多水平统计模型简介(研究生版).pptVIP

多水平统计模型简介A Brief Introduction toMultilevel Statistical Models 概述 层次结构数据的普遍性 经典方法及其局限性 基本多水平模型 多水平模型的应用 Anthony Bryk, University of Chicago Stephen Raudenbush, Michigan State University , Department of Educational Psychology 《Hierarchical Linear Models： Applications and Data Analysis Methods》1992 Nicholas Longford, Princeton University, Education Testing Service 《Random Coefficient Models》1993 多水平主成分分析 多水平因子分析 多水平判别分析 多水平logistic回归 多水平Cox模型 多水平Poisson回归 多水平时间序列分析 多元多水平模型 多水平结构方程模型 层次结构数据的普遍性 层次结构数据为一种非独立数据，即某观察值在观察单位间或同一观察单位的各次观察间不独立或不完全独立，其大小常用组内相关(intra-class correlation，ICC)度量。 例如，来自同一家庭的子女，其生理和心理特征较从一般总体中随机抽取的个体趋向于更为相似，即子女特征在家庭中具有相似性或聚集性(clustering)，数据是非独立的(non independent)。 非独立数据不满足经典方法的独立性条件，采用经典方法可能失去参数估计的有效性并导致不合理的推断结论。 但非独立数据的组内相关结构各异，理论上，不同的结构应采用相应的统计方法。如纵向观测数据常用广义估计方程(GEE)，但有两个局限性：一是对误差方差的分解仅局限于2水平的情形，二是没有考虑解释变量对误差方差的影响。当应变量的协差阵为分块对角阵时，一般采用多水平模型。 经典方法框架下的分析策略 经典的线性模型只对某一层数据的问题进行分析，而不能将涉及两层或多层数据的问题进行综合分析。 但有时某个现象既受到水平1变量的影响，又受到水平2变量的影响，还受到两个水平变量的交互影响(cross-level interaction)。 个体的某事件既受到其自身特征的影响，也受到其生活环境的影响，即既有个体效应，也有环境或背景效应(context effect)。 例如，个体发生某种牙病的危险可能与个体的遗传倾向、个体所属的社会阶层(如饮食文化和口腔卫生习惯)、环境因素(如饮水中氟浓度)等有关。 分解(disaggregation) 聚合(aggregation) 分解：不满足模型独立性假定，回归系数及其标准误的估计无效，且未能有效区分个体效应与背景效应。另一种分析策略是用哑变量拟合高水平单位的固定效应。 聚合：损失大量水平1单位的信息，更严重的是可能导致“生态学谬误”(ecological fallacy)。 多水平分析的概念为人们提供了这样一个框架，即可将个体的结局联系到个体特征以及个体所在环境或背景特征进行分析，从而实现研究的事物与其所在背景的统一。 多水平模型由固定与随机两部分构成，与一般的混合效应模型的不同之处在于，其随机部分可以包含解释变量，故又称为随机系数模型(random coefficient model)，其组内相关也可为解释变量的函数。换言之，多水平模型可对不同水平上的误差方差进行深入和精细的分析。 组内相关的度量 随机系数模型(Random Coefficient Model) 组内相关与解释变量有关 反应变量向量的协方差结构 固定与随机参数估计 多水平模型的应用 (3) 不要求每个个体都有同样多的测量点，即缺失测量点并不增加拟合生长曲线的难度； (4) 便于在生长曲线中引入其它解释变量，如性别、营养状况等，分析其对生长过程的影响。 应用前景 假定已知方差 的值，则可直接构造分块对角阵 ，简记为 。直接采用通常的广义最小二乘法(Generalized Least Squares GLS)可获得固定系数的估计： 在初始阶段，假定 为 0 ，即假定数据不具有系统结构，则给出固定系数通常的 OLS 估计 ，得到粗残差： 将粗残差向量记为： 将粗残差向量形成交叉乘积矩阵