多層次模型
社會與行為科學所處理的資料，多半具有巢狀（nested）結構：學生巢狀於班級、班級巢狀於學校；病人巢狀於醫院；員工巢狀於團隊；重複測量巢狀於個人。此種結構並非資料蒐集的偶然瑕疵，而是研究對象本身的組織方式。忽略它，不僅損失了層次之間的實質訊息，更會違反標準統計方法賴以成立的獨立性假定，導致推論失真。多層次模型（multilevel model），又稱階層線性模型（hierarchical linear model, HLM）或混合效果模型（mixed-effects model），即為明確地把此巢狀依賴納入模型而發展的統計框架。此框架的奠立與普及，見 Raudenbush & Bryk (1986) 的學校效果研究，以及 Raudenbush & Bryk (2002) 與 Hox et al. (2018) 等經典專著。
本章對多層次模型作一完整而深入的處理。前半部建立其核心邏輯：自巢狀依賴的後果與組內相關談起，逐步展開隨機截距、隨機斜率、脈絡效果與中心化，並詳論估計（ML 與 REML）、變異數成分的邊界推論、以及變異解釋。後半部則系統呈現其延伸：三層與交叉分類結構、廣義線性混合模型、縱貫資料的多層次取向、多層次結構方程模型、貝氏多層次模型，以及固定效果與隨機效果在因果推論上的分野。全章的主軸是一個貫穿始終的洞見：層次結構所生的依賴，既是必須處理的統計障礙，也是承載實質理論的訊息來源。
巢狀資料與依賴：為何忽略分層會出錯
標準迴歸（第十一章）的核心假定之一，是觀測值彼此獨立、殘差不相關。然而在巢狀資料中，同一群集內的個體因共享環境、經歷與相互影響，其反應必然相關：同一班級的學生受同一位教師、同一套教材、同一種班級氛圍的影響，他們的成就分數不可能彼此獨立。此種群集內相關，使得每一觀測所攜帶的獨立訊息量，少於獨立抽樣時的一筆觀測。
忽略此依賴的後果具體而嚴重。若對巢狀資料逕行 OLS 迴歸，其標準誤估計將系統性地偏低，t 值與顯著性因而虛假地膨脹，第一類型錯誤率遠超名目水準。問題的另一面向是跨層次的推論謬誤：以總體層次的相關去推論個體層次的關係，是生態謬誤（ecological fallacy），Robinson (1950) 的經典分析即揭示總體相關可能與個體相關方向相反、大小懸殊；反向地，以個體層次關係推論總體，則為原子謬誤（atomistic fallacy）。多層次模型的價值，正在於同時而分別地估計各層次的關係，使兩類謬誤皆可避免。
組內相關與設計效應
量化群集內依賴的核心指標，是組內相關（intraclass correlation, ICC）。其形式定義最清楚地體現於最簡單的多層次模型，即不含任何預測變項的空模型（unconditional model）。
空模型將每一觀測分解為總平均、群集效果與個體殘差：
其中 i 標記群集 j 內的個體，u_{0j} 與 e_{ij} 相互獨立。由此，單一觀測的總變異被拆為群集間與群集內兩部分：
同一群集內兩個體的共變，來自其共享的群集效果 u_{0j}：
組內相關即群集間變異佔總變異的比例，亦等於同群兩觀測的相關：
其對推論的衝擊由設計效應（design effect）刻畫。當群集大小為 m 時，
有效樣本數為 N_{\text{eff}} = N/\mathrm{Deff}。即使 \rho 不大，只要群集夠大，\mathrm{Deff} 仍可觀，正確標準誤因而遠大於 OLS 所給者。此式亦連結第九章的抽樣與檢定力：巢狀設計的實質樣本資訊，被 \mathrm{Deff} 所折減。
ICC 有雙重意義。就統計而言，它衡量忽略分層所將造成的偏誤幅度；就實質而言，它回答「結果變異有多少歸因於群集層次」這一具實質重要性的問題，例如「學生成就的變異，有多少來自學校之間的差異」。一個接近零的 ICC 意味群集無關緊要，多層次模型退化為單層迴歸；一個可觀的 ICC 則意味群集層次承載了實質的變異，值得建模。
隨機截距模型
在空模型中加入預測變項，即得到最基本的實質多層次模型。多層次模型的標準寫法，是先分層設定各層次的方程，再合併為一式。
設 X_{ij} 為個體層次（第一層）預測變項。第一層方程將結果對 X 迴歸，容許各群集有各自的截距 \beta_{0j}：
第二層方程刻畫群集層次的截距如何變動。在隨機截距模型中，截距在總平均 \gamma_{00} 上下隨機浮動，斜率則暫設為跨群集固定：
代入合併，得單一混合模型：
固定部分（fixed part）\gamma_{00}+\gamma_{10}X_{ij} 描述母體平均的迴歸線；隨機部分（random part）u_{0j}+e_{ij} 則含兩個變異來源：群集間的 \tau_{00} 與群集內的 \sigma^2。\gamma 稱固定效果（fixed effects），u_{0j} 與 \tau_{00} 稱隨機效果（random effects）與變異數成分（variance component）。
隨機截距模型的幾何意象，是一族平行的迴歸線：各群集的迴歸線斜率相同（\gamma_{10}），但截距高低不一（因 u_{0j} 而上下平移）。此設定隱含一個實質假設，即 X 對 Y 的效果在所有群集中一致。當此假設不合理時，即須引入隨機斜率。
隨機斜率與隨機效果的共變結構
若 X 對 Y 的效果本身因群集而異，例如某教學法在某些班級特別有效、在另一些班級效果平平，則斜率也應容許隨機變動。此時第二層方程對截距與斜率同時設定隨機效果：
其中兩個隨機效果服從聯合常態，並具有一個完整的共變結構：
其中 \tau_{11} 為斜率的群集間變異（效果的異質程度），\tau_{01} 為截距與斜率的共變（例如起點高的群集是否效果也較大）。合併模型為
隨機斜率模型有一個常被忽略卻極重要的性質：其邊際變異不再固定，而是預測變項的函數。由合併式可導出
即結果變異隨 X 呈二次變化。這意味隨機斜率模型內生地蘊含異質變異（heteroscedasticity），是它與固定斜率模型在統計行為上的根本差異，亦提醒研究者：所謂「隨機斜率」不只是多估幾個參數，而是改變了模型對變異結構的整體設定。
脈絡效果、跨層次交互作用與中心化
多層次模型的一項獨特能力，是同時納入不同層次的預測變項並刻畫其交互作用。群集層次的預測變項 W_j（如學校規模、班級社經組成）可進入第二層方程，用以解釋截距或斜率的群集間變異。當 W_j 預測斜率時，
代入合併式即產生一個跨層次交互作用（cross-level interaction）項 \gamma_{11} W_j X_{ij}，其意義為：個體層次預測變項 X 對結果的效果，本身受群集層次脈絡 W 的調節。這使多層次模型得以形式化「情境如何形塑個體歷程」這類本質上跨層次的理論命題。
一個與此密切相關且極易誤用的議題是脈絡效果（contextual effect）：群集層次的聚合變項（如班級平均成就）在控制個體層次同一變項後，是否仍對結果有額外效果。要正確估計脈絡效果，中心化（centering）的選擇至關重要，且其後果遠非計算細節，而直接改變參數的實質意義。Enders & Tofighi (2007) 對此有權威的釐清，主要的中心化策略及其意涵見表 28.1。
| 策略 | 迴歸係數的意義 | 適用情境 |
|---|---|---|
| 不中心化 | 截距為 X=0 之期望；常無實質意義 | 少用 |
| 總平減（CGM） | 混合了組間與組內效果 | 控制變項、脈絡效果分析 |
| 組平減（CWC） | 純粹的組內（個體層次）效果 | 分離組內與組間效果 |
| 組平減＋組平均 | 組內效果與脈絡效果分別估計 | 檢驗脈絡效果 |
註. CGM 為 centering at grand mean（總平均中心化）；CWC 為 centering within cluster（組內中心化）。組平減將 X_{ij} 減去其所屬群集之平均 \bar{X}_{\cdot j}，總平減則減去全樣本總平均 \bar{X}_{\cdot\cdot}。
中心化之所以關鍵，在於未加分離的第一層斜率，往往是組內效果與組間效果的一個模糊加權平均，兩者在實質上可能截然不同，甚至方向相反（此即前述生態謬誤在迴歸中的體現）。將 X_{ij} 作組平減、並同時把群集平均 \bar{X}_{\cdot j} 納入第二層，即可將組內效果與組間（脈絡）效果乾淨地分離，此即計量經濟學中 Mundlak 取向的多層次對應。
然而，以觀測到的群集平均 \bar{X}_{\cdot j} 作為群集真值的估計，本身帶有抽樣誤差，尤其在群集偏小時。Lüdtke et al. (2008) 證明，此種外顯聚合（manifest aggregation）會使脈絡效果的估計產生系統性偏誤、並低估其標準誤；其提出的多層次潛在共變模型（multilevel latent covariate model）改以潛在的群集真均值取代觀測群均，是更可靠的取向，亦預示了本章稍後的多層次結構方程模型。
估計：最大概似、受限最大概似與計算
多層次模型的估計，建立在對隨機效果邊際化後的邊際概似之上。將群集 j 的所有觀測堆疊為向量，模型可寫為緊緻的矩陣形式，這也是理解其估計與各種延伸的統一起點。
以 \mathbf{Y}_j 為群集 j 的結果向量，\mathbf{X}_j、\mathbf{Z}_j 分別為固定與隨機效果的設計矩陣，則
將隨機效果 \mathbf{u}_j 積分消去，得邊際分布
固定效果的廣義最小平方（GLS）估計為
但 \mathbf{V}_j 含未知的變異數成分，故須以迭代（如 EM、Fisher 得分法，或 Goldstein (2011) 的疊代廣義最小平方法 IGLS）交替估計 \boldsymbol{\gamma} 與 (\mathbf{T},\sigma^2)。
最大概似（ML）同時估計固定效果與變異數成分，但其變異數成分估計向下偏誤，因為它未計入估計 \boldsymbol{\gamma} 所耗損的自由度。受限最大概似（restricted ML, REML）改為最大化與固定效果正交之誤差對比（error contrasts）的概似，從而校正此偏誤，其道理與樣本變異數採 n-1 而非 n 為分母完全平行。實務準則：比較僅在隨機部分不同的模型，宜用 REML；比較固定效果不同的巢狀模型（以概似比檢定），則須改用 ML，因 REML 的概似不可跨不同固定效果結構比較。
上述框架同時說明了多層次模型如何自然地處理缺失資料。當結果變項在部分時點或個體上缺失，只要缺失機制為隨機缺失（MAR，見第十三章），以完整資訊最大概似（FIML）估計邊際概似即可得到無偏估計，無須刪除整個群集，這是多層次模型相對於傳統重複量數變異數分析的一大優勢。
推論：變異數成分的邊界問題與自由度
多層次模型的推論，在固定效果與變異數成分上有不同的難處。固定效果的檢定可用 Wald 檢定或概似比檢定，其主要困難在於分母自由度的界定：在不平衡的巢狀資料中，適當的自由度並無單一顯然的定義，小樣本時尤須採用近似，如 Satterthwaite 法或偏誤更小的 Kenward & Roger (1997) 法，後者同時校正自由度與標準誤的小樣本偏誤。
變異數成分的檢定則涉及一個更根本的理論問題，且與第二十章的類別數決定遙相呼應。
考慮檢定是否需要隨機斜率，即 H_0:\tau_{11}=0。由於變異數必然非負（\tau_{11}\ge 0），此虛無假設恰落在參數空間的邊界上。Wilks 定理要求真參數位於參數空間內部，此條件在此不成立，故概似比統計量並不漸近服從 \chi^2_1。Stram & Lee (1994) 證明，其正確的漸近分配為兩個卡方分配的等權混合：
其中 \chi^2_0 為集中於零的點質量。若逕自對照 \chi^2_1，所得 p 值偏大、檢定過度保守，將傾向錯誤地捨棄本應保留的隨機效果。此與第二十章「K 對 K+1 類別的概似比因邊界值而失效」屬同一類非正則問題。
此邊界問題的實務意涵是：關於隨機效果是否需要的決策，不應僅依賴天真的概似比 p 值，而宜輔以資訊準則、對混合分配的正確校正、以及理論考量。過度精簡地刪除隨機斜率，會低估效果的群集間異質性並使固定效果的標準誤偏低；過度飽和地保留，則可能導致模型不收斂或變異數成分的邊界估計（如 \hat\tau_{11}=0 或相關達 \pm 1，即所謂的奇異適配 singular fit）。
在推論策略的層次上，尚須辨明一項常被忽略的取捨：完整的隨機效果建模並非唯一的合法選項。當研究旨趣僅在於固定效果的無偏推論，而非變異數分解或群集層次效果本身時，設計取向（design-based）的做法提供了另一條路徑，即以群集穩健標準誤（cluster-robust standard error）或廣義估計方程（generalized estimating equation, GEE）校正群集內依賴。此類做法對隨機部分的設定保持中立，因而對隨機效果結構的設定錯誤較具穩健性，代價則是放棄了對變異數成分與隨機效果的估計。McNeish et al. (2017) 系統比較了模型取向（HLM）與設計取向的適用時機，並指出當群集僅為須加以校正的干擾（nuisance）、而非實質研究對象時，設計取向往往較為簡潔而穩健；反之，當變異數成分、隨機斜率或跨層次效果本身即為理論關切時，多層次模型才是無可替代的選擇。取向的抉擇因而應由研究問題決定，而非預設地一律訴諸 HLM。
變異解釋與模型比較
多層次模型中「解釋了多少變異」的問題，較單層迴歸複雜，因變異分屬不同層次。常見做法是計算各層次的擬 R^2（pseudo-R^2）：以加入預測變項後、各層次變異數成分（\sigma^2 與 \tau_{00}）相對於空模型的縮減比例為指標。惟須注意，因層次間變異的重新分配，擬 R^2 偶可出現負值，其詮釋須審慎。
較新且應用漸廣的取向，是 Nakagawa & Schielzeth (2013) 提出的邊際與條件 R^2。邊際 R^2（marginal R^2）以固定效果所解釋的變異佔總變異（固定效果變異、隨機效果變異與殘差變異之和）的比例定義，回答「僅固定效果解釋了多少」；條件 R^2（conditional R^2）則把隨機效果變異一併計入分子，回答「固定與隨機效果合計解釋了多少」。此一分解不僅為擬 R^2 提供了統一而不會出現負值的定義，更可推廣至廣義線性混合模型：在非線性連結下，殘差變異改以連結尺度上的分布特定變異（如邏輯斯模型的 \pi^2/3）替代，從而在無自然殘差變異的計次或二元結果中亦可計算效果量。模型整體的比較，則回到第十二章的架構：巢狀模型以概似比檢定（留意上述邊界問題），非巢狀模型以 AIC、BIC 等資訊準則。Snijders & Bosker (2012) 對多層次變異解釋與模型建構策略有詳盡的處理。
三層與交叉分類結構
真實資料的巢狀結構常超過兩層，或不呈嚴格的樹狀巢狀。多層次框架可自然地推廣以容納這些結構，摘要於表 28.2。三層模型（three-level model）處理如「學生於班級於學校」的嚴格巢狀，各層皆可設隨機效果，變異因而拆分至三個層次。當單位並非嚴格巢狀，而是交叉歸屬於兩個以上的分類因子時（如學生同時巢狀於「就讀學校」與「居住社區」，而社區與學校不互相巢狀），則須用交叉分類隨機效果模型（cross-classified random effects model, CCREM）。更進一步，當一個低層單位同時隸屬多個高層單位（如學生在學期間轉學、隸屬多所學校），則為多重隸屬模型（multiple membership model），以權重刻畫各高層單位的貢獻。
| 結構 | 特徵 | 範例 |
|---|---|---|
| 兩層巢狀 | 低層單位嚴格巢狀於單一高層單位 | 學生於學校 |
| 三層巢狀 | 三層嚴格巢狀 | 學生於班級於學校 |
| 交叉分類 | 單位交叉歸屬於多個非巢狀因子 | 學生 \times 學校 \times 社區 |
| 多重隸屬 | 低層單位同時隸屬多個高層單位 | 轉學生隸屬多校 |
註. 交叉分類與多重隸屬結構的估計較巢狀結構複雜，貝氏 MCMC（見本章後段與第三十三章）在此類模型上常較最大概似更具彈性。
廣義線性混合模型
前述模型皆假定結果為連續且條件常態。當結果為二元、次數或其他非常態型態時，須將多層次結構與第十一章的廣義線性模型結合，成為廣義線性混合模型（generalized linear mixed model, GLMM）。其做法是在線性預測子中納入隨機效果，再經連結函數對應至結果的期望。例如二元結果的隨機截距邏輯斯模型為
GLMM 帶來兩個特有的複雜性。其一是詮釋：因連結函數為非線性，固定效果具有單位特定（unit-specific，即條件於隨機效果）的意義，不等同於總體平均（population-average）的邊際效果，兩者在邏輯斯模型中會因隨機效果變異而系統地相差一個縮放。混淆此二者是應用 GLMM 常見的錯誤，亦正是前節設計取向 GEE（估計的是邊際效果）與模型取向 GLMM（估計的是條件效果）在詮釋上分歧的根源。其二是估計：隨機效果的積分在非線性連結下沒有封閉解，須以數值方法近似，如適應性高斯求積（adaptive Gaussian quadrature，精確但隨隨機效果維度指數增長）、Laplace 近似，或懲罰擬概似（penalized quasi-likelihood, PQL）。Breslow & Clayton (1993) 提出的 PQL 計算便利，但在二元結果且群集小時，變異數成分會有明顯向下偏誤，是須警覺的限制。一個具統整意義的觀察是：第十七章的兩參數 IRT 模型，可視為以受測者為隨機效果、試題為固定效果的 GLMM，這揭示了測量模型與多層次模型在數理上的深層一致。
縱貫資料的多層次取向
多層次框架最富成效的應用之一，是縱貫（longitudinal）資料。若將同一個人的重複測量視為巢狀於個人之內，則「時點於個人」構成一個兩層結構：第一層描述個人的時間軌跡，第二層描述軌跡參數（如起始水準與變化率）的個體間差異。Laird & Ware (1982) 的隨機效果模型正是此取向的奠基之作。以線性成長為例，第一層設 Y_{ti} = \pi_{0i} + \pi_{1i}\,\text{Time}_{ti} + e_{ti}，第二層則令截距 \pi_{0i} 與斜率 \pi_{1i} 隨個人隨機變動，其變異即刻畫個體軌跡的異質性。
此取向較傳統重複量數變異數分析（第十章）有數項實質優勢：容許不等間隔與個體特定的測量時點、容納隨時間變動的共變項（time-varying covariate）、在 MAR 下藉 FIML 處理流失（attrition）、並可對第一層殘差設定各種共變結構（如自迴歸）以刻畫時間相依。成長曲線建模作為多層次模型的重要特例，將於第二十九章專章深入，本節在此僅確立其與多層次框架的一體關係。
多層次結構方程模型
多層次模型與結構方程模型（第十五、十六章）各自處理一種複雜性：前者處理層次依賴，後者處理潛在變項與變項間的結構關係。多層次結構方程模型（multilevel SEM, MSEM）將兩者整合，容許在多個層次上同時設定測量模型與結構模型。其核心邏輯，是把觀測變項的總共變數矩陣分解為組內（within）與組間（between）兩個成分，並在各層分別設定因素或路徑結構 (Muthén, 1994)。
MSEM 解決了若干單靠多層次迴歸難以處理的問題。前述 Lüdtke et al. (2008) 的聚合偏誤，在 MSEM 中獲得自然的解法：群集層次的構念可設為潛在的組間因素，從而以模型內生地校正群均的測量與抽樣誤差，此即所謂的潛在聚合。隨機斜率亦可在 MSEM 中被視為潛在變項，與其他潛在構念建立結構關係。多層次中介分析即為一例：Preacher et al. (2010) 提出的一般化 MSEM 框架，將各種多層次中介設定統攝為特例，並釐清了中介效果在不同層次上分解的正確方式。MSEM 因而代表了本書兩條主線，即潛在變項建模與層次依賴建模的匯流。
貝氏多層次模型與部分聯營
多層次模型與貝氏推論（第三十三章）有著特別自然的親和性。事實上，多層次模型的隨機效果設定，本身即具貝氏的結構：第二層方程 \beta_{0j}=\gamma_{00}+u_{0j} 恰可視為對群集參數 \beta_{0j} 施加一個以 \gamma_{00} 為中心、以 \tau_{00} 為變異的先驗。由此觀之，多層次估計對群集效果所做的收縮（shrinkage），正是一種部分聯營（partial pooling）：各群集的估計被朝總體平均拉近，拉近的幅度取決於該群集的資訊量，樣本小、雜訊大的群集被拉得多，樣本大的群集被拉得少。此機制在「完全不聯營」（各群集獨立估計、過度擬合）與「完全聯營」（忽略群集、抹平差異）之間取得最適折衷，是多層次模型借力（borrowing strength）的統計精髓 (Gelman & Hill, 2007)。
明確的貝氏取向在若干情境下尤具價值。當群集數偏少時，變異數成分的最大概似估計不穩、且易落在邊界（\hat\tau=0），對變異數成分施加弱資訊先驗可穩定估計並避免退化解。當模型結構複雜（如交叉分類、多重隸屬、非線性 GLMM）時，MCMC（第三十三章）常較最大概似更具彈性。代價則是先驗選擇的敏感性與計算成本，關於變異數成分先驗的設定尤須審慎，此於第三十三章詳論。
樣本數、檢定力與模型診斷
多層次設計的樣本數規劃，其關鍵不在總樣本數，而在層次的分配：究竟需要多少群集、每群多少個體。一個穩健的經驗是，群集數（第二層單位數）對變異數成分與跨層次效果的估計品質，較每群人數更為關鍵；群集數偏少時，標準誤估計偏低、第一類型錯誤膨脹。Maas & Hox (2005) 的模擬顯示，固定效果在群集數不多時即可估得尚可，但變異數成分及其標準誤則需相當數量的群集方能無偏，若干情境下約需五十個以上群集。實際規劃宜以蒙地卡羅檢定力分析（連結第九章）針對具體模型與效果量進行，而非套用單一經驗法則。
模型診斷方面，多層次模型的假設包括各層隨機效果的常態性、變異數的同質性、以及隨機效果與預測變項的獨立性（違反此點正是下節固定與隨機效果之爭的核心）。實務上應檢查各層殘差、辨識具影響力的群集（單一異常群集可能主導變異數成分估計）、並評估模型設定錯誤（如遺漏隨機斜率）對固定效果標準誤的後果。缺失資料的處理則連結第十三章，須留意缺失可能同時發生於不同層次。
固定效果與隨機效果：因果推論的視角
多層次模型（在計量經濟學傳統中稱隨機效果模型）有一個常被忽略的強假設：隨機效果與模型中的預測變項不相關。若群集層次存在未測量的干擾因子，同時影響預測變項與結果（即群集層次的內生性），此假設即被違反，隨機效果估計將產生偏誤。計量經濟學傳統因而常偏好固定效果（fixed effects）取向：藉由對群集去平均（等價於納入群集虛擬變項），將一切不隨時間變動的群集層次干擾徹底吸收，代價是無法估計任何群集層次（不隨時間變動）預測變項的效果，且捨棄了組間訊息。
固定效果與隨機效果之爭，本質上是「無偏但低效」與「有效但需較強假設」之間的權衡。傳統上以 Hausman 檢定判別兩者是否分歧，但更具建設性的取向，是採用組內組間分離（within-between）或 Mundlak 設定：在隨機效果模型中同時納入去群均的預測變項與其群集平均，如此既能得到與固定效果一致的無偏組內估計，又能保留對組間效果的估計與隨機效果框架的彈性 (Bell & Jones, 2015)。McNeish & Kelley (2019) 對心理學脈絡下兩取向的異同與選擇提供了清晰的比較與建議。此一議題直接關聯第三十一章的因果推論：多層次模型能否支持因果詮釋，取決於群集層次干擾是否已被適當處理，而非模型形式本身。
小結
本章對多層次模型作了自基礎至前沿的完整鋪陳。核心邏輯上，多層次模型以隨機效果明確地建模巢狀依賴，將變異分解至各層次，並藉隨機截距、隨機斜率、脈絡效果與跨層次交互作用，把「情境如何形塑個體」這一跨層次命題形式化。方法細節上，本章詳論了 ML 與 REML 的分野、變異數成分檢定的邊界問題、中心化對參數意義的決定性影響、聚合偏誤的來源與矯正、以及模型取向與設計取向在推論策略上的取捨。延伸上，本章涵蓋三層與交叉分類結構、廣義線性混合模型、縱貫的多層次取向、多層次結構方程模型、貝氏部分聯營，以及固定與隨機效果在因果推論上的分野。貫穿全章的，是層次依賴的雙重性：它既是必須以隨機效果處理的統計障礙，也是承載脈絡理論的實質訊息。下一章將聚焦於此框架最重要的縱貫特例，即成長曲線模型，深入探討如何對「隨時間的變化」本身進行建模。