随机效应模型简介_Chenfeng.pptVIP

多元多水平模型 效应 参数 多因变量模型 ESS ADL 固定效应 ?0 (常数项) 36.490(3.998) 28.176(5.879) ?1 (疗前观察值) 0.483(0.029) 0.529(0.029) ?2 (age) -0.120(0.051) -0.220(0.080) ?3 (gender) 2.120(1.049) 3.694(1.837) ?4 (group) 4.864(1.155) 8.847(1.800) ?5 (time) 6.012(0.159) 10.137(0.312) 随机效应 3水平 2水平 1水平 内部相关系数 对ESS： 个体内相关系数 医院内相关系数 对ADL： 个体内相关系数 医院内相关系数 ESS和ADL的相关系数 医院水平上 个体水平上 重复测量值上 考察性别对2水平的方差是否有影响 固定部分系数的比较 参数 模型C’ 模型D 标准化ESS 标准化ADL 标准化ESS 标准化ADL ?0 (常数项) -2.474(0.253) -1.559(0.231) -2.480(0.252) -1.558(0.231) ?1 (疗前观察值) 0.031(0.002) 0.021(0.001) 0.031(0.002) 0.021(0.001) ?2 (age) -0.008(0.003) -0.009(0.003) -0.008(0.003) -0.009(0.003) ?3 (gender) 0.134(0.066) 0.145(0.064) 0.141(0.063) 0.141(0.063) ?4 (group) 0.307(0.073) 0.348(0.071) 0.308(0.073) 0.347(0.071) ?5 (time) 0.380(0.010) 0.399(0.012) 0.380(0.010) 0.399(0.012) 这个例子告诉我们： 采用多元分析比一元分析可提供更丰富的信息。 比如在扣除固定效应的同时，估计不同水平上结果变量间的协方差和相关系数； 可以在标准化的基础上，比较解释变量(自变量)对不同结果变量的影响是否相同。 这个例子告诉我们： 对重复测量资料来说，多水平模型的一个显著特点是可以有效地处理个体重复次数不等的情况。 多个因变量的情形，可以有效地处理具有缺失数据的情形。且估计是有效的、无偏的。 5. 其他非独立数据的随机效应模型 家庭聚集性资料的分析 GEE实例：整群抽样(二分类资料) 某单位抽样调查了30 户居民, 询问家庭中每个成员在过去的一年中是否找过医生看过病。结果如下(分母为户人数, 分子为看过医生的人数) : 5/5, 0/5, 2/3, 3/3, 0/2, 0/3 , 0/3, 0/3, 0/4, 0/4, 0/3, 0/2, 0/7, 4/4, 1/3, 2/5, 0/4, 0/4, 1/3 , 3/3, 2/4, 0/3, 0/3, 0/1, 2/2, 2/4, 0/3, 2/4, 0/2, 1/4 研究目的有两个：其一是估计事件率，其二是估计家庭中成员卫生行为的同趋性。 若按二项分布, 得事件率为: p = 30/103= 0.2913, 其95%CI: 0.2094 ～ 0.3834 (正态近似法) 0.2059 ～ 0.3890 (二项分布法)。 GEE实例：整群抽样(二分类资料) 现建立随机效应模型, 假设户内相关结构为等相关。用广义估计方程解得: 得 p (95%CI) = 0. 2869 (0.1724～0.4373)。 比按二项分布计算的区间要宽 家庭内成员的相关性为: 0.5371。 事实上, 该资料的实际方差(0.3824)远大于纯二项分布之方差(0.2064) “过去一年内找过医生看过病”这一事件具有家庭聚集性。 广义估计方程的估计 proc genmod; class a b ; model y = a ; repeated subject =b / type=CS CORRW ; run; 随机效应模型与广义估计方程的比较 The Mixed Procedure Solution for Fixed Effects Standard Effect Estimate Error DF t Value Pr |t| intercept 0.2480 0.06427 4