SPSS第9.pptVIP

第九章 混合线性模型Mixed Linear Model;层次结构的资料;离散趋势的分析;混合效应模型;1 模型简介;初级学校项目(Junior School Project，JSP) ;1.1 模型入门;以11岁的成绩为自变量建立针对16岁时成绩的回归方程，在考虑到学校间差异的影响时，一般线性模型建立的回归模型如下： yij=α+β1standlrtij+∑βjschoolj+εij β1代表了11岁成绩的影响，后面的βj则表示了第j个学校的效应，εij为第j个学校第i个学生的随机误差，被假定为服从均数为0的正态分布。 请大家注意，在混合效应模型中，下标的使用顺序和一般线性模型恰恰相反!以前我们说yij代表了第i所学校第j个学生的数值，现在则为第j所学校第i个学生的数值，即i代表了最小的观察单位(学生)，j代表高一级的观察单位（学校），如果有更高层次（如城市），则会以k来代表，以此类推。为统一起见，我们在本章中却会这样定义模型。;;几所学校的模型 yij=(α0+μ0j)+β1standlrtij+εij yij代表了第j所学校第i个学生16岁成绩的大小。其中的μ0j就表示了不同学校间截距的变异。如果样本中学校个数m不多，且研究者的兴趣就在样本中的这几所学校，则可以将学校看成是一个固定因素，用一组m-1个哑变量表示，拟合m+1个参数来进行分析，此时μ0j就是对应于那m-1个哑变量的参数，该模型实际上就是刚才列出的最常用的模型公式： yij=α+β1standlrtij+∑βjschoolj+εij;目产鼎滓眷锌吝躬悍君贰邵穴船囱寥蛛鸦造萄僳勘徽檄管潘架谎怂穿煮吗SPSS第9SPSS第9;如果我们不仅只关注这几所学校，而是关注更广泛的学校总体，那么就需要估计在学校总体中截距的变异有多大，此时实际上是将原来的α真正当作一个随机变量来看待，令其为α=α0+μ0j，这样，通过检验μ0j是否为0(具体方法为检验其方差是否大于0)，我们就可以得知这种截距的变异在学校总体中是真的存在，还是仅仅因为抽样导致的假象而已。此时模型需要同时估计随机项μ0j的大小，就成为了一个真正的混合效应模型。 下面我们来观察更多的数据，图3.3是前10所学校各自的回归线，从中我们可以看到除了截距以外，各回归线的斜率间也不尽相同。也就是说，成绩在学校间的聚集性除了表现为成绩的平均水平不同外，还表现在不同学校中成绩的离散度上！斜率高的学校其16岁成绩离散度较高，斜率低的则成绩比较集中。同上，模型将被继续扩展如下： yij=(α0+μ0j)+(β1+μ1j)standlrtij+εij;同理，通过检验随机项μ1j是否等于0，我们就可以得知是否各个学校的成绩离散度不同。更一般的，模型中的随机项常常被写在一起，如下所示： yij=(α0+β1 standlrtij)+( μ0j +μ1jstandlrtij+εij) 上式中的两部分分别被称为固定部分和随机部分，可见和普通的线型模型相比，混合线性模型主要是对原先的随机误差进行了更加精细的分解。但正因如此，该模型就可以正确估计并分析数据在高水平单位内聚集的问题，同时可以为研究者提供更加丰富的信息。 ;1.2 混合效应模型的用途;2. 对变异的影响因素加以研究 传统模型对离散趋势的估计、推断及影响因素研究几乎是无能为力的，而这正是多水平模型的特长。 通过对模型的精细设置，研究者可以探讨数据的变异究竟是否在高层次中存在聚集性，而这种变异间的差异又是由哪些变量的不同所导致的，从而可为控制某些数据的离散度提供线索。;3. 重复测量资料的分析及规律探讨 传统模型也可以对重复测量资料加以分析，但是，一般而言，这些方法需要数据是平衡的，即??求每一个体有相同次数的重复测量值。但在实践上，测量次数常是不规则的，有的个体有很多测量值，而有的可能只有一个，此时传统模型的估计可能有误。 而混合效应模型通过将这种数据看成为一般的两水平结构(单次测量为低水平，个体为高水平)，从而轻车熟路的应用标准的多水平模型技术处理任何测量模式的数据，并提供无偏的参数估计。 另一方面，如果重复测量的是生长数据类型的资料，则在多水平分析框架中，每一个体可以具有它们自身的生长曲线，从而可以在更精细的程度上探讨生长发育的一般规律及个体变动情况。;2 Linear过程;【预定义对话框】;【主对话框】 ;【Statistics子对话框】 ;【Estimation子对话框】 ;【Fixed effects子对话框】 ;【Random effects子对话框】 ;【Save子对话框】;3 混合线性模型分析实例;初中项目JSP.sav;3.1 家庭聚集性数据Mixed.sav;3.2 重复测量数据 Anxiety2.sav;3.3 嵌套设计数据nested.s