管理研究方法：理论、前沿与操作（第2版）课件 第9章 多层线性模型分析法

第九章：多层线性模型分析法讲课人：目录CONTENTS1234多层线性模型分析法概述多层线性模型分析法主要步骤多层线性模型实际操作和软件示例多层线性模型分析法在高质量研究中的应用5人工智能背景下多层线性模型分析法的前沿拓展多层线性模型分析法概述01一、多层次理论模型的基本类型在管理研究中，多层次理论研究模型通常包括两个层次：总体（宏观）层次和个体（微观）层次。此模型通常有三种类型：①个体层次模型、②总体层次模型以及③跨层次模型。总体层次预测变量X’个体层次预测变量X总体层次结果变量Y’个体层次结果变量Y个体层次总体层次（向上聚合）（向上聚合）总体层次模式（路径2）个体层次模式（路径1）跨层次模式（路径3）二、多元线性回归模型分析嵌套数据的局限性多元线性回归模型的重要统计假设条件之一是数据中的观测值相互独立。但由于多层次研究中的数据结构具有嵌套性，观测值之间会存在相互依赖的现象，致使多元线性回归模型产生估计偏差。造成观测值相互依赖的原因主要有三个：非随机选择：团队成员之间具有相似性；共同环境影响：不同企业共同受到所处行业的影响个体间相互影响：团队成员之间情绪相互传染二、多元线性回归模型分析嵌套数据的局限性根据图1a，研究者可能会得出工作过载与工作满意度之间存在负向相关关系的推论。但事实上，这种分析方式可能会让研究者忽略了样本子群体内部的观测值相互依赖。根据图1b，对于身处个人主义文化下的员工（点虚线，三角形代表观测值），工作过载与工作满意度之间确实存在负向相关关系，而对于身处集体主义文化下的员工，工作过载与工作满意度之间并不存在相关关系（虚线，圆形代表观测值）。工作满意度987654321工作过载工作满意度987654321工作过载图1a图1b三、多层线性模型分析法的基本原理多层线性模型（HLM）在处理嵌套数据时，先以低层次变量建立回归方程，再把该方程中的截距和斜率作为结果变量，将数据中的高层次变量作为预测变量，建立新的方程。通过建立多层次回归方程，研究者可以明确区分变量所在的层次，探索不同层次变量对结果变量的影响，以及不同层次变量之间的跨层次交互作用。例如：

三、多层线性模型分析法的基本原理

四、多层线性模型分析法的优势与局限性HLM的主要优势在于：HLM能够有效分析嵌套数据，在估计不同层次的预测变量对低层次结果变量影响的同时，将预测变量保持在适当的分析层次上；HLM能够产生实证贝氏估计数改善对低层次效果的估计；HLM使用广义最小二乘法估计高层次固定效果，提供更为准确的估计。HLM提供了稳健标准误差估计数，即使HLM的假设被轻度违反，此标准误差估计数仍是一致的；HLM利用不平衡数据（每个子群体人数不同）的交互式计算技术，提供了方差协方差成分的有效估计数。四、多层线性模型分析法的优势与局限性HLM局限性主要体现在：在HLM分析中，研究者每次仅能分析单一的结果变量。如果理论模型包含多个结果变量，则需要使用多层次结构方程模型进行分析。在HLM设定中，结果变量只能存在于最低层次，即第一层次。因此，HLM分析法无法用来分析低层次变量对高层次变量的影响效果。和多元线性回归模型一样，HLM分析法无法考虑变量测量误差的影响，而只能通过多层次结构方程模型加以解决。HLM软件无法直接对中介效应分析中的间接效应进行蒙特卡洛参数拔靴法分析，研究者需要搭配Ｒ语言软件计算间接效应的置信区间。五、多层线性模型分析法发展简史与新趋势多层线性模型分析法最初是由林德利和史密斯（1972）提出；登普斯特等（1977）提出了期望最大化演算法；一般化最小平方法的共变量成分估计法以及Fisher得分算法；用于HLM分析的统计软件：HLM、Mixor、ＭIwiN、ProMixed。五、多层线性模型分析法发展简史与新趋势HLM方法的新趋势：从单一变量扩展到多个变量的多变量模型：应用在于纵向追踪数据与重复测量数据的分析；多层线性模型分析法与潜变量模型的结合：同时解决数据的嵌套结构和潜变量的估计问题；引入贝叶斯估计法，弥补极大似然法的缺陷，使得估计更加精确并且有弹性。多层线性模型分析法主要步骤02多层线性模型分析法主要步骤1、整理数据：数据配对划分层次2、信效度检验：信度与效度分别检验3、变量聚合：低层次观测值聚合成高层次变量4、模型假设检验：利用多层线性模型检验假设一、数据整理研究者需要完成：①样本量检查、②数据匹配、③数据清理等工作。①样本量检查：克拉夫特（1996）建议两层次设计采用30/30准则，即第二层次样本量不少于30组，第一层次样本量不少于每组30个观测值；②数据匹配：研究者首先需要划定数据结构，并根据数据结构对数据进行匹配处理。团队ID：用于将个体数据与团队数据进行匹配个人ID：“1-1”代表第1个团队的第1个员工一、数据整理③数据清理：异常值检查：在线问卷填答时间过长或过短的数据；完全相同或具有明显规律性的数据；未能通过注意力检验的数据；缺失值处理：均值替代法、回归替代法、多重替代法、热卡填充法、全息极大似然估计法二、信效度检验信度检验：Cronbach’sα系数校正条目相关系数组合信度效度检验：AVE比较法多层次验证性因子分析(MCFA)B_XB_YB_ZW_XW_Yx1x2x3y1y2y3z1z2z3BetweenLevelWithinLevelMCFA将变量的方差拆分中组间与组内两个部分，从而提供更为准确的估计。三、变量聚合高层次变量（单位层次变量）有四种形式分别是：共通单位、共享单位、共构单位、共塑单位类型测量形式聚合需求聚合方式示例共通单位客观/直接测量不需要/企业销售额、团队规模共享单位抽象/非直接测量需要加总平均团队氛围、团队效能感共构单位抽象/非直接测量需要数学运算性别比例、教育背景多样性共塑单位客观直接测量/抽象非直接测量不需要/领导特质、领导自评变量三、变量聚合

Rwg的中位数或平均值若大于0.70，则表明群组内评分具有可接受的一致性程度。三、变量聚合ICC1被定义为群组之间的真实方差与观察到的方差之比。ICC1值越大，代表同一群组内不同评价者的评分越一致。

1、利用HLM零模型计算公式：2、利用方差分析计算公式：

ICC1数值大于0.05并且显著，同时Rwg也达标，则认为将低层次评分（观测值）聚合到高层次是可接受的。三、变量聚合ICC2是指当低层次评分（观测值）聚合到高层次时，群组平均数的信度。

通常ICC2需要达到0.70以上。但是ICC2与群组内人数是相关的。在固定ICC1的前提下，群组内人数越多，ICC2数值越高。然而在小群体研究中，群组内通常缺乏足够多的人数，从而导致ICC2低于0.70。Chen和Bliese（2002）提出，即使ICC2数值较低，如果有充分的理论依据，并且有较高的Rwg以及显著的ICC1，聚合也是能够接受的。四、模型检验零模型是最简单的多层线性模型，在这一模型中第一层次（组内）和第二层次（组间）不包含预测变量。具体公式如下：

四、模型检验多层次主效应模型在第一层次（组内）和第二层次（组间）均可包含预测变量。具体公式如下：

四、模型检验多层次2×（1→1）调节模型中，预测变量（X）和结果变量（Y）都在第一层次，而调节变量（W）在第二层次。

四、模型检验多层次1×（1→1）调节模型中，预测变量（X）、调节变量（W）和结果变量（Y）都在第一层次。

四、模型检验多层次1×（2→1）调节模型中，预测变量（X）在第二层次，调节变量（W）和结果变量（Y）在第一层次。

四、模型检验多层次2×（2→1）调节模型中，预测变量（X）和调节变量（W）在第二层次，结果变量（Y）在第一层次。

四、模型检验在多层次2→1→1中介模型中，预测变量（X）在第二层次，而中介变量（M）和结果变量（Y）在第一层次，检验过程包括三个步骤：

四、模型检验

四、模型检验在多层次2→2→1中介模型，预测变量（X）和中介变量（M）在第二层次，结果变量（Y）在第一层次，检验过程包括三个步骤：

四、模型检验

四、模型检验在多层次1→1→1中介模型，预测变量（X）、中介变量（M）和结果变量（Y）全部在第一层次，检验过程包括三个步骤：

四、模型检验

多层线性模型实际操作和软件示例03一、多层次验证性因子分析示例在本示例中，数据结构包含领导与下属两个层次，其中领导的人数为100人，对应的下属人数为490人。在测量方面，领导自评了4个条目的自恋特质量表，下属自评了5个条目的团队工作自主性量表、7个条目的领导-成员交换关系（LMX）量表、以及4个条目的创造力量表。一、多层次验证性因子分析示例在同一团队内（相同TID），领导评价的数据是一致的，而下属的数据是不同的。根据这样的数据结构，在多层次验证性因子分析中，研究者需要将领导评价的4个条目（领导自恋特质）设定在组间层次，将下属评价的16个条目（团队工作自主性、LMX、创造力）同时设定在组内层次与组间层次。一、多层次验证性因子分析示例TITLE:MCFADATA:fileismcfa.txt;VARIABLE:namesareTIDx1-x20;!TID为团队编号CLUSTER=TID;BETWEEN=x1-x4;ANALYSIS:TYPE=TWOLEVEL;MODEL:%between%!组间层次设定bf1byx1-x4;!组间层次领导自恋特质bf2byx5-x9;!组间层次团队工作自主性bf3byx10-x16;!组间层次LMXbf4byx17-x20;!组间层次创造力%within%!组内层次设定wf2byx5-x9;!组内层次团队工作自主性wf3byx10-x16;!组内层次LMXwf4byx17-x20;!组内层次创造力OUTPUT:STDYX;!输出标准化系数输出结果：二、变量聚合指标计算示例使用R软件中Bliese（2015）开发的扩展包进行计算，能够一次性获得Rwg/ICC1/ICC2这三类指标的输出结果。具体代码如下：library(multilevel)#加载程序包a1<-read.csv("C:\\Users\\Lenovo\\Desktop\\ICC.csv")#导入数据job1<-aov(JOB~as.factor(TID),a1)summary(job1)#输出方差分析结果，观察ICC1是否显著ICC1(job1)#输出ICC1指标ICC2(job1)#输出ICC2指标RWGOUT<-rwg(a1$JOB,a1$TID)summary(RWGOUT)#输出RWG指标二、变量聚合指标计算示例三、多层次理论模型检验示例在示例中，研究者首先需要建立两个SPSS文件，分别为“LEVEL1”和“LEVEL2”，其中“LEVEL1”文件存放下属层次的变量：LMX和创造力；“LEVEL2”文件存放领导/团队层次的变量：领导自恋特质和工作自主性。其中TID为团队码，能够将两个文件建立关联联系。具体数据形式如下图所示：LEVEL1文件LEVEL2文件三、多层次理论模型检验示例HLM软件的主界面如下图所示。在打开HLM软件之后，研究者需要先建立新的分析文件，操作顺序为：“File”→“MakenewMDMfile”→“Statpackageinput”。三、多层次理论模型检验示例选择相应的模型之后，HLM软件需要研究者建立数据分析文件，并导入相应的数据文件，也就是在最开始建立的两份SPSS文件。三、多层次理论模型检验示例选择变量完毕之后，HLM软件会自动对数据进行检查，检查通过之后会生成一份数据描述文档，如下图所示。完成该步骤之后，研究者即可建立模型进行统计分析。三、多层次理论模型检验示例1、零模型：在零模型的设定中，本示例将下属创造力（变量名称CRE）设定为第一层次结果变量，并且不加入任何层次的预测变量，模型和输出结果如下所示：

三、多层次理论模型检验示例2、多层次主效应模型：本示例将领导自恋设定为第二层次预测变量（NAR），将LMX设定为第一层次预测变量（LMX），下属创造力为第一层次结果变量（CRE）。

三、多层次理论模型检验示例3、多层次调节效应模型：本示例以常见的2×（1→1）调节模型为例进行演示。其中第一层次预测变量为LMX（LMX），第一层次结果变量为下属创造力（CRE），第二层次调节变量为团队工作自主性（JOB）。

三、多层次理论模型检验示例由于跨层次交互项显著，研究者需要进一步开展简单斜率分析：首先，研究者在HLM软件中需要在“OtherSettings”菜单下，选择“outputsettings”，并且勾选“Printvariance-covariancematrices”。该选项能够让输出结果自动显示回归系数的方差-协方差矩阵：三、多层次理论模型检验示例之后，系统会自动输出“GAMVCR.DAT”文件，该文件中包含了具有稳健性标准误（Robuststandarderrors）回归系数的方差-协方差矩阵：三、多层次理论模型检验示例研究者需要在Preacher等（2006）开发的在线工具中依次输入回归系数、回归系数的方差、回归系数之间的协方差、自由度、以及预测变量与调节变量的取值：三、多层次理论模型检验示例输入上述数据之后，研究者点击“Calculate”选项之后，在线工具会自动输出简单斜率结果和绘图结果：三、多层次理论模型检验示例4、多层次中介效应模型：本示例以常见的2→1→1中介模型为例进行演示。其中第二层次预测变量为领导自恋（NAR），第一层次中介变量为LMX（LMX），第一层次结果变量为下属创造力（CRE）。2→1→1中介模型的检验需要构建三个HLM模型（a、b、c）：HLM模型a：HLM模型b：HLM模型c：三、多层次理论模型检验示例HLM模型a输出结果：

三、多层次理论模型检验示例HLM模型b输出结果：

三、多层次理论模型检验示例HLM模型c输出结果：

三、多层次理论模型检验示例为了进一步检验多层次中介效应是否成立，本示例遵循Preacher和Selig（2012）采用蒙特卡洛参数拔靴法对间接效应（a×b）进行检验。该方法主要通过R软件实现：require(MASS)a=-0.16#系数ab=0.58#系数brep=20000conf=95pest=c(a,b)acov<-matrix(c(0.001,0,0,0.032),2,2)#该矩阵输入了系数a和系数b的方差以及协方差mcmc<-mvrnorm(rep,pest,acov,empirical=FALSE)ab<-mcmc[,1]*mcmc[,2]low=(1-conf/100)/2upp=((1-conf/100)/2)+(conf/100)LL=quantile(ab,low)UL=quantile(ab,upp)LL4=format(LL,digits=4)UL4=format(UL,digits=4)hist(ab,breaks='FD',col='skyblue',xlab=paste(conf,'%ConfidenceInterval','LL',LL4,'UL',UL4),main='DistributionofIndirectEffect')#输出乘积系数a×b的置信区间在本示例中领导自恋通过LMX对下属创造力的间接效应（a×b）为-0.09，95%置信区间为[-0.17,-0.03]不包含0，显著（p<0.05）。多层线性模型分析法在高质量研究中的应用04一、多层线性模型分析方法与涓滴效应在领导力研究中，涓滴效应通常是指领导者的特征、态度和行为通过自上而下的影响作用，进而引发下属表现出相同的特征、态度和行为的现象。涓滴效应有以下三个明显特点：自上而下性。涓滴效应由高层次的领导者（如CEO）所发起，对下一级层次的领导者（如中层管理者）、团队、或员工（如基层员工）产生影响。传递变量的一致性。即高层领导的情绪、认知、态度、行为在效应传递过程中会引发下一层次领导、团队、下属的相同反应。跨层次属性。在涓滴效应的传递过程中至少需要跨越两个层次及以上，如领导层次到下属层次，或高层领导到中层领导再到基层员工。一、多层线性模型分析方法与涓滴效应示例：研究者想要研究CEO伦理领导行为通过中层管理者伦理领导行为对基层员工伦理行为的涓滴效应。研究者需要先建立一个二层次HLM模型用于检验CEO伦理领导行为对中层管理者伦理领导行为的影响，再构建一个三层次的HLM模型，用于检验控制CEO伦理领导行为之后，中层管理者伦理领导行为对基层员工伦理行为的影响。二层次HLM模型：三层次HLM模型：二、多层线性模型分析方法与蛙池效应蛙池模型是多层次理论模型的一种形式，用于描述低层次个体在高层次中的相对位置对于低层次结果变量的影响。在分析方法上，蛙池效应可以应用多层次主效应模型进行检验，但是预测变量需要进行组均值中心化处理，消除预测变量的组间方差，得到纯粹的组内回归系数。示例：研究者想要分析员工在团队内的相对薪酬对其工作投入的影响效应。研究者需要建立一个二层次HLM模型，团队成员的个人工作投入（ENGAGEME）作为第一层次结果变量，团队成员的薪酬均值（SMEAN）作为第二层次控制变量，团队成员的相对薪酬（团队成员个人薪酬减去团队薪酬均值，SALARY）作为第一层次预测变量。三、多层线性模型分析方法与非线性效应多层线性模型分析方法还可以与非线性效应相结合，探讨变量之间的非线性关系。与传统线性HLM模型的不同之处在于，非线性HLM模型在数据分析过程中需要加入预测变量的二次项。示例：研究者提出自恋型领导与下属主动行为之间可能存在倒U型曲线关系。在HLM模型设定上，研究者需要将自恋领导的一次项（NAR）、二次项（NSQUARE）设定在第二层次作为预测变量；将下属主动行为（PROACTIV）设定在第一层次作为结果变量。四、多层线性模型分析方法与重复测量HLM除了能够分析横截面嵌套数据之外，还可以分析重复测量数据或纵向追踪数据。对于重复测量数据，如果只分析特定时间段内变量之间的关系，二层次HLM模型就可以进行统计分析，即将个体内作为第一层次，将个体间作为第二层次。示例：研究者提出员工早上的积极情绪会影响其在当日的助人行为，员工宜人性人格会增强员工早上积极情绪对当日助人行为的影响。在HLM模型设定上，研究者需要将宜人性（AGREEABL）设定为第二层次的调节变量；将员工早上的积极情绪（AFFECT）设定为第一层次预测变量；将员工当日的助人行为（HELPING）设定为第一层次结果变量。人工智能背景下多层线性模型分析法的前沿拓展05一、人工智能主题研究中的多层线性模型应用随着人工智能在组织中的广泛应用，学者逐渐从多层次视角系统探讨其对员工态度、行为与绩效的影响。不同于传统技术，人工智能以算法系统、智能工具或智能机器等形式深度嵌入组织运行，其作用不仅取决于个体使用方式，还受到团队互动、组织制度和具体情境等多层次因素的共同影响。因此，人工智能研究天然具有多层次特征，研究者需要同时处理个体层次与更高层次变量之间的复杂关系。在这一背景下，多层线性模型成为组织行为与人力资源领域的重要分析工具，有助于检验人工智能相关因素对员工结果变量的跨层次作用，并揭示不同层次因素之间的交互机制。一、人工智能主题研究中的多层线性模型应用唐等（Tangetal.,2023）以“员工对人工智能的依赖”为研究主题，探讨了人工智能依赖在工作情境中对员工任务绩效的双重影响机制。基于自我调节理论，论文提出，员工依赖人工智能一方面能够促进工作目标进展，从而提升任务绩效；另一方面也可能引发自尊威胁，进而削弱任务绩效。论文进一步提出，员工的核心自我评价会调节上述作用机制。

一、人工智能主题研究中的多层线性模型应用在经验抽样研究中，作者以印度一家大型跨国汽车制造企业为研究情境，将在生产线上与智能系统进行日常协作的一线工程师作为研究对象。作者先进行一次性基线问卷调研，测量员工的核心自我评价；之后开展连续10个工作日的日常数据收集，每日上班前测量员工的积极与消极情绪（作为控制变量），中午测量员工当日对智能机器的依赖程度、工作目标进展以及自尊威胁，下班前测量员工的当日任务绩效。最终有118名员工完成了研究，在连续10个工作日内提供了915个个体内层面的有效观测值。论文采用多层次路径分析方法，同时区分个体内变异与个体间变异，从而准确估计不同层次变量的影响。在具体建模过程中，论文将个体间变量与个体内变量进行区分。其中，员工每天对人工智能的依赖程度、工作目标进展、自尊威胁、任务绩效被设定为第一层次（个体内层次）变量，而员工的核心自我评价则被设定为第二层次（个体间层次）变量。论文使用了随机斜率来检验跨层次调节效应，并通过蒙特卡洛参数拔靴法检验中介效应和被调节的中介效应。

一、人工智能主题研究中的多层线性模型应用Yam等（Yametal.,2023）以“实体机器人在工作场所中对员工的潜在威胁”为研究主题，探讨员工接触机器人后为何会产生更强的工作不安全感，以及这种不安全感如何进一步导致倦怠与职场不文明行为。论文以压力认知评价理论为核心理论基础，提出员工与机器人接触会引发威胁性刺激感知，从而形成工作不安全感，并引发后续的消极应对行为。

ExposuretorobotsJobinsecurityburnoutincivilitySelf-affirmation一、人工智能主题研究中的多层线性模型应用作者以印度一家大型跨国汽车制造企业为研究情境，将在生产线上与机器人进行日常协作的一线工程师作为研究对象。作者在连续10个工作日内对这些工程师进行重复测量，并在每天设置三个固定测量时点收集数据。具体而言，每天工作开始前测量工程师的积极与消极情绪作为控制变量；工作日中段测量工程师当日的机器人使用情况以及工作不安全感；工作结束时测量工程师当日的倦怠水平与不文明行为。最终有118名员工完成了研究，在连续10个工作日内提供了915个个体内层面的有效观测值。论文采用多层次路径分析方法，将每日机器人接触、工作不安全感、倦怠、不文明行为、积极与消极情绪均设定为第一层次（个体内层次）变量，并使用蒙特卡洛参数拔靴法检验中介效应。一、人工智能主题研究中的多层线性模型应用Liu等（Liuetal.,2025）以“增强型人工智能在工作场所中的使用效果”为研究主题，探究增强型人工智能在员工日常工作中的学习效应及其潜在认知代价。基于AI增强视角与认知负荷理论，论文提出一个双路径理论模型。一方面，员工在工作日中更频繁地使用增强型AI，会通过促进知识获得提高当日的任务绩效；另一方面，使用增强型AI也会引发信息过载，从而削弱员工的当日绩效，并进一步加剧其下班后的心理脱离困难。论文进一步引入两个关键边界条件：一是个体层面的开放性人格，二是情境层面的当日积极情绪

。一、人工智能主题研究中的多层线性模型应用论文以韩国某大型银行呼叫中心为研究情境，选取长期使用增强型人工智能的一线客服员工作为研究对象。作者先进行一次性基线问卷调研，测量员工的开放性人格，之后在连续9个工作日中每天上午测量员工的积极情绪及前一晚的心理脱离状况，每天下午测量当日增强型人工智能使用频率、知识获得与信息过载，并由其直接主管对员工当日任务绩效进行评价。最终有104名员工完成了研究，在连续9个工作日内提供了878个个体内层面的有效观测值。论文采用多层次路径分析方法，将增强型人工智能使用、积极情绪、知识获得、信息过载、任务绩效均设定为第一层次（个体内层次）变量，将开放性人格设定为第二层次（个体间层次）变量。在模型检验上，论文使用了随机斜率来检验跨层次调节效应，并通过蒙特卡洛参数拔靴法检验中介效应和被调节的中介效应。二、人工智能技术辅助的多层线性模型分析随着大语言模型等人工智能技术的快速发展，学界开始探讨其是否能够辅助甚至部分替代研究者完成统计分析。不同于依赖命令输入的传统统计软件，人工智能基于自然语言交互，在数据处理、模型设定与结果解释等方面展现出新的潜力。然而，其是否能够严格遵循统计规范、在复杂模型中提供可靠结果仍需检验，尤其是在涉及层次划分、中心化处理及中介调节检验等环节的多层线性模型分析中。因此，仅能生成代码并不足以证明人工智能具备完整分析能力。本节将以既有分析流程为参照，对同一数据进行复现，系统评估人工智能在多层线性模型中的能力与局限。二、人工智能技术辅助的多层线性模型分析变量聚合：向人工智能提供原始数据，并通过提示明确说明数据的嵌套结构（员工嵌套于团队）、变量测量层次以及需要计算的统计指标类型，从而要求人工智能在既定方法框架下完成相应计算。二、人工智能技术辅助的多层线性模型分析在人工智能辅助分析过程中，人工智能能够根据研究者提供的数据结构信息，正确识别个体层次与团队层次变量，并依次计算团队工作自主性的Rwg、ICC1和ICC2指标。

二、人工智能技术辅助的多层线性模型分析主效应分析：向人工智能明确说明变量的理论层次与模型设定要求：将领导自恋（NAR）设定为第二层次预测变量，将领导—成员交换关系（LMX）设定为第一层次预测变量，并将下属创造力（CRE）设定为第一层次结果变量。在模型形式上，要求人工智能构建随机斜率模型，以刻画不同团队中第一层次关系可能存在的异质性；模型中未对变量进行中心化处理。

二、人工智能技术辅助的多层线性模型分析人工智能根据既定的数据结构与模型设定，完成了多层线性模型主效应的参数估计。

二、人工智能技术辅助的多层线性模型分析跨层次调节效应分析：要求人工智能构建随机斜率模型，将领导—成员交换关系（LMX）设定为第一层次预测变量，将下属创造力（CRE）设定为第一层次结果变量，并将团队工作自主性（JOB