原文链接：http://tecdat.cn/?p=3230
作为第一步，从一个不蕴含协变量的空模型开始 （ 点击文末“浏览原文”获取残缺 代码数据 ）。
每所学校的截距，β 0J，而后设置为均匀，γ 00，和随机误差ü 0J。
将（2）代入（1）产生
要在 SPSS 中进行估算，请转至剖析→混合模型→线性 …
相干视频
**
拓端
，赞 13
呈现“指定主题”和“反复”菜单。在此示例中，分组变量是 id，因而应将其放在“主题”框中。
在重复框放弃为空。它仅在剖析人员想要为反复测量指定协方差模式时应用。单击持续。
弹出一个新菜单，用于指定模型中的变量。空模型没有自变量，因而将因变量 mathach 放在适当的框中。
空模型中的截距被视为随机变动。这不是默认设置，因而单击“随机”以获取以下菜单：
查看“蕴含截距”选项。另外，将 id 变量带到组合框中。的协方差类型无关时，只有一个随机效应，在这种状况下，随机截距。单击持续。
接下来，单击 Statistics 以抉择其余菜单以抉择在输入中报告哪些后果。
抉择参数估计值报告固定效应的估计值。单击持续，而后单击确定。局部后果如下：
这些后果对应于 R&B 中的表 4.2。
下一步是预计一种平均数 - 后果模型。
平均数之后果变项的回归模型
在预计空模型之后，R&B 开发了一种“平均数后果变项的回归”模型，其中将学校级变量 meanses 增加到截距模型中。该变量反映了每所学校的学生 SES 平均水平。方程式（1）：
截距能够模仿成一个大均匀 γ 00，再加上均匀得分 SES 的效应 γ 01，加上随机误差ü 0J。
将（4）代入（1）失去
要在 SPSS 预计这个，再去剖析→混合模型→直线 …。再次出现“指定主题”和“反复菜单”。将 id 放在“主题”框中，并将“反复”框保留为空。
单击持续。在下一个菜单中，指定依赖变量和独立变量。因变量将是 mathach，单个协变量将是均值。
该 meanses 变量输出作为固定效应，所以点击固定按钮拉起固定效应菜单。将 meanses 变量带入 Model 框并确保选中 Include Intercept。
单击持续。接下来，单击“随机”以关上“随机效应”菜单。选中“包含截距”以将截距指定为随机，并将分组变量 id 放在“组合”框中。它仅被视为固定效应。该协方差类型又是无关紧要，因为只有一个随机效应，随机截距。
最初，单击 Statistics 以抉择在输入中报告的内容。选中参数估计值旁边的复选框。
单击持续，而后单击确定。输入的一部分如下：
这与 R&B 中的表 4.3 绝对应。
下一步是预计随机系数模型。
随机系数模型
接下来，R&B 提供了一个模型，其中包含学生级别的 SES 而不是均匀 SES，并且他们将学生 SES 的斜率视为随机的。一个简单因素是 R&B 以小组均匀为核心的学生 SES 后出现后果。群体均匀核心意味着从每个学生的集体 SES 中减去每个学生的学校的均匀 SES。可怜的是，meanses 变量编码为 -1,0,1，因而只是每个学校平均值的粗略指标。为了更好地预计学校平均值，能够利用 SPSS 中的 Aggregate 命令。
分组核心变量的第一步是找到每个群集的平均值。转到数据→聚合
呈现“聚合数据”菜单。示意每个组的变量称为“中断”变量; 将 id 放入 Break Variable（s）框中。指标是从每所学校取得学生的均匀 SES 分数，因而将 ses 变量带到“变量摘要”框中。默认状况下，SPSS 假设用户有趣味获取每个组的均值，因而无需更改性能。最初，确保选中“将聚合变量增加到流动数据集”单选按钮。
当初，数据中增加了一个新变量 ses_mean（不要与三分法混同）。要实现组均匀居中，请从每个 ses 变量中减去 ses_mean。转到变换→计算变量。
在呈现的菜单中，创立一个名为 grp_ses 的指标变量，该变量等于 ses 减去 ses_mean。
单击确定。当初能够应用以组为核心的 SES 变量。
1 级方程式如下：
截距 β 0J 能够模仿成一个大均匀 γ 00 加上随机误差，ü 0J。相似地，歪斜 β 1J 能够被建模为具备总平均值 γ 10 加上随机误差Ú 1J。
将（7）和（8）组合成（6）产生：
要在 SPSS 中估算（9），请转到剖析→混合模型→线性。再次出现“指定主题”和“反复”菜单。和以前一样，将 id 放在“主题”框中，并将“反复”留空。
单击持续。在下一个菜单中，指定依赖变量和独立变量。因变量是 mathach，单个协变量将是 grp_ses。
要指定模型的固定效应，请单击“固定”。在“固定效应”菜单中，将 grp_ses 变量置于“模型”框中，并确保选中“包含截距”。
单击持续，而后单击随机。
在“随机效应”菜单中，将分组变量 id 放在“组合”框中。此外，因为 grp_ses 将具备随机斜率，所以必须将其搁置在“模型”框中。接下来，确保选中 Include Intercept，以便容许截距随机变动。最初，存在两个随机效应意味着协方差矩阵 G 的维数当初是 2×2。SPSS 中的默认值是假如一个方差重量构造，这意味着随机截距和随机斜率之间没有协方差（参见随机效应 ANOVA 模型综述中的协方差构造表））。能够放宽该假如，使得协方差是从数据预计的自在参数。为协方差类型指定 Unstructured。
单击持续。而后单击“统计”以指定输入中显示的内容。查看参数估计值以取得固定效应的后果。
单击持续，而后单击确定。局部后果如下：
这些后果对应于 R&B 中的表 4.4。
最终的模型 R&B 出现的是截距和斜率内部模型。
点击题目查阅往期内容
R 语言用线性混合效应（多程度 / 档次 / 嵌套）模型剖析腔调高下与礼貌态度的关系
R 语言 LME4 混合效应模型钻研老师的受欢迎水平 R 语言 nlme、nlmer、lme4 用（非）线性混合模型 non-linear mixed model 剖析藻类数据实例
R 语言混合线性模型、多层次模型、回归模型剖析学生均匀问题 GPA 和可视化
R 语言线性混合效应模型（固定效应 & 随机效应）和交互可视化 3 案例
R 语言用 lme4 多层次（混合效应）狭义线性模型（GLM），逻辑回归剖析教育留级考察数据 R 语言 线性混合效应模型实战案例
R 语言混合效应逻辑回归（mixed effects logistic）模型剖析肺癌数据
R 语言如何用潜类别混合效应模型（LCMM）剖析抑郁症状
R 语言基于 copula 的贝叶斯分层混合模型的诊断准确性钻研
R 语言建设和可视化混合效应模型 mixed effect model
R 语言 LME4 混合效应模型钻研老师的受欢迎水平
R 语言 线性混合效应模型实战案例
R 语言用 Rshiny 摸索 lme4 狭义线性混合模型（GLMM）和线性混合模型（LMM）
R 语言基于 copula 的贝叶斯分层混合模型的诊断准确性钻研
R 语言如何解决线性混合模型中畸形拟合 (Singular fit) 的问题
基于 R 语言的 lmer 混合线性回归模型
R 语言用 WinBUGS 软件对学术能力测验建设档次（分层）贝叶斯模型
R 语言分层线性模型案例
R 语言用 WinBUGS 软件对学术能力测验（SAT）建设分层模型
应用 SAS，Stata，HLM，R，SPSS 和 Mplus 的分层线性模型 HLM
R 语言用 WinBUGS 软件对学术能力测验建设档次（分层）贝叶斯模型
SPSS 中的多层（等级）线性模型 Multilevel linear models 钻研整容手术数据
用 SPSS 预计 HLM 多层（档次）线性模型模型