简单回归模型主要关注个体特征变量,只将个体层级特征纳入协变量,这种做法低估了个体与群体之间层级关系对因变量的影响。多层回归模型克服了简单回归模型的不足,将具有嵌套关系的数据置于阶层结构的模型中,不再将群组效应同个体效应混合在一起,可以分层级计算不同水平变量对因变量的影响。传统的多层回归模型要求数据是单纯嵌套的,例如一个学生只能归属于一个学校,而在实际研究中,尤其是追踪研究中,这样的条件往往不能满足。交叉分类多水平模型(Cross-Classification Multilevel Model,CCMM)能够分析一个低水平单位嵌套于两种高水平群组的数据。例如追踪研究高中学生数学成绩的影响因素,早期测量了学生在初中时的数学成绩,后期测量了学生在高中时的数学成绩,学生在不同时期嵌套于两种群体——初中和高中。当分析学校因素对学生成绩的影响时,不能不考虑学生所在初中学校的校风、学风等影响因素,而不只是考虑初中时的数学成绩,即学校水平的影响除了来自高中学校,也来自初中学校。在只考察高中学校效应的研究中,会存在学生从一所高中转学到另一所高中的可能,传统多层回归方法同样无法处理这样的情况。多群组多水平模型(multiple membership multilevel model,MMMM)能够处理个体在高水平群组之间转移,即在同一时期个体从属于两个高水平群组的情况。国外从上世纪末至今已经陆续出现了对这两种模型的理论研究和实证应用,而国内少有人使用这类复杂嵌套的回归模型,且没有从多水平的框架下进行研究。本文将介绍交叉分类多水平模型和多群组多水平模型的基本理论,比较两种方法各自适应的数据结构,概述其发展历程和参数估计方法,并评述相关的实证研究兼与多层回归模型的比较,总结这两种复杂嵌套的多水平回归模型的价值,同时展望今后的研究趋势。