在 Gelman 和 Hill 的Data Analysis Using Regression and Multilevel/Hierarchical Models中，他们提出了一个非常有说服力的“随机”效应的想法，在无池化之间提供了一种折衷（即包括每个组变量的指标并估计每个组变量的不同截距） ) 和完整的池化（不包括任何组级别的预测变量，因此强制组具有相同的截距）。他们说，包括一个“随机”截距项（即允许截距项有自己的概率分布）是一种理想的折衷方案——因为当组级数据稀缺或嘈杂时，它可以将组级效应缩小到总体水平平均值.
然而，“随机截距”模型的一个常见用途是在纵向研究中，对同一个体进行多次测量。在这种情况下，每个组都是一个单独的个体。在这里，我看不到如何估计组级截距的方差-“部分汇集”的想法对我来说不再有意义。任何人都可以澄清这两种情况下理解随机截距的区别吗？如果纵向研究中在多个时间点测量受试者的随机截距模型不能理解为“部分汇集”，那么应该如何更好地理解它们？