|
多層次模型(HLM)及重複測量：使用STaTa（附光碟）
|
|
|
|
|
作 者╱
|
張紹勳
|
|
出版社別╱
|
五南
|
|
書 系╱
|
研究&方法 |
|
出版日期╱
|
2018/01/12
(1版 1刷)
|
|
|
I
S B N ╱
|
978-957-11-9506-3
|
|
書 號╱
|
1H0P
|
|
頁 數╱
|
1040
|
|
開 數╱
|
16K
|
|
定 價╱
|
1050
|
|
教學資源╱
|
投影片((外加))
|
|
|
•全方位解析多層次模型（HLM），彌補單層次迴歸的不足，讓您能抽絲剝繭地學習。
•本書提供多層次模型範例資料檔、統計程式操作方式，並強調統計軟體報表解釋，使讀者更加瞭解其中奧妙。
•深度理解功能龐大的STaTa系統，其便利性遠超過R、MLWin、Mplus、SPSS、SAS等軟體。
•本書適合用於社會科學、生物醫學、財經研究等實用工具書，並能廣泛應用到管理、教育、人管、醫藥健康等領域。
•隨書附贈資料檔光碟。
STaTa是地表最強統計軟體，適合學生、學者與實務人員！
科學是一門累積而成的學問，統計又是科學的實證基礎，當今科技電腦的統計計算能力日新月異，純粹概念性的理論過於靜態，解釋實際問題以及應用能力有限。多層次模型(HLM)進而興起，成為當代組織與管理領域的重要研究典範之一！STaTa這套功能龐大的統計軟體也因而產生，本書提供範例資料庫與統計程式操作方式，有助於瞭解多層次迴歸分析主要模型的操作程序，內文結合「理論、方法、統計」，讓您能更有深度的理解什麼是多層次模型以及STaTa。
|
※推薦文
純粹概念性的理論顯然在實際問題的解釋與應用上是有限的。而缺乏理論基礎的統計分析則無法提供一個「因果關係」的說明。同樣，其說服力也是有限的，或甚至可能是錯誤的。加上組織與管理研究的資料多涉及階層特性，因此多層次模型是當代組織與管理領域的重要研究典範之一。因而興起多層次模型（HLM）來彌補單層次迴歸的不足。迄今，多層次與層級線性模型廣泛應用到管理、教育、人管、醫藥健康等領域。
人並非孤立的個體，而是整個社會中的一員，例如，學生層次的資料巢套於高一層的分析單位（如班級或學校）之內，在同一個高階分析單位下的個體會因為相似的特質，抑或受到共享的環境脈絡所影響，造成個人層次資料間具有相依的性質，亦即存在著組內觀察資料不獨立的現象。由此可知，個體的行為或反應不僅會受到自身特性的影響，也會受到其所處的環境脈絡所影響。因此巢狀（nested）資料分析之多層次模型就此流行起來。
科學是一門累積的學習課程，統計又是科學之實證基礎，加上電腦統計計算能力日新月益。進而像STaTa這種龐大功能之統計軟體的誕生，STaTa功能及便利性都遠超越R、MLWin、Mplus、SPSS、SAS、AMOS及Eviews等軟體。STaTa優秀統計功能是地表最強的軟體。STaTa已可處理：(1)橫斷面研究設計、縱貫面研究設計、縱橫面(pandel-data)研究設計。(2)單一迴歸方程式、迴歸聯立方程式。(3)網站提供龐大線上求助、外掛指令（*.ado）來滿足各行各業的個別需求。(4)單變量、多變量時間序列亦可處理。(5)多層次vs.單層次迴歸之統計分析……等都有最新處理方法，光是多層次線性混合模型就有15種以上類型可供選擇。
STaTa同時提供眾多（內建vs.外掛）指令，幾乎坊間教科書你看到的統計分析，它都可解決。此外，STaTa為了減低電腦使用者對程式設計的憂慮，它亦提供Menu選擇表之對應視窗，讓像SPSS、SAS、HLM那樣能輕鬆操作Menu，來進行統計分析。況且，STaTa有能力處理像big-data這類巨大資料庫。
有鑑於STaTa分析功能龐大，故作者將撰寫一系列的STaTa的書，包括：
7.多層次模型（共15種多層次模型之類型可選擇）。
社會科學、生物醫學、財金等領域，其統計學係採用統計學、運籌學、經濟、數學等領域之定量方法。社會科學及自然科學二大領域中各個學科，它們有許多共通之研究設計及統計分析法，都與作者在五南出版STaTa一序列書名有關，包括：
一、《STaTa與高等統計分析的應用》一書，該書內容包括：描述性統計、樣本數的評估、變異數分析、相關、迴歸建模及診斷、重複測量……。
二、《「STaTa在結構方程模型及試題反應理論》一書，該書內容包括：路徑分析、結構方程模型、測量工具的信效度分析、因素分析……。
三、《STaTa在生物醫學統計分析》一書，該書內容包括：類別資料分析(無母數統計)、logistic迴歸、存活分析、流行病學、配對與非配對病例對照研究資料、盛行率、發生率、相對危險率比、勝出比（Odds Ratio）的計算、篩檢工具與ROC曲線、工具變數（2SLS）……Cox比例危險模型、Kaplan-Meier存活模型、脆弱性之Cox模型、參數存活分析有六種模型、加速失敗時間模型、panel-data存活模型、多層次存活模型……。
四、《Meta統計分析實作：使用Excel與CMA程式》一書，該書內容包括：統合分析（meta-analysis）、勝出比（Odds Ratio）、風險比、4種有名效果量（ES）公式之單位變換等。
五、《Panel-data迴歸模型：STaTa在廣義時間序列的應用》一書，該書內容包括：多層次模型、GEE、工具變數（2SLS）、動態模型……。
六、《總體經濟與財務金融：STaTa時間序列分析》一書，該書內容包括：誤差異質性、動態模型、序列相關、時間序列分析、VAR、共整合……等。
七、《多層次模型（HLM）及重複測量：使用STaTa》一書，該書內容包括：線性多層次模型、vs.離散型多層次模型、計數型多層次模型、存活分析之多層次模型、非線性多層次模型……。
八、《模糊多準則評估法及統計》一書，該書內容包括：AHP、ANP、TOPSIS、Fuzzy理論、Fuzzy AHP……等理論與實作。
九、《邏輯斯迴歸及離散選擇模型：應用STaTa統計》一書，該書內容包括：邏輯斯迴歸、vs. 多元邏輯斯迴歸、配對資料的條件Logistic迴歸分析、Multinomial Logistic Regression、特定方案Rank-ordered logistic迴歸、零膨脹ordered probit regression迴歸、配對資料的條件邏輯斯迴歸、特定方案conditional logit model、離散選擇模型、多層次邏輯斯迴歸……。
十、《有限混合模型FMM:STaTa用EM algorithm先潛在分類再預測》一書，該書內容包括：FMM：線性迴歸、FMM：次序迴歸、FMM：Logit迴歸、FMM：多項Logit迴歸、FMM：零膨脹迴歸、FMM：參數型存活迴歸……等理論與實作。
這本書的目標即在提供有興趣多層次分析的學生、學者與實務人員教學與研究的指導。在這本書亦提供範例的資料檔與統計程式操作方式。這些基礎理論與範例有助於我們瞭解多層次分析。要深入瞭解這本書必須要有基本的多元迴歸方程式的知識。這本書會提供STaTa的範例，針對多層次迴歸分析主要模型的操作程序，並強調這些統計軟體所產生的報表解釋，諸如結果變數為連續變數或者類別變數的兩層與三層模型、輔助性統計(如迴歸係數信賴區間、組內相關係數等)、檢視模型假設等。
此外，研究者如何選擇正確的統計方法，包括適當的估計與檢定方法、與統計概念等，都是實證研究中很重要的內涵，這也是本書撰寫的目的之一。為了讓研究者能正確且精準使用panel迴歸，本書內文儘量結合「理論、方法、統計」，期望能夠對產學界有拋磚引玉的效果。
最後，特感謝全傑科技公司（http://www.softhome.com.tw），提供STaTa軟體，晚學才有機會撰寫STaTa一系列的書，以嘉惠學習者。
張紹勳 張任坊 張博一 敬上
|
■作者簡介
張紹勳
學歷：國立政治大學資訊管理博士
現任：國立彰化師大專任教授
經歷：致理技術專任副教授
■研究助理
張任坊
國立海洋大學商船系
張博一
國立中央大學通訊工程所
|
Chapter 01 STaTa是地表最強統計，適合各產官學研
1-1 統計分析
1-1-1 認識統計
1-1-2 統計與「實驗法、觀察法」之對應關係
1-2 STaTa世上最強大的統計功能
1-2-1 單層次：連續vs.類別依變數迴歸之種類
1-2-2 STaTa 多層次混合模型的迴歸種類
1-2-3 STaTa panel-data迴歸的種類
1-2-4 STaTa流行病(epidemiologists)之選擇表對應的指令
1-2-5 STaTa存活分析的選擇表之對應指令
1-2-6 STaTa縱貫面—時間序列之選擇表
1-2-7 STaTa有限混合模型(FMM)：EM algorithm選擇表
1-3 STaTa安裝設定
1-4 資料輸入的方法：問卷、Excel
1-5 SPSS資料檔(*.sav)轉成STaTa格式
1-6 SAS格式轉成STaTa
1-7 R格式轉成STaTa
1-8 外掛的命令檔ado：STaTa外掛的Package
1-9 認識「多層次模型」
1-10 類聚(clustered)／巢狀資料分析，STaTa迴歸有16種估計法
1-11 大數據(big data)與STaTa資料檔之間的格式可互通
Chapter 02 多層次分析法：HLM
2-1 多層次模型(階層線性模型HLM)的興起
2-1-1 多層次模型(階層線性模型HLM)的興起
2-1-2 單層次：多元迴歸分析(OLS)之重點整理
2-2 什麼是多層次分析法？
2-2-1 階層線性模型(HLM)之由來
2-2-2 多層次模型之重要性
2-2-3 傳統單層次OLS分析巢狀(nested)資料，會出什麼問題？
2-2-4 脈絡變數(contextual variables) vs. 總體變數
2-3 多層次分析之模型界定
2-3-1 多層次模型之示意圖
2-3-2 多層次模型之假定(assumption)
2-3-3 隨機截距vs.隨機斜率之四種關係
2-3-4a 隨機係數模型之三種設定(random coefficient modeling)
2-3-4b 雙因子隨機係數之三種設定解說144
2-3-5 多層次資料結構：平減(centering)即離差分數(deviated scores)
2-4 模型設定／建構的步驟
2-4-1 模型設定的步驟
2-4-2 如何提升多層次分析法的嚴謹性
2-5 變數中心化(centering)、交互作用項(Z×A)具多元共線性疑慮
2-5-1 為何總平減(grand-mean centering)可克服多元共線性之問題
2-5-2 交互作用項(Z*A)會導至多元共線性之嚴重問題：心臟科
2-5-3 變數中心化(centering variables)／平減
2-5-4 中心化(centering)／平減的時機
2-5-5 中心化(centering)的類別
2-6 線性混合模型：多層次分析入門(mixed, xtmixed指令)
2-6-1 線性混合模型(linear mixed model)之方程式
2-6-2 範例1：典型之隨機係數模型(slopes and intercepts as outcomes)
2-6-3 範例2：考量各小群組之誤差結構(slopes and intercepts as outcomes with variance-covariance structure of the random effects)
2-7 如何將多層模型轉成混合模型(ml2mixed外掛指令)
2-8 因果關係的第三者：調節／干擾變數(moderator)、中介變數
2-8-1 組織研究的中介檢定之緣起
2-8-2 中介變數(直接效果、間接效果)≠調節變數(交互作用效果)
2-8-2a 中介變數(mediator variable)
2-8-2b 中介變數(mediator variable)存在與否的四種檢定法
2-8-3 調節變數(moderator variable)，又稱干擾變數
2-8-4 調節式中介效果(moderated mediation effect)
2-8-5 多層次中介效果：STaTa實作(ml_mediation、xtmixed指令)
2-8-5a 多層次中介效果：STaTa方法一(ml_mediation指令)
2-8-5b 雙層次中介效果：STaTa方法二(xtmixed、mixed指令)
2-8-6 Sobel-Goodman中介檢定法(先sgmediation再ml_mediation指令)
Chapter 03 單層vs.雙層次模型：無交互作用項就無須中心化
3-1 多層次模型之重點補充
3-1-1 分層隨機抽樣
3-1-2 Panel-data迴歸模型之重點整理
3-2 單層vs.雙層：重複測量的混合效果模型(mixed effect model for repeated measure)
3-2-1 ANOVA及無母數統計之分析流程圖
3-2-2 重複測量ANOVA之F檢定公式
3-2-3 單層次：二因子混合設計ANOVA (anova、contrast、margin、marginsplot指令)
3-2-4 重複測量ANOVA之主要效果／單純主要效果檢定(雙層xtmixed或mixed vs.單層anova指令)
3-2-5 雙層次：二因子混合設計ANOVA (mixed或xtmixed指令)
3-3 敵對模型們那一個較優呢？用IC資訊準則(mixed, xtmixed指令)
3-3-1 偵測兩個敵對模型，適配指標有7種
3-3-2 排列組合一：3種敵對模型(mixed, xtmixed指令)
3-3-3 排列組合二：10種敵對模型(mixed, xtmixed指令)
3-3-4 排列組合三：明星學校真的比較好嗎：4種敵對模型
3-3-5 排列組合四：無vs.有交互作用項，那個模型好呢？(mixed, xtmixed指令)
Chapter 04 多層次模型之方程式解說：有(Z×X)交互作用項就須中心化
4-1 多層次模型之方程式解說：影響住宅房價之個體層及群組層
4-1-1 Step 1設定(模型1)：零模型(null model)
4-1-2 Step 2設定(模型2)：平均數為結果的迴歸模型(means-as-outcomes regression)
4-1-3 Step 3設定(模型3)：Level-1具固定效果之隨機截距模型
4-1-4 Step 4設定(模型4):隨機係數(random coefficients)迴歸模型
4-1-5 Step 5設定(模型5):截距與斜率為結果的迴歸(交互作用)
Chapter 05 多層次模型之STaTa實作及解說(新版mixed, 舊版xtmixed指令)
5-1 六步驟來挑選最佳多層次模型(即HLM)？用IC準則來判斷
5-1-0 樣本資料檔
5-1-1 Step 1：零模型(intercept-only-model, unconditional model)
5-1-2 Step 2：Level-1單因子之隨機截距模型(無隨機斜率u1j)
5-1-3 Step 3：Level-1單因子之隨機截距且隨機斜率模型(slopes and intercepts as outcomes)
5-1-4 Step 4：Level-1雙因子之隨機斜率模型(slopes and intercepts as outcomes)
5-1-5 Step 5：Level-2單因子及Level-1 雙因子之隨機模型(無交互作用)
5-1-6 Step 6：Level-2單因子及Level-1 雙因子之隨機模型(有交互作用)
5-2 多層次模型之STaTa練習題(新版mixed指令，舊版xtmixed指令)
Chapter 06 單層次vs.多層次：離散型依變數之Poisson迴歸
6-1 單層次Count依變數：Zero-inflated Poisson迴歸 vs. negative binomial迴歸
6-1-1 Poisson分配
6-1-2 負二項分配(negative binomial distribution)
6-1-3 零膨漲(Zero-inflated) Poisson分配
6-2 單層次：Zero-inflated Poisson迴歸vs.負二項迴歸(zip、zinb指令)
6-3 三層次：Poisson迴歸(mepoisson 或xtmepoisson指令)
6-3-1 多層次Poisson模型
6-3-2 三層次：Poisson迴歸(mepoisson或xtmepoisson指令)
6-4 練習題：雙層隨機截距模型之Poisson迴歸(mepoisson指令)
Chapter 07 單層次vs.雙層次：二元依變數之Logistic迴歸
7-1 Logistic迴歸之原理
7-1-1 勝算比(OR)
7-1-1a 勝算比(odds ratio)之意義
7-1-1b odds ratio之STaTa實作
7-2 單層次：Logistic迴歸(logit指令)
7-2-1 Logit模型之解說
7-2-2 單層次：二元依變數之模型：Logistic迴歸之實例
7-3 範例：三層次:Logistic迴歸(melogit或xtmelogit指令)
7-4 練習題：雙層次Logistic迴歸(melogit指令)
Chapter 08 範例：雙層次vs.三層次：線性多層次模型
8-1 雙層次混合(multilevel mixed)模型
8-1-1 雙層次：mixed或multilevel或hierarchical model (xtmixed指令)
8-1-2 雙層次：多層次成長模型(xtmixed指令)
8-1-3 雙層次：多層隨機截距/隨機斜率模型(xtmixed指令)
8-1-4 雙層次：異質性誤差之隨機截距或混合效果模型(xtmixed指令)
8-1-5 雙層次：雙層次混合Logistic迴歸(xtmelogit指令)
8-1-6 雙層次：潛在成長曲線(xtmixed+ nlcom指令)
8-2 三層次混合(multilevel mixed)模型
8-2-1 三層次脈絡模型：線性混合迴歸(xtmixed指令)
8-2-2 三層次：隨機截距/隨機斜率模型(xtmixed指令)
Chapter 09 單層vs.雙層：Cox存活分析：臨床最重要統計法
9-1 存活分析(survival analysis)介紹
9-1-1 存活分析之定義
9-1-2 為何存活分析是臨床研究最重要的統計法？
9-1-3 存活分析之三種研究目標
9-1-4 存活分析之研究議題
9-1-5 設限資料(censored data)
9-1-6 存活時間T之機率函數
9-1-7 Cox存活分析vs. Logit模型/probit模型的差異
9-2 STaTa存活分析／繪圖表之對應指令、新增統計功能
9-3 存活分析範例：除草有助幼苗存活率嗎？
9-3-1 生命表(life table)
9-3-2 存活分析範例[依序(estat phtest、sts graph、ltable或sts list、stci、stmh、stcox指令)]
9-4 Cox比例危險模型(proportional hazards model)(stcox指令)
9-4-1 f(t)機率密度函數、S(t)存活函數、h(t)危險函數、H(t)累積危險函數
9-4-2 Cox比例危險模型之迴歸式解說
9-4-3 危險函數的估計(hazard function)
9-4-4 Cox比例危險模型之適配度檢定
9-5 單層次：具脆弱性Cox模型(Cox regression with shared frailty)
9-5-1 脆弱性之Cox模型：「stcox, shared(脆弱變數)」指令
9-6 帶偏態之依變數：參數存活分析(streg指令)
9-6-1 脆弱性(frailty)模型
9-6-2 加速失敗時間(accelerated failure time)模型
9-7 雙層次：panel-data參數存活模型[xtstreg, shared(panel變數)指令]
9-7-1 追蹤資料(panel-data)
9-7-2 追蹤資料(panel-data)存活分析[xtstreg, shared(panel變數)指令]
9-8 多層次：參數存活模型(mestreg、「sttocc clogit」指令)
9-8-1 multilevel存活模型
9-8-2 多層次參數存活模型(mestreg… ||分層變數)
9-9 巢狀型病例—對照研究法(nested case-control) (先sttocc再clogit指令)
9-10 練習題：三層次之對數常態存活模型(mestreg指令)
Chapter 10 非線性：多層次混合效果模型(menl指令)
10-1 非線性縱貫面資料：隨機截距之多層次模型—獨角獸
10-2 非線性範例：誤差無共變結構之雙層模型—橘子樹
10-3 非線性多層次模型：群組內之誤差相關結構—ovary
10-4 非線性：三層次模型—血糖(blood glucose)
10-5 殘差有共變數結構：藥代動力學建模—Pharmacokinetic(PK) model
Chapter 11 誤差變異2具異質性(xtgls指令為主流)
11-1 殘差之變異數
11-1-1 誤差變異 的觀念
11-1-2 誤差變異 的偵測法
11-2 單層次：偵測誤差之異質性(heteroskedasticity)
11-2-1 橫斷面OLS迴歸：殘差異質性診斷(hettest指令)
11-2-2 殘差異質的改善：OLS改成robust迴歸
11-2-3 橫斷面之誤差異質性：需ln()變數變換(先reg再whitetst指令)
11-2-4 縱貫面之誤差異質性(先reg再bpagan指令)
11-3 多層次：具異質性誤差之隨機截距／混合模型(xtmixed、mixed指令)
11-3-1 範例1：求各組之誤差異質(heteroskedastic errors by group)
11-3-2 範例2：縱貫面之成長曲線模型(重複測量5次)
11-3-3 範例3：誤差變異數2error具異質性
參考文獻
|
投影片((外加))
若要索取未隨書附送(外加)且未於此提供下載的教學資源，請詳洽業務人員(02-27055066#824)(僅提供教師使用)
|
|
|
2-1多層次模型(階層線性模型HLM)的興起
多層次模型(multilevel models,MLM)，又稱：階層線線模型(hierarchical linear models, HLM)、巢狀資模型(nested data models)、混合模型(mixed models), 隨機數(random coefficient)、隨機效果模型(random-effects models)、隨機參數模型(random parameter models)或split-plot designs。
定義：混合效果
混合效果＝固定效果＋隨機效果
固定效果(fixed effect)是所有組中效果都相同(which are the same in all groups).
隨機效果(random effect)是各組之間的隨機呈現效果(都不同同)(which vary across groups).
在混合模型(mixed models)中，每個levels都很明確存在隨機和系統(固定)效果。
2-1-1多層次模型(階層線性模型HLM)的興起
多層次模型(multilevel model)，又稱階層線性模型(Hierarchical Linear Modeling, HLM)。HLM在生物統計領域習慣稱作線性混合模型(Linear Mixed Model, LMM)，在應用統計領域則常稱為多層次模型或多層次迴歸(Multilevel Model / Multilevel Regression)，但不管如何稱呼它，其背後的原理大致是差不多的。
多層次模型常存在的疑問有二類：(1)資料為「階層性」的性質。(2)資料「重複測量」的研究設計。在生物醫學/教育等社會/自然科學領域中，抽樣(smapling)設計常常存在「階層性」，例如分層隨機抽樣法，它就使用階層(Hierarchical)抽樣/集群抽樣(cluster sampling)。分層隨機抽樣法可能以學校為抽樣的單位，檢視城鄉差距對學生學業成就的影響，此時學生是巢狀或巢狀(nested)在學校之下；或是組織或5M的行為研究也常常以不同公司的員工填答問卷資料，此時員工也是巢狀在公司之下。而這以傳統的統計方法(例如複迴歸或ANOVA)處理這種階層性資料會存在一些問題，傳統的迴歸最重要的一個假定(assumption)就是誤差ε「獨立性」，亦即每個受訪者的依變數(結果變數/依變數)是互相獨立的，但是同一間學校的學生的特質理論上應該會比較相似，而來自同一公司的一群員工也應該具有比較相似的特質，此時若使用傳統迴歸(STaTa指令包括reg、heckpoisson、hetregress、intreg、ivpoisson、ivtobit、npregress、qreg、sureg、tobit、tpoisson、truncreg、zip)，由於未能考量「群組層次�陪蚥曌h次」的調節(干擾，moderator)，導致線性迴歸式可能產生錯誤的推論效果，簡單來說即傳統的迴歸無法處理「互依性」的資料。此時使用HLM則可以考慮每一個總體層次單位(跨國、學校、公司、鄰居)之下的個體層次單位(學生、員工、住戶)互為相依的事實。
單層次(非多層次)之迴歸的STaTa指令如下：
areg：更容易的方法來適應具有許多虛擬變數的回歸。
arch：帶ARCH誤差之迴歸模型。
arima：ARIMA模型。
boxcox：Box-Cox迴歸模型。
cnsreg：受限線性迴歸constrained linear regression。
eivreg：變數含誤差之迴歸errors-in-variables regression。
frontier：stochastic frontier模型。
gmm：廣義動差估計法generalized method of moments estimation
heckman：Heckman選擇模型。
intreg：區間迴歸interval regression。
ivregress：單一方式之工具變數迴歸single-equation instrumental-variables regression。
ivtobit：帶內生變數之設限迴歸tobit regression with endogenous variables。
newey：帶Newey-West標準誤之迴歸regression with Newey-West standard errors
nl：非線性最小平方估計法nonlinear least-squares estimation。
nlsur：方程式的非線系統estimation of nonlinear systems of equations。
qreg：成分迴歸quantile(including median) regression。
reg3：三階最小平方法之迴歸three-stage least-squares(3SLS) regression。
rreg：帶強健誤差之迴歸a type of robust regression。
sem： 結構方程模型structural equation models。
sureg：似不相關迴歸seemingly unrelated regression。
tobit：設限迴歸tobit regression。(財金、生醫界常用它)
treatreg：處理效果模模型treatment-effects model。
truncreg：截尾迴歸truncated regression。
xtabond：Arellano-Bond線性動態panel-data法(linear dynamic panel-data estimation)。
xtdpd：線性動態panel-data法(linear dynamic panel-data estimation)。
xtfrontier：panel-data stochastic frontier模型。
xtgls：panel-data GLS模型。
xthtaylor：誤差成分之Hausman-Taylor法人estimator for error-components models) 。
xtintreg：panel-data interval迴歸模型。
xtivreg：panel-data instrumental-variables(2SLS) 迴歸。
xtpcse：帶panel修正標準誤之線性迴歸(linear regression with panel-corrected standard errors)。
xtreg：固定效果/隨機效果線性模型fixed- and random-effects linear models
xtregar：帶AR(1)干擾之固定效果/隨機效果線性模型(fixed- and random-effects linear models with an AR(1) disturbance)。
xttobit：panel-data設限模型(tobit models)。財金、生醫界常用它。
此外，MLM仍可估計總體層次多解釋變數對於個體層次解釋變數的影響，例如，組織領導研究，如果有一家公司的組織領導非常良好，可能會正向增強員工的工作績效，但我們是如何測量一家公司的組織領導呢？通常我們會以這家公司所有員工的組織領導作總平減(group-mean centering)當成公司組織領導效能，因此，影響員工的工作績效的因子，除了員工個人的工作滿足(個體影響)，也有可能是這家公司的平均組織領導效能(總體影響)。
|
|
|
|
