今后cross-level interaction 应该怎么做？

mnczj

以往做cross-level interaction（一个level 1的调节变量调节了一个level 2 predictor对一个level 1 outcome的影响），都是用HLM直接算的。不过最近听说这样的方法会被JAP的一位editor认为是fatal mistake而desk reject。按照这位跨层次分析的牛人的说法，根本不可能有这样的效应。如果假设是这样，只能去算level 2的交互作用，就是被level1的两个变量全都aggregate到level 2，然后算在level2的交互作用才对。所以我有点迷茫，一定要这样做吗？有什么好的解决办法呢？因为常常假设的是类似这样子的：团队领导的行为对每位部属的态度的影响，取决于部属自己的个性特征。这时候把部属个性和态度都aggregate到团队层面来检验，有什么意义呢？

Kenneth

mnczj，这个看法首先处于 Zhang, Zhyphur and Preacher (2009，ORM, 12(4), 695-719)。一个二阶的变量本来就不可以影响一阶的变量的。这就像方差分析一样，小组变量理论上只可以影响组平均，而不是个人。个人的变化在这样的模型中是误差。只有小组的平均变化才是真的变化。同样的，个人的变量如何能调节“小组变量对个人变量的影响”呢？你觉得合理吗？
* e* j5 z6 [% W5 z8 u
$ ?6 o5 n- B8 k/ n所以，我是同意这个牛人的看法的。应该问的是为什么 ‘现在’ 才提这个问题出来，因为我们早就知道了，只是研究人员还是继续的做而已。

不过，话说回来。我不觉得这是 fatal mistake。我看来这不过是他(她)退稿的借口而已。分析错了永远都不是fatal 的。你可以再分析。只要结果一样我就可以接受了。

mnczj

Kenny，我想现在才提出来，是不是因为inertia？就像在做跨层次分析时，是用group-mean centering还是grand-meaning centering，好像07年就有文章用simulation说明了，可是我还是碰到各种不同的意见。另外，做interaction的时候是不是要去中心化，也有研究显示其实没有什么作用，但我们的norm还是先center，感觉习惯的力量是很强大的。
9 z& i) i2 [# B. }& n
不过如果都aggregate到level 2,需要的样本就会比较大。从收集与使用数据上来说，有点不经济。

Kenneth

mnczj，请不要误会。我不是问为什么你现在才提出来。我是问这个牛人为什么你现在才提出来？
如果这个要求是对的（我想是的），那么2009年就应该是这样了。为什么4到5年后，这么多人，这么多文章发表了，而是用 “错误” 的方法的，都没有人说是错误呢？