5 级 HLM 分析
5-level HLM analysis
我正在尝试分析五个不同级别的层次结构，在这些层次结构中可能会汇总学生对教师的评分。
教师评分是从每个 class 每学期注册的学生那里收集的。
评分 (level1) 嵌套在学生 (level2) 中，学生本身嵌套在部分 ( level3) 或 classes (level4)，它们也嵌套在更高层级中。
lmer 函数或其他函数可以处理这样的分析吗？
如果是，语法是什么？
让我们定义一些您在 post 中没有提供的符号：
Y = 评分
ID = 学号
section = class 节
class = class
我还假设您是说学生在 classes 和部分之间 cross-classified。在 lme4 中，我们通常假设交叉 class 化是独立的。
然后你有：
lm1 <- lmer(Y ~ <FE vars> + (1|class/ID) + (1|section/ID), data= df)
这里我们使用 / 来表示层次结构的级别（例如 section/ID），更高级别位于斜线左侧。更多级别将是 XYZ/section/ID。此外，不同的 () 元素显示交叉 class 化。您也可以使用 (class || section) 和 (1|...) 表示随机截距但没有随机斜率。
注：
所有这些信息都在 vignette 中，我们鼓励您阅读。
如果所有级别都按照问题的建议真正嵌套（即不是交叉class化：每个评分都是由一个学生完成的，每个学生正好在一个部分，每个部分正好在一个 class ...)，那么具体的答案是你想包括
(1|class/section/student/rating)
作为 lmer 模型中的随机效应项。
如果您有更多级别，您可以使用包含更高级别的扩展版本，例如
(1|toplevel/nextlevel/nextlevel2/.../bottomlevel)
正如@Alex 所建议的，这在小插图（Table 2，第 6 页）中有所描述，尽管它在示例中仅显示了两层嵌套。
@Alex 还建议您的数据可能会交叉 class 化 - 学生可能会提供不止一个 class 的评分 - 在这种情况下，您可能需要添加其他术语，例如
(1|class/section/student/rating) + (1|student)
将允许学生在不同的 class 学科和学科中产生一致的影响。
lme 函数（在 nlme 包中）也可以处理任意数量的嵌套级别，尽管处理交叉 class 化更难（而且很可能对于大型数据集，比 lmer 慢。
我正在尝试分析五个不同级别的层次结构，在这些层次结构中可能会汇总学生对教师的评分。
教师评分是从每个 class 每学期注册的学生那里收集的。
评分 (level1) 嵌套在学生 (level2) 中，学生本身嵌套在部分 ( level3) 或 classes (level4)，它们也嵌套在更高层级中。
lmer 函数或其他函数可以处理这样的分析吗？
如果是，语法是什么？
让我们定义一些您在 post 中没有提供的符号：
Y = 评分
ID = 学号
section = class 节
class = class
我还假设您是说学生在 classes 和部分之间 cross-classified。在 lme4 中，我们通常假设交叉 class 化是独立的。
然后你有：
lm1 <- lmer(Y ~ <FE vars> + (1|class/ID) + (1|section/ID), data= df)
这里我们使用 / 来表示层次结构的级别（例如 section/ID），更高级别位于斜线左侧。更多级别将是 XYZ/section/ID。此外，不同的 () 元素显示交叉 class 化。您也可以使用 (class || section) 和 (1|...) 表示随机截距但没有随机斜率。
注：
所有这些信息都在 vignette 中，我们鼓励您阅读。
如果所有级别都按照问题的建议真正嵌套（即不是交叉class化：每个评分都是由一个学生完成的，每个学生正好在一个部分，每个部分正好在一个 class ...)，那么具体的答案是你想包括
(1|class/section/student/rating)
作为 lmer 模型中的随机效应项。
如果您有更多级别，您可以使用包含更高级别的扩展版本，例如
(1|toplevel/nextlevel/nextlevel2/.../bottomlevel)
正如@Alex 所建议的，这在小插图（Table 2，第 6 页）中有所描述，尽管它在示例中仅显示了两层嵌套。
@Alex 还建议您的数据可能会交叉 class 化 - 学生可能会提供不止一个 class 的评分 - 在这种情况下，您可能需要添加其他术语，例如
(1|class/section/student/rating) + (1|student)
将允许学生在不同的 class 学科和学科中产生一致的影响。
lme 函数（在 nlme 包中）也可以处理任意数量的嵌套级别，尽管处理交叉 class 化更难（而且很可能对于大型数据集，比 lmer 慢。