3. 层级数据结构：定义、组内相关与多层级线性模型

在层级预测与因果特征提取的工程落地中，数据往往不是独立同分布的。学生嵌套在班级中，患者嵌套在医院中，时间点嵌套在个体中。这种嵌套结构违反了传统回归模型的独立性假设，必须通过层级数据结构的视角来建模。本节将系统定义层级数据、量化组内相关性，并引入多层级线性模型作为核心分析工具。

3.1 层级数据的定义与结构特征

层级数据（Hierarchical Data），又称嵌套数据或多水平数据，是指数据点天然归属于更高层级的单元。在预测任务中，忽略这种结构会导致标准误低估、特征重要性误判和过拟合风险增加。

层级数据的核心特征包括：

• 嵌套性：每个 Level-2 单元包含多个 Level-1 观测，且 Level-1 观测不能跨 Level-2 单元交换。
• 组内同质性：同一组内的观测比不同组间的观测更相似。
• 组间异质性：不同组之间的截距或斜率存在系统性差异。
• 非平衡设计：实际工程中，各组内的样本数往往不相等。

3.2 组内相关系数（ICC）

组内相关系数（Intraclass Correlation Coefficient, ICC）是量化层级数据中组内相似度的核心指标。它衡量总变异中由组间差异解释的比例，是判断是否需要使用层级模型的关键诊断统计量。

ICC 的数学定义：

ICC = τ² / (τ² + σ²)

其中：
τ² = 组间方差（Level-2 方差）
σ² = 组内方差（Level-1 方差）

ICC 的工程解读：

ICC 的工程计算步骤：

1. 拟合空模型（仅含随机截距，无预测变量）。
2. 提取组间方差 τ² 和组内方差 σ²。
3. 代入公式计算 ICC。
4. 若 ICC > 0.05，则层级结构不可忽略。

3.3 多层级线性模型简介

多层级线性模型（Multilevel Linear Model, MLM），又称混合效应模型或随机效应模型，是处理层级数据的标准统计框架。它通过同时估计固定效应（总体平均效应）和随机效应（组间变异）来正确分解方差。

模型基本形式（以两层为例）：

Level-1（个体层）：
  Yᵢⱼ = β₀ⱼ + β₁ⱼ Xᵢⱼ + εᵢⱼ

Level-2（组层）：
  β₀ⱼ = γ₀₀ + γ₀₁ Wⱼ + u₀ⱼ
  β₁ⱼ = γ₁₀ + γ₁₁ Wⱼ + u₁ⱼ

其中：
  Yᵢⱼ：第 j 组第 i 个个体的结果
  Xᵢⱼ：个体层预测变量
  Wⱼ：组层预测变量
  u₀ⱼ, u₁ⱼ：随机效应，服从 N(0, Σ)
  εᵢⱼ：个体层残差，服从 N(0, σ²)

多层级模型的三种常见变体：

3.4 层级模型在因果特征提取中的角色

在层级预测与因果推断的工程落地中，多层级线性模型不仅是统计推断工具，更是特征工程的关键组件：

• 组中心化特征：将个体层特征分解为组均值（组间成分）和个体偏差（组内成分），分别捕获组级因果效应和个体级因果效应。
• 随机效应作为特征：将估计出的随机截距或随机斜率作为新特征输入到下游预测模型中，携带组级异质性信息。
• 方差分解指导特征选择：通过 ICC 和随机效应方差，判断哪些特征在组间变异中贡献大，优先保留作为因果特征。