spss多水平模型简介PPT.pptVIP

这是具有分块结构的一个具有 2 个水平 1 单位的水平 2 单位的反应变量协差阵。此即构造反应变量协差阵的一般模式，它同时也概括了拟合水平 1 复杂变异的可能性。 固定与随机参数估计 固定和随机参数的估计方法一般采用“迭代广义最小二乘算法”(Iterative Generalized Least Squares，IGLS) (Goldstein，1986)或“限制性迭代广义最小二乘法”(Restricted Iterative Generalized Least Squares，RIGLS) (Goldstein，1989)。 现以最基本的两水平方差成份模型来阐明固定与随机参数估计的基本思想和步骤。 反应变量可表达为固定部分 与随机部分 之和。模型具有两个残差项，这是多水平模型区别于经典模型的关键部分。 即水平2残差，随机效应、又称潜变量(latent variable) 此模型需估计4个参数，除两个固定系数 和 ，还需估计两个随机参数 和 。其中 即为医院水平的方差成份， 为患者水平的方差成份。 组内相关的度量 方差成份模型中，反应变量方差为 此即水平 2 和水平 1 方差之和，同一医院中两个患者(用i1，i2 表示)间的协方差为： 组内相关(intra-class correlation, ICC) 测量了医院间方差占总方差的比例，实际上它反映了医院内个体间相关，即水平 1 单位(患者)在水平 2 单位(医院)中的聚集性或相似性。 由于模型不止一个残差项，就产生了非零的单位内相关。若 为 0，表明数据不具层次结构，可忽略医院的存在，即简化为传统的单水平模型；反之，若存在非零的 ，则不能忽略医院的存在。 水平 2 单位中的水平 1 单位间存在相关，通常的“普通最小二乘法”(Ordinary Least Squares OLS)进行参数估计是不适宜的。 进一步，如数据具三个水平的层次结构，如医院、医生和患者三个水平，则将有两个这样的相关系数，即反映医院之间方差比例的医院内相关，反映医生之间方差比例的医生内相关。 随机系数模型是指协变量的系数估计不是固定的而是随机的，即协变量对反应变量的效应在不同的水平 2 单位间是不同的。 仍以医院与患者两水平数据结构说明随机系数模型基本结构与假设。 随机系数模型(Random Coefficient Model) 与方差成份模型的区别在于 。 方差成份模型中协变量 的系数估计为固定的 ，示协变量 对反应变量的效应是固定不变的。在随机系数模型中协变量 的系数估计为 ，示每个医院都有其自身的斜率估计，表明协变量 对反应变量的效应在各个医院间是不同的。 的假定及其含义与方差成份模型一致。现 为随机变量，假定： 表示第 j 个医院的 y 随 x 变化的斜率； 表示全部医院的 y 随 x 变化的斜率的平均值(平均斜率)。 是指各医院的 y 随 x 变化的斜率 的方差。 示第 j 个医院的斜率与平均斜率的离差值， 指上述截距与斜率离差值的协方差，反映了它们之间的相关关系。 即表达为固定部分与随机部分之和。其中，固定效应用均数描述，它决定了全部医院的平均回归线，这条直线的截距即平均截距 ，直线的斜率即平均斜率 。 为随机系数。 将模型改记为： 随机效应用方差描述，它反映了各医院之间 y 的变异与协变量 x 的关系。模型随机部分具多个残差项，需估计4个随机参数，即方差 、 和 以及协方差 。 模型的反应变量方差为： 表明各医院间 y 的变异与协变量 x 有关，即每条回归线不仅截距不同，且斜率也不同。当 x 取 0 时每个医院 y 的平均估计值 不同，且每个医院 y 随 x 变化的斜率 不同。 组内相关与解释变量有关 为使模型中每个系数都有一个相应的解释变量，可对截距 及其残差 定义一个解释变量 ，取值为1，为简化模型，常省略该解释变量。 下面是包括随机系数的一般形式的两水平模型，即将模型扩展为纳入其它固定部分解释变量的形式： 这里，对模型随机部分采用了新的解释变量，实际上，