你的信息给出的太少。这部分意见，前部分的意思是，你这个模型不是HLM（多层次模型），而只是一个普通的回归模型。后面就不清楚了，你用的是什么软件？审稿人的全部意见能贴出吗

可能是你前面做了你的模型是hierarchical model的声明，专家指出这样声明不正确

你的模型不是层次分析，而是一个线性回归模型。层次模型的第一层可以是线性回归模型，而第二层是针对审稿人说的回归系数β进行建模。并且，你的模型1存在问题，模型1遗漏了交互项，导致其遗失在误差项中，致使误差项与解释变量相关（即所谓的内生性），进而导致参数估计量有偏且非一致，在此基础上的统计推断是有问题的。

The results of the hierarchical regression model are
presented in Table 4. Model 1 includes the control
variables and the two explanatory variables reflecting
offshoring complexity: configuration complexity
and task complexity. We add the two moderating
variables—organizational design orientation
and offshoring experience—in Model 2. In Model
3, we add the interaction effect between the two
complexity variables and our two moderating variables.
这段文章来自Strategic management Journal，就是使用hierarchical regression model，为什么就是正确的呢？

分层回归
    标准多元回归可以测量模型所解释的变异量的大小，它由复相关系数的平方（R2，即决定系数）来表示，代表了预测变量所解释的因变量的变异量。模型的显著性检验是将预测变量所解释的变异与误差变异进行比较（即F值）。
    但是，也可以采用相同的方式来比较两个模型。可以将两个模型所解释的变异之差作为F值的分子。假如与误差变异相比，两个模型所解释的变异差别足够大，那么就可以说这种差别达到了统计的显著性。相应的方程式将在下面详细阐述。
    分层回归就是采用的这种方式。分层回归包括建立一系列模型，处于系列中某个位置的模型将会包括前一模型所没有的额外预测变量。假如加入模型的额外解释变量对解释分数差异具有显著的额外贡献，那么它将会显著地提高决定系数。
    这个模型与标准多元回归的差异在于它可以将共同变异分配到预测变量中。而在标准多元回归中，共同变异不能分配到任何预测变量中，每个预测变量只能分配到它所解释的独特变异，共同变异则被抛弃了。在分层回归中，将会把重叠（共同）变异分配给第一个模型中的预测变量。因此，共同变异将会分配给优先进入模型的变量。

我理解的Hierarchical model 就是以上所说的分层回归，为什么不对啊，呜呜，好迷茫