多层混合效应模型是什么？
多层混合效应模型回答的是样本存在层级结构时，如何同时估计总体平均关系和组层差异。学生嵌套在学校、员工嵌套在企业、患者嵌套在医院时，同一组内样本往往更相似。
先用一句话理解
把混合效应模型想成每个学校都有自己的起跑线，甚至每个学校对学习时间的回报也不同。普通回归只给一条平均线，混合模型允许不同组围绕平均线有自己的偏移。
什么时候用
| 判断项 | 教科书式判断 |
|---|---|
| 适合用在 | 数据有明显层级或重复测量结构，需要估计随机截距或随机斜率。 |
| 先不要用在 | 组数很少，或组层差异本身应作为固定效应完整控制。 |
| 最关键的前提 | 随机效应分布和层级结构要合理，组内相关不能被忽略。 |
| 读表顺序 | 先看层级和组数，再看固定效应、随机效应方差和 ICC。 |
| 论文表述边界 | 固定效应解释总体平均关系，随机效应解释组层异质性。 |
把它和相近方法分清楚
| 容易混淆的对象 | 怎么区分 | 初学者记法 |
|---|---|---|
| OLS | 所有观测独立同分布。 | 忽略组内相关。 |
| 固定效应 | 给每个组一个固定截距。 | 控制组差异但不建模其分布。 |
| Mixed effects | 固定效应 + 随机效应。 | 同时估计平均关系和组层方差。 |
核心直觉和模型公式
固定效应与随机效应
两层随机截距模型可写成：
\[Y_{ij}=X_{ij}\beta+u_j+\varepsilon_{ij},\quad u_j\sim N(0,\tau^2)\]
j 表示组，u_j 是组层随机偏移，beta 是总体平均效应。
公式里的符号怎么读
| 符号 | 含义 | 在本页怎么理解 |
|---|---|---|
| i | 个体 | 学生、员工、患者等低层单位。 |
| j | 组 | 学校、企业、医院等高层单位。 |
| β | 固定效应 | 总体平均关系。 |
| u_j | 随机截距 | 组 j 相对总体平均的偏移。 |
| τ² | 组层方差 | 不同组之间差异有多大。 |
专业使用口径
专业 mixed model 报告要让读者知道哪些差异被当作固定，哪些被当作随机。
| 口径 | 专业写法 |
|---|---|
| 层级结构 | 说明个体嵌套在哪个组里。 |
| 随机截距/斜率 | 说明允许哪些系数在组间变化。 |
| 组数 | 随机效应需要足够组数支撑。 |
| 方差成分 | 报告组层方差或 ICC，说明组内相关大小。 |
一步一步做：从问题到结果的五步
| 步骤 | 这一页具体做什么 | 做到什么程度才算读懂 |
|---|---|---|
| 1. 识别层级 | 确定个体和组的关系。 | 没有层级就不需要 mixed。 |
| 2. 先估随机截距 | 允许不同组有不同基准水平。 | 这是最常见起点。 |
| 3. 考虑随机斜率 | 若 X 的效应可能因组而异。 | 随机斜率需要更多数据。 |
| 4. 读取固定效应 | 解释总体平均 β。 | 不要和组特定效应混淆。 |
| 5. 读取方差成分 | 看组间差异和 ICC。 | 这是 mixed 的重要信息。 |
结果怎么读：先读口径，再读数字
本页案例读表时，先记住这个口径：低现金流斜率 = 0.0023；门槛/非线性页用分段斜率检查平均效应是否掩盖差异。
| 读表顺序 | 本页怎么读 | 不要这样读 |
|---|---|---|
| 先看组数 | 组层样本是否足够。 | 组少时随机效应不稳。 |
| 再看随机结构 | 随机截距还是随机斜率。 | 结构越复杂需要数据越多。 |
| 然后看固定效应 | 总体平均关系是否清楚。 | 这是主效应解释。 |
| 最后看方差成分 | 组间差异是否明显。 | 这说明使用 mixed 是否有价值。 |
初学者最容易错在哪里
| 误读 | 为什么错 |
|---|---|
| 把 mixed 当普通聚类标准误 | 错。它建模组层方差，不只是修正 SE。 |
| 组数太少仍估复杂随机斜率 | 风险高。模型容易不稳。 |
| 不报告随机效应结构 | 错。读者无法复核。 |
| 把固定效应和随机效应混读 | 错。二者回答不同层面问题。 |
先看这个案例的结论
- 低现金流斜率 = 0.0023；门槛/非线性页用分段斜率检查平均效应是否掩盖差异。
- 高现金流斜率 = 0.0042；两段系数方向和差距是主要读数。
- 行业-年份 peer corr = 0.9088；空间/同群效应用行业年份均值做教学代理。
- 这些数字来自页面里的结果表；写论文时先解释数值含义，再讨论理论含义。
变量要求和案例口径
| 字段 | 口径 |
|---|---|
| 数据 | CSMAR 风格 A 股企业创新面板 |
| 原始样本 | 196 家上市公司，2015-2020 年，约 1200 个公司-年观测；各方法有效样本以本页输出表 N 为准 |
| 因变量 | patent_count；回归页通常使用 ln(1 + patent_count) |
| 核心解释变量 | dfi_index，数字普惠金融指数；部分案例输出展示的是标准化后的 dfi_index |
| 控制变量 | roa、lev、size、growth、cashflow、tobinq、top1、dual、board、indep、soe、age |
| 输出文件 | mixed_results.csv |
| 角色要求 | 因变量、核心解释变量、个体 ID |
| 依赖包 | 无额外 Stata 社区包要求 |
实际代码
下面是本页案例里的最小 Stata 代码。它的作用是帮助你看清变量怎么进入模型、结果文件怎么生成，而不是要求你在网页里手动运行。
import delimited "$DATA_PATH", clear varnames(1) encoding(UTF-8)
gen ln_patent1 = ln(1 + patent_count)
egen firm_id = group(stkcd)
xtset firm_id year
global y ln_patent1
global count_y patent_count
global x dfi_index
global controls roa lev size growth cashflow tobinq top1 dual board indep soe age
gen post = year >= 2018
bysort firm_id: egen pre_dfi = mean(cond(year < 2018, dfi_index, .))
quietly summarize pre_dfi, detail
gen treat = pre_dfi >= r(p50)
gen did = treat * post
gen high_patent = patent_count > 2
gen running_dfi = dfi_index - 260
gen rdd_treat = running_dfi >= 0
mixed $y $x roa lev size growth cashflow || firm_id:, vce(robust)
export delimited using "$JOB_DIR/mixed_results.csv", replace实际输出表
这张表是本方法页配套案例的输出结果，用来把前面的公式、变量口径和代码对应到实际数字。
| 指标 | 数值 | 解释 |
|---|---|---|
| 样本 | 1200 obs / 196 firms / 2015-2020 | 来自共用案例 CSV |
| 因变量 | ln(1 + patent_count) | 企业创新产出 |
| 核心解释变量 | dfi_index | 数字普惠金融指数 |
| 输出文件 | mixed_results.csv | empirical-wizard 对应方法产物 |
| 低现金流斜率 | 0.0023 | 门槛/非线性页用分段斜率检查平均效应是否掩盖差异 |
| 高现金流斜率 | 0.0042 | 两段系数方向和差距是主要读数 |
| 行业-年份 peer corr | 0.9088 | 空间/同群效应用行业年份均值做教学代理 |
| 组间差距 | 0.0019 | 多层混合效应模型 页不应只复述 OLS 平均系数 |
案例图
这是一张由同一份案例数据生成的页面内诊断图。
论文里怎么写
本文在共用企业面板样本上报告多层混合效应模型，核心输出见 mixed_results.csv。结果解释时同时关注样本口径、变量构造、系数方向、标准误和适用前提，避免只凭单个 p 值完成方法选择。
检查清单
- 先明确层级结构：学生-学校、员工-企业或观测-个体。
- 区分固定效应和随机效应，随机斜率要有理论理由。
- 报告组内相关 ICC 或方差分量，说明多层模型为什么必要。