分层回归（层次回归 / Hierarchical Regression）
方法简介：分层回归是一种按理论顺序逐批投入变量的多元回归策略。先将控制变量放入第一层建立基准模型，再把核心自变量加入第二层，通过比较两层的 R² 变化量（ΔR²）及其 F 显著性，判断新增变量在"排除控制变量影响之后"是否仍对因变量有额外的解释力。这正是分层回归区别于普通多元回归的核心价值：不是问"哪些变量显著"，而是问"新增变量到底贡献了多少"。
什么时候用分层回归
- 控制变量设计：研究核心自变量（如工作动机）对因变量（如绩效）的影响，同时需要排除人口统计变量（年龄、职级、工龄）的干扰。
- 增量验证：已有理论 A 解释了部分方差，需要验证新理论 B 是否在 A 的基础上还有独立贡献。
- 理论层次结构：研究框架本身存在"优先级顺序"，例如行为科学中先控制个体特征，再检验情境因素。
- 调节/中介前置步骤：调节分析和中介分析都基于分层回归思路，但目的不同——分层回归本身只聚焦控制变量与核心变量的增量贡献；若需要检验交互项，请使用调节分析。
数据要求
| 要素 | 要求 |
|---|
| 因变量 | 连续型数值变量（如量表总分、销售额、绩效评分） |
| 自变量（各层） | 数值型或分类变量均可；系统自动处理虚拟编码 |
| 样本量 | 建议每个预测变量对应 ≥10 个样本；两层各含 3 个变量则需约 60+ 条有效数据 |
| 分层数 | 支持 2–6 层；分层顺序由研究设计决定，而非统计决定 |
| 前提假设 | 残差正态性、同方差性（与普通线性回归相同）；VIF 纳入共线性诊断 |
分层回归怎么做：分块进入逻辑
分层回归的关键是"先进什么、后进什么"由研究设计决定，不由统计程序自动选择。典型的两层设计如下：
第 1 层
控制变量（年龄、性别、工龄、教育程度……） → 建立基准模型，得到 R²1
↓ 加入第 2 层变量
第 2 层
核心自变量（工作动机、组织承诺……） → 得到 R²2
↓ 计算增量
ΔR²
= R²2 − R²1，即核心变量在排除控制变量后的纯增量解释力
三层示例（含调节变量前置步骤）：
- 第 1 层：控制变量
- 第 2 层：主效应（自变量 + 调节变量）
- 第 3 层：交互项（如需检验调节效应，请直接使用调节分析工具，它内置了这个完整流程）
分层顺序体现因果或控制逻辑，不是统计筛选。普通回归让程序决定哪些变量进入；分层回归由研究者按理论决定进入顺序——这是两者本质差异。
用 chatspss 做分层回归（一句话）
上传数据文件后，直接在对话框输入：
"对工作绩效做分层回归，第一层放年龄、性别、工龄作为控制变量，第二层放工作动机、组织承诺作为核心自变量"
"分析购买意愿的分层回归：第一层是人口统计变量（年龄、收入），第二层是产品态度和品牌信任"
chatspss 自动识别分层结构，调用 hierarchical_regression 工具，逐层计算并生成符合学术三线表规范的分析结果，支持最多 6 层。
输出结果怎么读：重点看 ΔR² 和 F 变化
分层回归的核心输出不是单个系数，而是模型逐层对比表。每一层对应一列统计量：
| 统计量 |
含义 |
判断标准 |
| R² |
当前层模型对因变量的总解释比例（0–1，越大越好） |
两层均查看，重点比较增幅 |
| 调整 R² |
修正样本量和变量数后的 R²，更适合跨模型比较 |
应随层数增加而增大，否则新增层无贡献 |
| ΔR² |
本层相比上一层 R² 增加了多少 → 新增变量的纯增量解释力 |
最核心指标；结合 F 变化 p 值判断是否显著 |
| F 变化 / ΔF |
检验 ΔR² 是否在统计上显著不为零的 F 统计量 |
p < 0.05 → 新增变量贡献显著；p ≥ 0.05 → 贡献不显著 |
| B（回归系数） |
各变量对因变量的原始单位效应量 |
每层各变量均有；关注第二层 B 和 p |
| β（标准化系数） |
消除量纲后的标准化效应，可直接比较不同变量相对重要性 |
|β| 越大，相对影响越强 |
| VIF |
方差膨胀因子，诊断多重共线性 |
VIF > 10 表示严重共线性，需处理；可参考共线性诊断 |
典型结果解读示例
假设研究员工满意度，结果如下：
- 第 1 层（控制变量：年龄、工龄）：R² = 0.08，调整 R² = 0.07
- 第 2 层（核心变量：薪酬满意度、上司支持）：R² = 0.31，调整 R² = 0.29，ΔR² = 0.23，ΔF p < 0.001
- 结论：薪酬满意度和上司支持在排除年龄、工龄影响后，仍显著额外解释了 23% 的员工满意度方差，核心假设成立。
论文报告句式参考：
"以员工满意度为因变量进行分层回归分析。第一层纳入年龄和工龄作为控制变量（R² = 0.08，F = 3.21，p = 0.04）；第二层加入薪酬满意度和上司支持（R² = 0.31，ΔR² = 0.23，ΔF = 18.47，p < 0.001）。结果表明，在控制人口统计变量后，核心自变量对员工满意度的增量解释显著。"
常见问题（FAQ）
Q：分层回归和普通多元回归（regression.html）有什么区别？
普通多元回归一次性投入所有变量，关注"哪些变量显著"；分层回归按理论顺序分批投入，关注"新批次变量在已有变量之外还有多少额外解释力"（即 ΔR²）。如果你不需要比较不同变量批次的增量贡献，普通多元回归更简洁。
Q：ΔR² 不显著说明什么？怎么处理？
ΔR² 对应的 F 变化 p ≥ 0.05，说明第二层新加入的变量没有在统计上显著提升模型解释力。可能原因：① 核心变量与控制变量高度相关（信息重叠）；② 理论假设在本样本中不成立；③ 样本量不足，统计功效偏低。处理方向：检查 VIF（排除共线性）、扩大样本量，或重新审视理论框架。
Q：变量应该分几层？分层依据是什么？
分层数由研究设计和理论决定，不由统计程序决定。最常见是两层：控制变量（第 1 层）+ 核心变量（第 2 层）。如还需检验调节效应，加第 3 层交互项，但此时建议直接使用 chatspss 的调节分析工具（它内置了完整的三层分层回归流程 + 简单斜率分析）。chatspss 的分层回归最多支持 6 层，每层可包含多个变量。
Q：分层回归和调节分析（moderation）是什么关系？
调节分析是分层回归的一种特殊用法：它在分层回归的基础上，在最后一层加入"自变量 × 调节变量"的交互项，并通过简单斜率分析进一步解释交互效应。分层回归本身更通用，聚焦"控制 + 增量验证"；调节分析则聚焦"交互项是否显著"。两者有理论重叠但目的不同，请按研究问题选择。
注意事项
- 层间顺序体现因果逻辑，不能颠倒：控制变量必须先入，否则 ΔR² 含义失真。
- R² 只增不减：每多加一层变量，R² 必然增加或不变，因此要重点看调整 R² 和 ΔR² 的 F 显著性，而不是 R² 的绝对值。
- 共线性检查不可忽略：控制变量与核心变量若高度相关，ΔR² 可能虚低。建议每层均查看 VIF，详见共线性诊断页。
- 分层回归 ≠ 逐步回归：逐步回归由统计程序自动筛选变量；分层回归由研究者按理论指定进入顺序，两者目的和使用场景完全不同。
- 样本量要求：变量越多，所需样本量越大。变量数较多时，ΔR² 的 F 检验功效可能不足，建议先做功效分析。
相关方法
立即使用 chatspss 进行分层回归