多层次自回归模型

多层次自回归模型

多层次自回归模型是用来衡量两个或多个不同个体P所包含的多个随时间变化的变量

x之间的交互影响的模型。例如，在推特中

.i p

包括社会网络和内容网络，每个网络有自身的特性，如度中心性、聚类系数、中介中心性等，通过这个模型，可以测量社会网络的度中心性对内容网络的度中心性、聚类系数、中介中心性的影响。

对于时间序列数据，可以用自回归模型进行模拟。自回归模型是一个可以追溯到P时间单位的回归模型，并可以进行预测。这种模式被定义为AR（p），其中所述参数p确定模型的阶。

AR（自回归）模型为：

自回归模型的目的是将作为先前的观察值的加权和作为估算的观察值。该模型计算出的统计-显著系数可以确定随时间变化的变量之间的影响。

因为多层次回归模型只考虑t-1时刻的自变量对t时刻的因变量的影响，所以AR（1）（一阶）自回归模型为

然而，在回归分析中，变量往往源于不同的等级。所谓多层回归模型是一种以适当的方式来模拟这种多层次数据的模型。因此，测量时间是被嵌套个体下的基本单元，是一个群集单元。

该模型适用于以下层次嵌套结构：在不同时间点，不同属性被重

复测量，但所有这些测量值属于不同的个体。如果采用一个简单的自回归模型来处理这样的数据，将忽略个体之间的差异，只计算出所谓的固定效应，因为不能假设所有的特殊群集的影响都作为协变量包含在分析中。

多层次回归模型的优点是在固定效应中加入了随机影响，还考虑了个体差异的影响。在研究中，反复测量在不同天不同个体的不同属性，这样的数据具有层次嵌套结构。

多层次自回归模型可以定义如下：

(t)(t 1)(t)(t 1)(t),,,()()T T i p i i p i i p p i p x a b X c X εε--=++++

（3） 在这个等式中，(t)(t)(t),,(x ,,x )T p i p m p x = 代表一个向量，

包含了在时间t 个体p 的变量。进一步的，1(,,)T i i im a a a = 代表固定效应系数，1(,,)T i i im b b b = 代表随机效应系数。假设(t)i ε和(t),i p ε分别为固定效应和随机效应的高斯

噪声。它具有零均值和方差2εσ。为了比较相互之间的固定效应，在随

机效应回归方程中的变量需要被线性变换来表示标准值。