研究背景
某公司人力资源部想知道：在控制员工的人口学特征（年龄、工龄）之后，培训投入和工作满意度是否还能额外解释绩效差异？这是分层回归的典型场景——先控制"背景变量"，再检验"核心变量"的增量解释力。
研究问题
在控制年龄和工龄后，培训时长和工作满意度对绩效的增量解释力（ΔR²）是否显著？
数据说明
24 名员工的年度数据：绩效评分（0-100）、年龄、工龄（年）、年培训时长（小时）、工作满意度（1-10 分）。上传 CSV 时第一列放绩效，系统会自动将前两个预测变量（年龄、工龄）作为控制层，后两个（培训时长、满意度）作为核心预测层。
分析步骤
步骤 1：明确分层逻辑
分层回归的核心思想是"逐步加入变量组"。第一层放控制变量（年龄、工龄），回答"背景因素能解释多少"；第二层加入核心预测变量（培训时长、满意度），回答"在控制背景后，核心变量还能多解释多少"。
提示：层的顺序体现研究假设：把想"排除掉"的变量放前面，把"真正关心"的变量放后面。
步骤 2：查看第一层结果
第一层只有年龄和工龄，R²=0.222，F 变化 p=0.072。说明仅靠人口学特征能解释约 22% 的绩效差异，但未达统计显著水平。
步骤 3：查看第二层结果
加入培训时长和满意度后，R² 升至 0.864，ΔR²=0.643，F(2,19)=45.04，p<.001。说明核心变量在控制背景因素后，额外解释了 64% 的方差，增量高度显著。
步骤 4：比较两层得出结论
结论不是"年龄工龄不重要"，而是"在年龄工龄之外，培训和满意度还有强大的增量解释力"。这正是分层回归比普通多元回归提供的关键信息。
结果解读
结论
控制变量（年龄、工龄）解释了 22.2% 的绩效方差（未达显著）；加入培训时长和满意度后，模型额外解释 64.3% 的方差，增量显著（ΔR²=0.643，p<.001），最终模型 R²=0.864。
为什么这样解读？
ΔR² 的 F 检验是分层回归的灵魂：它回答的是"新增变量是否有增量贡献"，而不是单个系数是否显著。即使某个系数不显著，整层的 ΔR² 仍可能显著（变量间共享方差）。对 HR 的实际含义：绩效差异主要来自可干预因素（培训、满意度），而非不可改变的背景特征。
如何在论文中报告
采用分层回归分析员工绩效的影响因素。第一层纳入控制变量（年龄、工龄），R²=0.222，F(2,21)=2.99，p=0.072；第二层加入培训时长和工作满意度，ΔR²=0.643，ΔF(2,19)=45.04，p<.001。最终模型 R²=0.864，调整 R²=0.836。结果表明，在控制人口学特征后，培训投入和工作满意度对绩效具有显著的增量解释力。
常见错误
把 ΔR² 显著理解为"第一层变量没用"
ΔR² 显著只说明新增变量有增量贡献，不否定控制变量的作用。控制变量的意义正是"排除它们的干扰后再看核心变量"。
随意安排层的顺序
层顺序反映因果/理论假设，不同顺序会得到不同的 ΔR²。惯例是：人口学变量 → 已知影响因素 → 本研究核心变量。交换顺序会改变结论。
只看各层 R²，不看 ΔR² 的 F 检验
R² 随变量增多必然上升（即使加入的是噪声）。必须看 ΔF 检验判断增量是否超出随机水平。