效应方差成分、ICC 计算与解读，给出可直接套用的论文级报告模板，逐一盘点审稿人最常挑的 HLM 写法错误。
混合效应模型（Mixed-Effects Model，又称多层线性模型 HLM / 分层线性模型）是处理嵌套数据的标准方法，但它的 APA 报告比普通回归复杂得多：固定效应系数、随机效应方差成分、ICC 要分开报告，Level-1 与 Level-2 变量的呈现顺序也有规范。这篇文章专攻"HLM 怎么规范写进论文"这一具体格式点，给出 APA 7th 所有混合效应模型场景的完整模板，并逐一盘点审稿人最常挑的格式错误。
你的 HLM 报告有这些问题吗？
审稿人或导师关于混合效应模型报告最常见的反馈：
- "请报告组内相关系数（ICC），说明数据嵌套结构的严重程度"
- "固定效应系数需标注标准误（SE），不能只给 p 值"
- "随机效应请报告方差成分（Variance Component），而不只写'显著'"
- "请说明是随机截距模型还是随机斜率模型，两者结构不同"
- "ICC = .02 也要报告，审稿人需要根据 ICC 判断是否有必要做多层分析"
- "模型比较请提供 -2LL、AIC 和 BIC，说明加入随机斜率后的改善"
这些错误集中在 APA Publication Manual 第七版与多层分析报告规范（如 Snijders & Bosker, 2012；Singer & Willett, 2003）的交叉地带，但专门针对 HLM 汇总的实操指南并不多。本文只讲一件事：混合效应模型到底怎么规范写进论文的每一个报告环节。
一、混合效应模型是什么，何时必须用它
嵌套数据的核心问题
当数据具有嵌套结构（Nested Structure），普通 OLS 回归的独立性假设就被违反了。典型嵌套场景：
| 数据类型 | Level-1 单元 | Level-2 单元 |
|---|---|---|
| 教育研究 | 学生 | 班级 / 学校 |
| 临床试验 | 时间点（纵向） | 个体 |
| 组织行为 | 员工 | 团队 / 公司 |
| 多中心研究 | 患者 | 医院 |
同一班级的学生成绩会相互相似，这种组内相似性（intraclass similarity）若不处理，会导致标准误低估、I 类错误膨胀。混合效应模型通过同时估计"固定效应"（全局斜率/截距）和"随机效应"（各高层单元的偏差）来正确处理这种嵌套。
三种常见模型结构
| 模型类型 | 随机成分 | 典型用途 |
|---|---|---|
| 随机截距模型（Random Intercept） | 截距在 Level-2 单元间变化 | 控制组间基线差异 |
| 随机截距+随机斜率模型 | 截距和斜率均在 Level-2 单元间变化 | 检验跨组的调节效应 |
| 零模型（Null/Intercept-Only） | 只有截距随机变化，无预测变量 | 计算 ICC，判断是否需要 HLM |
二、ICC 组内相关系数：计算与报告格式
ICC（Intraclass Correlation Coefficient）是 HLM 报告的第一步，必须在正式模型之前单独汇报。
ICC 的含义与计算
$ICC = \frac{\tau_{00}}{\tau_{00} + \sigma^2}$
其中：
- $\tau_{00}$：Level-2 截距方差（组间方差）
- $\sigma^2$：Level-1 残差方差（组内误差）
ICC 表示因变量总变异中有多少比例来自高层单元（Level-2）之间的差异。
解读标准（Hox, 2010）：
| ICC 值 | 含义 | 处理建议 |
|---|---|---|
| < .05 | 嵌套效应可忽略 | 可用普通回归，但 HLM 更稳健 |
| .05 – .15 | 中等嵌套效应 | 建议使用 HLM |
| > .15 | 强嵌套效应 | 必须使用 HLM，否则 I 类错误严重膨胀 |
ICC 的 APA 报告模板
首先拟合零模型（仅含随机截距，无预测变量）以估计组内相关系数（ICC）。
Level-2 截距方差 tau_00 = X.XX，Level-1 残差方差 sigma^2 = X.XX，
ICC = .XX，表明[因变量]总变异中 XX% 来自[Level-2 单元]间的差异，
支持使用多层线性模型的必要性。
填入数值的示例：
首先拟合零模型（仅含随机截距，无预测变量）以估计组内相关系数（ICC）。结果显示，班级间截距方差 tau_00 = 24.83，学生层残差方差 sigma^2 = 118.47，ICC = .173，表明学业成绩总变异中 17.3% 来自班级间的差异，支持使用多层线性模型的必要性（Hox, 2010）。
三、固定效应报告格式
固定效应（Fixed Effects）对应整体样本层面的截距和斜率估计，报告格式与普通回归类似，但需额外注明层级。
固定效应必报要素
| 要素 | 格式 | 示例 |
|---|---|---|
| 效应名称（层级说明） | Level-1 / Level-2 预测变量 | 学习时间（Level-1） |
| 回归系数 b（未标准化） | b = X.XX | b = 3.42 |
| 标准误 SE | SE = X.XX | SE = 0.47 |
| t 值（df 或自由度近似） | t(df) = X.XX | t(102) = 7.28 |
| p 值（精确三位小数） | p = .XXX 或 p < .001 | p < .001 |
| 95% 置信区间（推荐） | [X.XX, X.XX] | [2.49, 4.35] |
固定效应系数表格（APA 三线表）
示例：以学业成绩为因变量，Level-1 = 学习时间，Level-2 = 班级规模
表 1
混合效应模型固定效应估计（N = 450 名学生，45 个班级）
| 参数 | b | SE | t | p | 95% CI |
|---|---|---|---|---|---|
| 截距（gamma_00） | 62.47 | 1.83 | 34.13 | < .001 | [58.88, 66.06] |
| Level-1 固定效应 | |||||
| 学习时间（小时/周） | 3.42 | 0.47 | 7.28 | < .001 | [2.49, 4.35] |
| 课堂参与度 | 1.87 | 0.39 | 4.79 | < .001 | [1.10, 2.64] |
| Level-2 固定效应 | |||||
| 班级规模 | -0.58 | 0.21 | -2.76 | .006 | [-0.99, -0.17] |
| 跨层交互效应 | |||||
| 学习时间 × 班级规模 | -0.09 | 0.04 | -2.25 | .026 | [-0.17, -0.01] |
注. b = 未标准化回归系数；SE = 标准误；CI = 置信区间。
四、随机效应方差成分报告格式
随机效应（Random Effects）报告的是方差成分，而不是像固定效应那样的系数。这是 HLM 报告中最常被遗漏的部分。
随机效应必报要素
| 要素 | 符号 | 含义 |
|---|---|---|
| Level-2 截距方差 | tau_00（或 var(u_0j)） | 各组基线水平的变异 |
| Level-2 斜率方差（若有随机斜率） | tau_11（或 var(u_1j)） | 各组斜率的变异 |
| 截距-斜率协方差（若有随机斜率） | tau_01（或 cov(u_0j, u_1j)） | 截距与斜率是否相关 |
| Level-1 残差方差 | sigma^2（或 var(e_ij)） | 组内个体误差 |
随机效应方差成分表格（APA 格式）
表 2
混合效应模型随机效应方差成分
| 随机效应 | 方差 | SD |
|---|---|---|
| Level-2 截距（tau_00） | 18.64 | 4.32 |
| Level-2 斜率（tau_11，学习时间） | 0.83 | 0.91 |
| 截距-斜率协方差（tau_01） | -0.47 | — |
| Level-1 残差（sigma^2） | 96.31 | 9.81 |
注. tau_00 = Level-2 截距方差；tau_11 = Level-2 斜率方差；sigma^2 = Level-1 残差方差。
随机效应的文字报告模板
随机效应方差成分结果显示，Level-2 截距方差 tau_00 = X.XX（SD = X.XX），
表明各[Level-2 单元]在[因变量]基线水平上存在显著差异。
Level-1 残差方差 sigma^2 = X.XX。
[若含随机斜率：]Level-2 斜率方差 tau_11 = X.XX，
表明[预测变量]对[因变量]的效应在不同[Level-2 单元]间存在显著变异；
截距-斜率协方差 tau_01 = X.XX，
提示基线水平[较高/较低]的[单元]对应[较大/较小]的斜率。
五、模型比较：-2LL、AIC 与 BIC 报告格式
HLM 通常采用模型序列比较策略（Model Building），每步加入一组变量后与前一模型比较拟合。
LRT 的估计方法前提
使用似然比检验（LRT）比较嵌套模型时，估计方法的选择至关重要：
| 比较目的 | 应使用的估计方法 | 原因 |
|---|---|---|
| 比较含不同固定效应的模型 | ML（Maximum Likelihood） | REML 的对数似然不包含固定效应部分，不同固定效应结构的 REML 似然值不可比，LRT 结果无效 |
| 仅比较不同随机效应结构（固定效应相同） | REML 或 ML 均可 | 固定效应相同时 REML 似然可比 |
实操要点：在 R 的 lme4 中，
lmer()默认使用 REML；需加REML = FALSE切换为 ML 再进行 LRT。最终报告用的参数估计值（系数、方差成分）仍建议使用 REML 重新拟合。
模型比较必报要素
| 要素 | 含义 |
|---|---|
| -2 Log Likelihood（-2LL） | 对数似然的 -2 倍，越小越好 |
| AIC（赤池信息准则） | -2LL + 2k，惩罚参数数量 |
| BIC（贝叶斯信息准则） | -2LL + k*ln(N)，比 AIC 更严格 |
| chi^2 差值检验（LRT） | -2LL 之差服从 chi^2 分布（须在 ML 估计下进行固定效应比较） |
模型比较的 APA 报告模板
与零模型（-2LL = XXXX.XX, AIC = XXXX.XX, BIC = XXXX.XX）相比，
加入 Level-1 预测变量后模型拟合显著改善，
-2LL = XXXX.XX, chi^2([df差]) = XX.XX, p [值];
进一步加入 Level-2 预测变量后拟合继续改善，
-2LL = XXXX.XX, chi^2([df差]) = XX.XX, p [值]。
填入数值的示例：
模型序列比较结果显示，加入 Level-1 预测变量（学习时间、课堂参与度）后，模型拟合较零模型显著改善，-2LL 由 4823.17 降至 4756.42，chi^2(2) = 66.75，p < .001；进一步加入 Level-2 预测变量（班级规模）及跨层交互项后，拟合继续改善，-2LL = 4741.08，chi^2(2) = 15.34，p < .001。
六、完整 HLM 结果章节报告模板
以下是一个可直接套用的结果章节完整段落模板：
情形：450 名学生嵌套于 45 个班级，检验学习时间（Level-1）对学业成绩的影响，以及班级规模（Level-2）是否调节这一效应。
结果章节模板（可直接套用）：
【第一段：ICC 与零模型】
首先拟合零模型以估计组内相关系数（ICC）。Level-2 截距方差
tau_00 = 24.83，Level-1 残差方差 sigma^2 = 118.47，ICC = .173，
表明学业成绩总变异中 17.3% 来自班级间差异，
支持使用多层线性模型（Hox, 2010）。
【第二段：固定效应主要结果】
在控制 Level-2 截距随机变异后，学习时间对学业成绩具有显著正向固定效应，
b = 3.42，SE = 0.47，t(102) = 7.28，p < .001，95% CI [2.49, 4.35]。
课堂参与度亦显著正向预测学业成绩，b = 1.87，SE = 0.39，
t(102) = 4.79，p < .001。Level-2 变量班级规模对成绩截距具有显著负向影响，
b = -0.58，SE = 0.21，t(43) = -2.76，p = .006，
表明班级规模越大，班级平均成绩越低。
【第三段：跨层交互（调节效应）】
学习时间与班级规模的跨层交互效应显著，b = -0.09，SE = 0.04，
t(102) = -2.25，p = .026，95% CI [-0.17, -0.01]，
表明学习时间对成绩的促进效应在规模较大的班级中有所削弱。
【第四段：随机效应方差成分】
随机效应方差成分结果显示，Level-2 截距方差 tau_00 = 18.64（SD = 4.32），
表明各班级在学业成绩基线水平上存在显著差异。
纳入随机斜率后，学习时间斜率方差 tau_11 = 0.83，
提示学习时间的效应在不同班级间存在变异。
Level-1 残差方差 sigma^2 = 96.31。
【第五段：模型拟合比较】
模型序列比较显示，加入 Level-1 预测变量后拟合显著改善，
chi^2(2) = 66.75，p < .001；
加入 Level-2 变量及跨层交互项后拟合继续改善，
chi^2(2) = 15.34，p < .001（完整模型比较见表 3）。
七、在 ChatSRS 一句话获得规范 HLM 报告
打开 chatsrs.com，上传数据后输入：
"学生数据嵌套在班级中，Level-1 预测变量为学习时间和课堂参与度，Level-2 变量为班级规模，因变量为学业成绩。请先拟合零模型计算 ICC，再建立随机截距模型，最后加入随机斜率和跨层交互效应；输出固定效应系数表（含 b、SE、t、p、95% CI）、随机效应方差成分表、-2LL/AIC/BIC 模型比较表，并给出符合 APA 7th 格式的完整结果章节报告段落。"
ChatSRS 将自动完成三步建模流程、生成 APA 规范的表格和文字段落，数值直接填入，可复制进论文。
如需纵向数据（时间嵌套于个体），在指令中说明"时间点为 Level-1，个体为 Level-2"，ChatSRS 自动切换增长曲线模型（Growth Curve Model）报告模板。
八、方法章节怎么说明使用了混合效应模型
标准方法章节描述（随机截距模型）
采用多层线性模型（Multilevel Linear Model / HLM）分析数据，
以处理学生嵌套于班级的层级结构。
首先拟合零模型估计组内相关系数（ICC），
以评估数据嵌套的严重程度（Hox, 2010）。
随后按序构建随机截距模型：
Model 1 加入 Level-1 预测变量，Model 2 加入 Level-2 变量，
Model 3 加入跨层交互项。
模型比较采用似然比检验（Likelihood Ratio Test），
报告 -2 倍对数似然（-2LL）、AIC 与 BIC。
需注意：比较含不同**固定效应**的嵌套模型时，须将估计方法从 REML 切换为 ML（Maximum Likelihood）；仅比较随机效应结构时方可使用 REML。使用 REML 对含不同固定效应的模型进行 LRT 会产生无效结果。
固定效应报告未标准化系数（b）及标准误（SE）；
随机效应报告方差成分（tau_00, sigma^2）。
统计分析使用 ChatSRS（lme4/nlme 引擎），显著性水平 alpha = .05。
九、HLM 报告常见错误对照表
| 常见错误 | 正确写法 | 违反的规则 |
|---|---|---|
| 未报告 ICC | 必须报告 ICC，说明嵌套效应程度 | HLM 报告基本规范 |
| 只报告 p 值，无 b 和 SE | b = X.XX, SE = X.XX, p [值] | 须提供参数估计完整信息 |
| 随机效应只写"显著" | 报告方差成分 tau_00 = X.XX, sigma^2 = X.XX | 方差成分是随机效应的核心 |
| 不说明是随机截距还是随机斜率 | 明确声明模型结构 | 读者无法复现模型 |
| 模型比较缺 -2LL/AIC/BIC | 每个模型均须报告拟合指标 | 无法评估模型改进 |
| 把 Level-2 t 值自由度写错 | Level-2 df ≈ Level-2 单元数 - 参数数 | 自由度近似值须分层计算 |
| ICC = .02 不报告，直接用 OLS | ICC 无论大小均须报告并说明选择理由 | 透明性要求 |
| 截距-斜率协方差不报告 | 有随机斜率时必须报告 tau_01 | 协方差影响固定效应解读 |
常见 FAQ
Q：ICC 很小（如 .03），还需要用 HLM 吗？
A：ICC 小不代表可以忽略嵌套结构。即使 ICC = .03，若样本量很大（如 N = 2000），组内相似性造成的标准误低估仍然可观，I 类错误仍会膨胀。当前的规范做法是：无论 ICC 大小，只要数据具有嵌套结构，就应报告 ICC 并给出使用或不使用 HLM 的理由。若 ICC < .05 且样本量较小，可说明"考虑到嵌套效应较小（ICC = .03），本研究采用稳健标准误的 OLS 回归作为敏感性分析"。
Q：固定效应要报告标准化系数（beta）吗？
A：HLM 中标准化系数的含义比 OLS 回归更复杂（Level-1 和 Level-2 的标准差尺度不同），APA 7th 及 HLM 主要方法论文（Snijders & Bosker, 2012）均以**未标准化系数 b（含 SE）**为主要报告指标。若需标准化以比较效应大小，须说明是对 Level-1 变量在组内中心化后的标准化（within-group standardization），避免混用两个层级的标准差。
Q：随机截距和随机斜率哪个更好，如何选择？
A：优先从研究问题出发：若关心的是"某预测变量的效应是否在不同组间存在变异"，则必须加入随机斜率；若只想控制组间基线差异，随机截距即可。从统计策略看，可先拟合随机截距模型，再用 LRT（似然比检验）判断加入随机斜率是否显著改善拟合（chi^2 差值检验，p < .05 时保留随机斜率）。随机斜率模型估计参数更多，小样本（Level-2 单元数 < 30）时容易不收敛，须谨慎。
Q：ICC 和 R^2 在 HLM 中分别用在什么地方？
A：二者用途不同，均须报告。ICC 用于零模型，量化嵌套效应的大小，是 HLM 必要性的依据，属于数据特征描述；R^2 用于量化预测变量对因变量方差的解释比例，是模型效用的指标。HLM 的 R^2 有多种定义（如 Snijders & Bosker R^2，分 Level-1 和 Level-2 分别计算），报告时须说明使用了哪种计算方式，常见写法：R^2_Level-1 = .XX，R^2_Level-2 = .XX。
快速参考：HLM 报告格式速查卡
【零模型 — 必须先报告】
ICC = tau_00 / (tau_00 + sigma^2) = .XX
解读: XX% 的[因变量]方差来自[Level-2 单元]间差异
【固定效应 — 每个参数】
b = X.XX, SE = X.XX, t([df]) = X.XX, p [= .XXX / < .001],
95% CI [X.XX, X.XX]
注: Level-1 df ≈ N_individual - p1 - 1
Level-2 df ≈ N_group - p2 - 1
【随机效应方差成分】
Level-2 截距方差: tau_00 = X.XX (SD = X.XX)
Level-2 斜率方差（若有）: tau_11 = X.XX (SD = X.XX)
截距-斜率协方差（若有）: tau_01 = X.XX
Level-1 残差方差: sigma^2 = X.XX
【模型拟合比较（必须跨模型报告）】
-2LL = XXXX.XX, AIC = XXXX.XX, BIC = XXXX.XX
模型改进: delta chi^2([df差]) = XX.XX, p [值]
【完整固定效应系数表（APA 三线表）】
参数 | b | SE | t | p | 95% CI
截距 | X.XX | X.XX | X.XX | .XXX | [X.XX, X.XX]
Level-1 变量 | ... | ... | ... | ... | ...
Level-2 变量 | ... | ... | ... | ... | ...
跨层交互 | ... | ... | ... | ... | ...
相关阅读
- F 值的 APA 7th 报告写法 — F(df1,df2)格式、效应量 eta 平方、报告模板全解
- 协方差分析 ANCOVA 的 APA 报告写法
- 中介效应的 APA 报告写法
- 效应量 APA 报告全指南 — d、r、eta 平方、omega 平方
- AI 跑混合效应模型全流程 — lme4 实操指南
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。