统计百科 · 2026-06-24

多层线性模型 HLM 的 APA 报告怎么写？固定/随机效应、ICC 与组间方差格式全解

统计百科：专攻多层线性模型（HLM/MLM）的 APA 7th 报告细节——ICC 计算与解读、固定效应系数表、随机效应方差成分、跨层调节效应简单斜率、三层模型与 Snijders-Bosker R² 分解，给出可直接套用的论文级报告模板。

多层线性模型（Multilevel Linear Model，又称 HLM / MLM）的报告远比单层回归复杂：ICC 要先报，固定效应和随机效应方差成分要分表呈现，跨层调节效应要画简单斜率，三层模型还需要拆分三个层级的方差。这篇文章聚焦格式细节，从 ICC 公式到 Snijders-Bosker R² 分解，给出 APA 7th 可直接套用的完整模板，并重点覆盖审稿人最常追问的"组间方差怎么报""跨层交互怎么写""随机斜率方差怎么检验显著性"三大难点。

你的 HLM 报告有这些问题吗？

审稿人或导师关于多层线性模型报告最常见的反馈：

"请报告组内相关系数（ICC），并说明选择 HLM 而非 OLS 的理由"
"固定效应系数表缺少标准误（SE）和置信区间"
"随机效应请报告方差成分数值，不能只写'截距方差显著'"
"跨层交互显著后，请提供简单斜率分析（simple slope analysis）"
"组间方差解释量（proportion of variance explained）请按层级分别报告"
"三层模型中，第二层和第三层的随机效应方差成分需要分开列表"
"Snijders & Bosker R² 分 Level-1 和 Level-2，请说明用的是哪个"

这些错误散布在 APA Publication Manual 第七版（2020）和 HLM 方法论文献（Hox, 2010；Snijders & Bosker, 2012；Singer & Willett, 2003）的交叉地带，本文一次性全部解决。

一、多层模型基础：嵌套结构与三种报告场景

1.1 为什么数据嵌套必须用 HLM

当数据具有层级嵌套结构（如学生嵌套于班级、员工嵌套于团队），普通 OLS 回归违反残差独立性假设：

I 类错误膨胀：标准误被低估，p 值虚小，显著结果虚假
系数估计偏误：组间差异无法从个体效应中分离

ICC（组内相关系数）是量化这一问题严重程度的核心指标，也是 HLM 报告的逻辑起点。

1.2 三种典型建模场景

场景	层级结构	随机成分
横截面双层（最常见）	个体（L1）嵌套于组织/学校（L2）	随机截距，或加随机斜率
纵向增长曲线	时间点（L1）嵌套于个体（L2）	随机截距 + 随机斜率（时间趋势）
三层嵌套	学生（L1）→ 班级（L2）→ 学校（L3）	两个层级的截距/斜率方差成分

二、ICC：公式、解读标准与 APA 报告格式

2.1 ICC 公式（双层模型）

$\text{ICC} = \frac{\tau_{00}}{\tau_{00} + \sigma^2}$

$\tau_{00}$：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 Level-2 单元之间的差异。

2.2 三层模型的 ICC 拆分

三层模型有两个 ICC，必须分开报告：

$\text{ICC}2 = \frac{\tau{00}^{(2)}}{\tau_{00}^{(2)} + \tau_{00}^{(3)} + \sigma^2}$

$\text{ICC}3 = \frac{\tau{00}^{(3)}}{\tau_{00}^{(2)} + \tau_{00}^{(3)} + \sigma^2}$

其中 $\tau_{00}^{(2)}$ 为 Level-2 截距方差，$\tau_{00}^{(3)}$ 为 Level-3 截距方差。

2.3 ICC 解读标准

ICC 值	含义	处理建议
< .05	嵌套效应较弱	可用 OLS，但建议 HLM 并报告 ICC
.05 – .15	中等嵌套效应	应使用 HLM
> .15	强嵌套效应	必须使用 HLM，OLS 标准误严重低估

参考标准来源：Hox (2010)

2.4 ICC 报告模板（双层）

可直接套用的写法：

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（X = XX%），表明[因变量]总变异中 XX% 来自
[Level-2 单元（如班级、团队）]之间的差异，
满足多层线性模型的使用条件（Hox, 2010）。

填入数值的示例：

首先拟合零模型以估计组内相关系数（ICC）。班级间截距方差 tau_00 = 28.47，学生层残差方差 sigma^2 = 112.33，ICC = .202，表明学生学业成绩总变异中 20.2% 来自班级间的系统性差异，组间变异程度较高，支持使用多层线性模型的必要性（Hox, 2010）。

2.5 ICC 报告模板（三层）

可直接套用的写法：

三层零模型结果显示，Level-2（班级间）截距方差 tau_00^(2) = X.XX，
Level-3（学校间）截距方差 tau_00^(3) = X.XX，
Level-1 残差方差 sigma^2 = X.XX。
Level-2 ICC_2 = .XX，表明 XX% 的[因变量]方差来自班级间差异；
Level-3 ICC_3 = .XX，表明 XX% 来自学校间差异；
两层嵌套效应合计 XX%，支持使用三层线性模型。

三、固定效应：系数表格式与文字报告

3.1 固定效应必报要素

要素	格式	示例
参数名称（注明层级）	Level-1 / Level-2 预测变量	学习时间（Level-1）
未标准化回归系数 b	b = X.XX	b = 2.86
标准误 SE	SE = X.XX	SE = 0.41
t 值与近似自由度	t(df) = X.XX	t(98) = 6.98
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]	[2.06, 3.66]

注意：HLM 中 Level-1 预测变量的 t 检验自由度约为"Level-1 总观测数 - Level-1 预测变量数 - 1"；Level-2 预测变量的 t 检验自由度约为"Level-2 单元数 - Level-2 预测变量数 - 1"。两个层级的 df 不同，表中须分开标注或在表注中说明。

3.2 固定效应系数表（APA 三线表）

情形： 450 名学生嵌套于 45 个班级；Level-1 = 学习投入度（组内中心化）；Level-2 = 教师支持度（组均值中心化）；因变量 = 学业成绩。

表 1

多层线性模型固定效应估计（N_students = 450，N_classes = 45）

参数	b	SE	t	p	95% CI
截距（gamma_00）	68.34	1.64	41.67	< .001	[65.12, 71.56]
Level-1 固定效应
学习投入度	2.86	0.41	6.98	< .001	[2.06, 3.66]
性别（男 = 1）	-1.24	0.58	-2.14	.033	[-2.38, -0.10]
Level-2 固定效应
教师支持度	3.12	0.74	4.22	< .001	[1.67, 4.57]
跨层交互效应
学习投入度 × 教师支持度	0.47	0.18	2.61	.012	[0.12, 0.82]

注. b = 未标准化回归系数；SE = 标准误；CI = 置信区间。Level-1 变量已进行组内中心化（within-group centering），Level-2 变量已进行总均值中心化（grand-mean centering）。Level-1 固定效应 t 检验自由度约为 403；Level-2 固定效应 t 检验自由度约为 43。

3.3 固定效应主要结果文字模板

在控制 Level-2 截距随机变异后，[Level-1 变量]对[因变量]具有显著
[正向/负向]固定效应，b = X.XX，SE = X.XX，t([df]) = X.XX，
p [值]，95% CI [X.XX, X.XX]，表明[Level-1 变量]每增加 1 个单位，
[因变量]平均[增加/减少] X.XX 个单位。
[Level-2 变量]对[因变量]组间截距具有显著[正向/负向]影响，
b = X.XX，SE = X.XX，t([df]) = X.XX，p [值]。

填入数值的示例：

在控制 Level-2 截距随机变异后，学习投入度对学业成绩具有显著正向固定效应，b = 2.86，SE = 0.41，t(403) = 6.98，p < .001，95% CI [2.06, 3.66]，表明学生学习投入度每增加 1 个标准单位，学业成绩平均提高 2.86 分。教师支持度对班级平均成绩具有显著正向影响，b = 3.12，SE = 0.74，t(43) = 4.22，p < .001，表明教师支持度较高的班级，学生平均成绩显著更高。

四、随机效应方差成分：报告格式与显著性检验

4.1 随机效应必报要素

符号	含义	报告形式
tau_00（或 var(u_0j)）	Level-2 截距方差	方差 + SD
tau_11（或 var(u_1j)）	Level-2 斜率方差（有随机斜率时）	方差 + SD
tau_01（或 cov(u_0j, u_1j)）	截距-斜率协方差	仅报告协方差值
sigma^2（或 var(e_ij)）	Level-1 残差方差	方差 + SD

4.2 随机效应方差成分表（APA 格式）

表 2

多层线性模型随机效应方差成分

随机效应	方差估计值	SD
Level-2 截距方差（tau_00）	21.37	4.62
Level-2 斜率方差（tau_11，学习投入度）	1.24	1.11
截距-斜率协方差（tau_01）	0.38	—
Level-1 残差方差（sigma^2）	89.46	9.46

注. 随机效应方差成分使用限制最大似然法（REML）估计。tau_11 的显著性通过似然比检验（LRT）确认，chi^2(2) = 8.43，p = .015。

4.3 随机斜率方差的显著性检验

随机斜率方差是否为零，不能直接用 Wald 检验（方差参数的标准误不服从正态分布），必须使用似然比检验（LRT）：

随机截距模型与随机截距 + 随机斜率模型比较：
将估计方法改为 ML（Maximum Likelihood）后，
LRT: chi^2([df差]) = X.XX，p [值]

若 p < .05，保留随机斜率，并在表注中注明："tau_11 的显著性通过似然比检验确认，chi^2(2) = X.XX，p = .XXX"。

注意：比较含不同固定效应的嵌套模型时，必须将估计方法切换为 ML；仅比较随机效应结构时，REML 和 ML 均可使用。

4.4 随机效应文字报告模板

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），
表明不同[Level-2 单元]在[因变量]基线水平上存在显著差异。
[若含随机斜率：]Level-2 斜率方差 tau_11 = X.XX（SD = X.XX），
通过似然比检验确认其显著异于零（chi^2([df]) = X.XX，p [值]），
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[Level-2 单元]基线水平[较高/较低]者对应[较大/较小]的[预测变量]斜率。
Level-1 残差方差 sigma^2 = X.XX。

五、跨层调节效应：简单斜率分析与报告

5.1 何时需要简单斜率分析

当跨层交互效应（Level-1 预测变量 × Level-2 调节变量）显著时，必须进行简单斜率分析（Simple Slope Analysis）——即在 Level-2 调节变量的高（+1 SD）和低（-1 SD）水平上，分别报告 Level-1 预测变量的斜率。

5.2 简单斜率报告模板

跨层交互效应显著，b = X.XX，SE = X.XX，t([df]) = X.XX，p [值]，
95% CI [X.XX, X.XX]，表明[Level-1 变量]对[因变量]的效应受
[Level-2 变量]的调节。
简单斜率分析（Preacher et al., 2006）结果显示：
当[Level-2 变量]处于高水平（+1 SD = X.XX）时，
[Level-1 变量]斜率 b = X.XX，SE = X.XX，t([df]) = X.XX，p [值]，
95% CI [X.XX, X.XX]（[显著/不显著]）；
当[Level-2 变量]处于低水平（-1 SD = X.XX）时，
[Level-1 变量]斜率 b = X.XX，SE = X.XX，t([df]) = X.XX，p [值]，
95% CI [X.XX, X.XX]（[显著/不显著]）。
结果表明，[Level-1 变量]的促进效应在[Level-2 变量]较[高/低]的条件下更为突出。

填入数值的示例：

跨层交互效应显著，b = 0.47，SE = 0.18，t(403) = 2.61，p = .012，95% CI [0.12, 0.82]，表明学习投入度对学业成绩的效应受教师支持度的调节。简单斜率分析（Preacher et al., 2006）结果显示：当教师支持度处于高水平（+1 SD）时，学习投入度斜率 b = 3.59，SE = 0.47，t(403) = 7.64，p < .001，95% CI [2.67, 4.51]（显著为正）；当教师支持度处于低水平（-1 SD）时，学习投入度斜率 b = 2.13，SE = 0.53，t(403) = 4.02，p < .001，95% CI [1.09, 3.17]（仍显著为正，但效应量更小）。结果表明，学习投入度对成绩的促进效应在教师支持度较高的班级中更为突出。

六、组间方差解释量：PVE 与 Snijders-Bosker R²

6.1 为什么 HLM 不能直接用 OLS 的 R²

OLS 的 R²（总方差解释比例）在 HLM 中无法直接使用，因为 HLM 有两个层级的方差来源，加入预测变量后 Level-1 和 Level-2 的方差成分会同时变化，单一 R² 无法准确描述解释量。

6.2 伪 R²（Pseudo-R²）：PVE 方法

最简单的方法是报告每层方差的缩减比例（Proportion of Variance Explained, PVE），通过对比零模型和完整模型的方差成分计算：

$R^2_{L1} = \frac{\sigma^2_{null} - \sigma^2_{full}}{\sigma^2_{null}}$

$R^2_{L2} = \frac{\tau_{00,null} - \tau_{00,full}}{\tau_{00,null}}$

PVE 报告模板：

与零模型相比，完整模型将 Level-1 残差方差由 sigma^2 = X.XX 降至 X.XX，
Level-1 方差解释量（R^2_L1）= .XX，
即 Level-1 预测变量解释了 XX% 的组内方差；
Level-2 截距方差由 tau_00 = X.XX 降至 X.XX，
Level-2 方差解释量（R^2_L2）= .XX，
即 Level-2 预测变量解释了 XX% 的组间方差。

6.3 Snijders-Bosker R²（推荐）

Snijders & Bosker（1994）提出的 R² 是当前 HLM 文献中最常引用的效应量指标：

$R^2_{SB,L1} = 1 - \frac{\hat{\sigma}^2_{full} + \hat{\tau}{00,full}}{\hat{\sigma}^2{null} + \hat{\tau}_{00,null}}$

$R^2_{SB,L2} = 1 - \frac{\hat{\sigma}^2_{full}/\bar{n} + \hat{\tau}{00,full}}{\hat{\sigma}^2{null}/\bar{n} + \hat{\tau}_{00,null}}$

其中 $\bar{n}$ 为每个 Level-2 单元的平均样本量。

Snijders-Bosker R² 报告模板：

完整模型的 Snijders & Bosker（1994）R² 值为：
Level-1 R^2_SB,L1 = .XX，表明在个体层面，完整模型解释了
[因变量]总变异的 XX%；
Level-2 R^2_SB,L2 = .XX，表明在组织层面，完整模型解释了
[因变量]组间均值变异的 XX%。

七、三层模型的额外报告要求

当数据具有三层嵌套（如学生 → 班级 → 学校），需在双层模型基础上额外报告：

三个层级的 ICC（ICC_2 和 ICC_3）
Level-3 的随机效应方差成分（tau_00^(3)，以及如有随机斜率的 tau_11^(3)）
每个层级的 PVE 或 SB-R²（R^2_L1、R^2_L2、R^2_L3）

三层随机效应方差成分表示例：

表 3

三层线性模型随机效应方差成分（学生 → 班级 → 学校）

随机效应	方差估计值	SD
Level-3 学校间截距方差（tau_00^(3)）	14.22	3.77
Level-2 班级间截距方差（tau_00^(2)）	9.84	3.14
Level-1 学生层残差方差（sigma^2）	88.63	9.41

注. Level-3 ICC_3 = .126，Level-2 ICC_2 = .087，合计 21.3% 的成绩方差来自班级和学校层面的系统性差异。

八、完整 HLM 结果章节报告模板

情形： 450 名学生（L1）嵌套于 45 个班级（L2），检验学习投入度（L1，组内中心化）对学业成绩的影响，以及教师支持度（L2，总均值中心化）是否调节这一效应。

【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）。班级间截距方差
tau_00 = 28.47，学生层残差方差 sigma^2 = 112.33，ICC = .202，
表明学生学业成绩总变异中 20.2% 来自班级间的系统性差异，
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，学习投入度对学业成绩具有显著正向
固定效应，b = 2.86，SE = 0.41，t(403) = 6.98，p < .001，
95% CI [2.06, 3.66]。教师支持度对班级平均成绩具有显著正向影响，
b = 3.12，SE = 0.74，t(43) = 4.22，p < .001。

【第三段：跨层交互（调节效应）】
学习投入度与教师支持度的跨层交互效应显著，b = 0.47，SE = 0.18，
t(403) = 2.61，p = .012，95% CI [0.12, 0.82]。
简单斜率分析显示，高教师支持班级（+1 SD）中学习投入度斜率
b = 3.59（p < .001），低教师支持班级（-1 SD）中斜率 b = 2.13
（p < .001），表明教师支持度显著增强了学习投入度对成绩的促进效应。

【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 = 21.37
（SD = 4.62），表明各班级在学业成绩基线上存在显著差异。
学习投入度斜率方差 tau_11 = 1.24，经似然比检验确认显著异于零
（chi^2(2) = 8.43，p = .015），表明学习投入度的效应在班级间存在
有意义的变异。Level-1 残差方差 sigma^2 = 89.46。

【第五段：方差解释量】
与零模型相比，完整模型的 Snijders & Bosker（1994）R² 为：
Level-1 R^2_SB = .204，Level-2 R^2_SB = .317，
表明完整模型在个体层面解释了 20.4% 的总变异，
在班级层面解释了 31.7% 的组间均值变异。

【第六段：模型拟合比较】
模型序列比较显示（均采用 ML 估计），加入 Level-1 预测变量后
拟合显著改善，chi^2(3) = 72.41，p < .001；
加入 Level-2 预测变量和跨层交互项后继续改善，
chi^2(2) = 18.37，p < .001（完整拟合指标见表 4）。

九、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 预测变量为学习投入度（请进行组内中心化），Level-2 调节变量为教师支持度（请进行总均值中心化），因变量为学业成绩。请：①拟合零模型，计算并报告 ICC；②建立随机截距 + 随机斜率模型，报告固定效应系数表（含 b、SE、t、p、95% CI，区分 Level-1 和 Level-2 自由度）；③加入跨层交互效应，显著则进行简单斜率分析；④报告随机效应方差成分表（含 LRT 检验随机斜率显著性）；⑤报告 Snijders-Bosker R²；全部输出 APA 7th 格式的结果章节完整段落和三线表。"

ChatSRS 将自动完成全部五步流程，输出 APA 规范的表格和文字段落，数值直接填入，可复制进论文。

如需三层模型，在指令中加入"第三层为学校，Level-3 变量为学校性质（公立/私立）"，ChatSRS 自动切换三层模型报告框架并分别计算 ICC_2 和 ICC_3。

十、方法章节怎么说明使用了 HLM

标准方法章节描述（双层随机截距 + 随机斜率模型）

采用多层线性模型（Multilevel Linear Model，HLM；Raudenbush & Bryk, 2002）
分析数据，以处理学生嵌套于班级的层级结构。
Level-1（学生层）预测变量进行组内中心化（within-group centering）
以分离个体内变异；Level-2（班级层）变量进行总均值中心化
（grand-mean centering）。
首先拟合零模型估计组内相关系数（ICC；Hox, 2010），
以评估数据嵌套的严重程度并验证使用 HLM 的必要性。
随后按序构建模型：Model 1 为随机截距模型（仅 Level-1 变量），
Model 2 加入 Level-2 变量，Model 3 加入随机斜率与跨层交互项。
含不同固定效应的嵌套模型比较采用最大似然（ML）估计下的
似然比检验（LRT）；最终参数估计使用限制最大似然法（REML）。
随机斜率方差的显著性通过 LRT（chi^2 差值检验）确认。
方差解释量报告 Snijders & Bosker（1994）R²，分 Level-1 和 Level-2
分别呈现。统计分析使用 ChatSRS（lme4/nlme 引擎），显著性水平 alpha = .05。

十一、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	必须先拟合零模型，报告 ICC 及 tau_00、sigma^2	HLM 报告核心规范
ICC 很小（< .05）就跳过 HLM	须报告 ICC 并给出选择理由	透明性要求
固定效应只报告 p 值，缺 b 和 SE	b = X.XX, SE = X.XX, t(df) = X.XX, p [值]	APA 推断统计完整报告
Level-1 和 Level-2 的 df 混用	两个层级 df 不同，表中分区或表注说明	自由度近似须分层计算
随机效应只写"组间差异显著"	报告方差成分数值：tau_00 = X.XX, sigma^2 = X.XX	方差成分是随机效应的核心
随机斜率方差用 Wald 检验显著性	使用 LRT（似然比检验）检验 tau_11	方差参数不服从正态分布
跨层交互显著后不做简单斜率	进行 ±1 SD 简单斜率分析并报告	交互效应报告规范
用 OLS R² 报告 HLM 效应量	报告 Snijders-Bosker R^2 或 PVE（分 L1/L2）	HLM 需分层级报告方差解释量
REML 下比较含不同固定效应的模型	比较前切换为 ML，最终参数估计再用 REML	REML 似然值不含固定效应信息
三层模型只报告一个 ICC	报告 ICC_2 和 ICC_3（各层方差占总方差比例）	三层模型需分层 ICC

常见 FAQ

Q：HLM 固定效应要不要报告标准化系数（beta）？

A：APA 7th 及 HLM 方法论文献（Snijders & Bosker, 2012）均以未标准化系数 b（含 SE）为主。原因是 Level-1 和 Level-2 变量的标准差来自不同方差来源，直接标准化会混淆两个层级的效应。若确需报告标准化系数，须说明是对 Level-1 变量在组内中心化后进行的组内标准化（within-group standardization），并在方法章节中明确声明，以便读者区分于 OLS 的全样本标准化 beta。

Q：ICC = .03，还必须报告 ICC 并使用 HLM 吗？

A：是的，必须报告。APA 7th 要求透明报告所有与研究设计相关的信息。ICC = .03 表示 3% 的因变量方差来自 Level-2 单元，这在大样本（如 N > 1000）时仍会导致不可忽视的标准误低估。规范做法是：无论 ICC 大小，只要数据有嵌套结构，均须报告 ICC，并在方法章节说明选择 HLM 或经过稳健标准误校正的 OLS 的理由。若 ICC < .05 且样本量有限，可补充 OLS 敏感性分析。

Q：随机截距模型和随机斜率模型怎么选？

A：从研究问题出发：若关心"某 Level-1 预测变量的效应是否在不同 Level-2 单元间存在差异"，必须加入随机斜率；若只是控制组间基线差异，随机截距即可。统计策略：先拟合随机截距模型，再通过 LRT（切换为 ML 后）检验加入随机斜率是否显著改善拟合（chi^2 差值检验，p < .05 保留）。需注意：随机斜率模型参数更多，当 Level-2 单元数 < 30 时容易不收敛，可先考虑不估计截距-斜率协方差（tau_01 设为 0）的简化随机斜率模型。

Q：PVE 和 Snijders-Bosker R² 有什么区别，应该用哪个？

A：两者都是 HLM 的效应量指标，但含义略有不同。**PVE（方差缩减比例）**只看单层方差的变化，计算简单直观，但若某层方差在加入预测变量后"反而增大"（HLM 中可能出现负伪 R²），则无法使用。Snijders-Bosker R² 同时考虑了两个层级的方差，理论上更严格，是方法论文献中的主流推荐（Hox, 2010；Snijders & Bosker, 2012）。实操建议：优先报告 Snijders-Bosker R²（分 Level-1 和 Level-2），若软件输出中直接提供 PVE，亦可作为补充信息报告。ChatSRS 两种格式均可一键输出。

Q：模型拟合比较一定要用 LRT 吗？可以只报告 AIC/BIC 吗？

A：LRT 和信息准则（AIC/BIC）是互补的，不能相互替代。LRT 适用于嵌套模型（一个模型是另一个的特例），给出显著性检验；AIC/BIC 适用于非嵌套模型比较，数值越小越好，但没有显著性 p 值。APA 7th 要求完整报告：每个模型的 -2LL、AIC、BIC，以及嵌套模型间的 chi^2 差值检验和 p 值。三者同时报告，审稿人通常无异议。切记：LRT 比较含不同固定效应的模型时须切换为 ML 估计；仅比较随机效应结构时，REML 下的 LRT 也是有效的。

快速参考：HLM 报告格式速查卡

【步骤一：零模型 — 先于所有模型报告】
ICC = tau_00 / (tau_00 + sigma^2)
解读: XX% 的[因变量]方差来自 Level-2 单元间的系统性差异

【步骤二：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_L1 - p1 - 1; Level-2 df ≈ N_L2 - p2 - 1

【步骤三：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)
  显著性: LRT chi^2([df]) = X.XX, p [值]（不可用 Wald 检验）
截距-斜率协方差（若有）: tau_01 = X.XX
Level-1 残差方差: sigma^2 = X.XX

【步骤四：跨层调节（若交互显著）】
简单斜率（高 Level-2 调节变量，+1 SD）: b = X.XX, p [值]
简单斜率（低 Level-2 调节变量，-1 SD）: b = X.XX, p [值]

【步骤五：方差解释量】
Snijders-Bosker R^2_L1 = .XX（个体层面 XX% 总变异）
Snijders-Bosker R^2_L2 = .XX（组间层面 XX% 均值变异）

【步骤六：模型拟合比较（ML 估计）】
每个模型: -2LL = XXXX.XX, AIC = XXXX.XX, BIC = XXXX.XX
嵌套模型间: delta chi^2([df差]) = XX.XX, p [值]

你的 HLM 报告有这些问题吗？

一、多层模型基础：嵌套结构与三种报告场景

1.1 为什么数据嵌套必须用 HLM

1.2 三种典型建模场景

二、ICC：公式、解读标准与 APA 报告格式

2.1 ICC 公式（双层模型）

2.2 三层模型的 ICC 拆分

2.3 ICC 解读标准

2.4 ICC 报告模板（双层）

2.5 ICC 报告模板（三层）

三、固定效应：系数表格式与文字报告

3.1 固定效应必报要素

3.2 固定效应系数表（APA 三线表）

3.3 固定效应主要结果文字模板

四、随机效应方差成分：报告格式与显著性检验

4.1 随机效应必报要素

4.2 随机效应方差成分表（APA 格式）

4.3 随机斜率方差的显著性检验

4.4 随机效应文字报告模板

五、跨层调节效应：简单斜率分析与报告

5.1 何时需要简单斜率分析

5.2 简单斜率报告模板

六、组间方差解释量：PVE 与 Snijders-Bosker R²

6.1 为什么 HLM 不能直接用 OLS 的 R²

6.2 伪 R²（Pseudo-R²）：PVE 方法

6.3 Snijders-Bosker R²（推荐）

七、三层模型的额外报告要求

八、完整 HLM 结果章节报告模板

九、在 ChatSRS 一句话获得规范 HLM 报告

十、方法章节怎么说明使用了 HLM

标准方法章节描述（双层随机截距 + 随机斜率模型）

十一、HLM 报告常见错误对照表

常见 FAQ

快速参考：HLM 报告格式速查卡

相关阅读