两重复测量因素的广义估计方程(Two Repeated Measures Factor GEE)一(无交互作用)——SPSS软件实现

发布于 2023年1月16日 星期一 20:14:27 浏览:3418
原创不易,转载请注明来源,感谢!
附件下载:
1673871157-两重复测量因素的广义估计方程一(无交互作用).zip 请勿重复点击,如无响应请耐心等待或稍后再试。

在“两重复测量因素方差分析(Two Repeated Measures Factor ANOVA)一(无交互作用)——SPSS软件实现”一文中介绍了使用重复测量方差分析处理存在两个重复测量因素的数据。对于该类数据还可使用广义估计方程(generalized estimating equations, GEE)进行分析,本文将实例演示在SPSS软件中通过广义估计方程分析存在两个重复测量因素(无交互作用)数据的操作步骤。

关键词:SPSS; 重复测量; 重复测量资料; 两重复测量因素; 广义估计方程; GEE; 交互作用; 主效应; 单独效应

一、案例介绍

本例使用“两重复测量因素方差分析(Two Repeated Measures Factor ANOVA)一(无交互作用)——SPSS软件实现”一文案例。评价在某麻醉药物的作用下,不同部位某蛋白酶活性变化情况。在使用该种药物后,检测12只小白鼠用药后4个不同时间点(10、20、30、40min)的A部位和B部位蛋白酶的活性。

广义估计方程需要使用长型格式数据,部分数据见图1所示。“ID”为研究对象编号;“时间”为4个不同时间点(1=10min,2=20min,3=30min,4=40min);“部位”分为A部位(1=A部位)和B部位(2=B部位);“活性”为蛋白酶的活性。本案例数据可从“附件下载”处下载。若数据为宽型格式,则需要将其转换为长型格式,具体操作见“长宽型数据转换”。

图1

二、问题分析

本案例资料具有两个重复测量因素,一个是时间因素,有4个水平,即用药后4个不同时间点(10、20、30、40min)。另一个是身体不同部位,有2个部位,即A部位和B部位。因此可以使用广义估计方程进行数据分析。

三、软件操作及结果解读

(一) 软件操作

模块调取:选择“分析”—“广义线性模型”—“广义估算方程”(图2)。

图2

打开“广义估算方程”对话框,在“重复”模块(图3)下,将ID选入右侧“主体变量”框中;将“时间”和“部位”选入“主体内变量”框中;在“工作相关性矩阵”项中选择默认“自变量(正确翻译为:独立不相关)”。

图3

在“广义估算方程”对话框的“模型类型”模块(图4)下,选择“标度响应”下的“线性”,因为因变量是计量资料。

图4

在“广义估算方程”对话框的“响应”模块(图5)下,将“活性”选入“因变量”对话框中。

图5

在“广义估算方程”对话框的“预测变量”模块(图6)下,,将“时间”和“部位”选入“因子”对话框;点击“选项”,在“因子的类别顺序”项中选择“降序”(图7),表示以自变量的第一个水平为参照计算相关参数和效应量。若选择“升序”,则表示以自变量的最后一个水平为参照计算相关参数和效应量。

图6
图7

在“广义估算方程”对话框的“模型”模块(图8)下,将“时间”“部位”的“主效应”项以及“时间*部位”的“交互”项选入“模型”框。

图8

在“广义估算方程”对话框的“统计”模块(图9)下,在“打印”项中补充勾选“包括指数参数估算值”,可计算OR、RR等效应量。

图9

在“广义估算方程”对话框的“EM平均值”模块(图10)下,将左侧“因子和交互”下的“时间”“部位”“时间*部位”均选入右侧“显示下列各项的平均值”项中;同时,在“对比”下均选择“成对”;在左下角“多重比较调整”项中选择“邦弗伦尼”;点击“确定”即可。

图10

(二) 交互作用判断

“模型效应检验”结果(图11)提示,“时间*部位”之间的交互效应无统计学意义(P=0.176),因此在“广义估算方程”对话框的“模型”模块设置(图8)中,将“模型”框中的“时间*部位”项移除,点击“确定”重新分析数据。下面展示重新分析后的结果。

图11

(三) 主效应分析

1. 统计学描述

结果给出按时间分组(图12)和按部位分组(图13)的各组“估算边际均数”“标准误差”及均数的“95%置信区间”。因为不存在协变量,所以估算边际均数与实际数据均数完全一致。

图12
图13

2. 模型摘要

由“模型信息”结果(图14)可知,本次分析关联函数为“恒等式”,工作相关性矩阵结构为“自变量(正确翻译为:独立不相关)”。

图14

3. 模型拟合评价

“拟合优度”结果(图15)提供了QIC值和QICC值,表示模型的拟合优度,其值越小拟合越好,可用于不同作业相关矩阵的分析结果比较。此处可与保留“时间*部位”交互项的模型比较,发现去掉交互项后QIC值和QICC值均降低,也表明去掉交互项后模型拟合得到进一步优化。

图15

“模型效应检验”结果(图16)提示“时间”有统计学意义(P<0.001),表示不同测量时间点的蛋白酶活性差异有统计学意义;“部位”无统计学意义(P=0.819),表示不同部位的蛋白酶活性差异无统计学意义。

图16

4. 参数估计

“参数估计”结果(图17)列出了各次测量结果与第一次测量结果相比的系数及统计学推断结果,可见与“时间=1”的测量结果比较,“时间=2”“时间=3”“时间=4”结果差异均有统计学意义(P<0.001);如时间点2 (20min)蛋白酶活性比时间点1 (10min)低0.145,时间点3 (30min)蛋白酶活性比时间点1 (10min)低0.275。B部位比A部位的蛋白酶活性低0.010,差异无统计学意义(P=0.819)。

图17

5. 两两比较

“成对比较”结果(图18)提供了各时间点两两比较的“平均值差值”“标准误差”“显著性(校正P值)”和均数的“95%置信区间”。可知,随着时间的延长,各时间点与10min时相比,均数差逐渐增大,且均有统计学意义(P<0.001),结果与“参数估计”结果(图17)一致。

图18

四、结论

本研究采用广义估计方程研究在某麻醉药物的作用下,不同部位某蛋白酶活性变化情况。“时间*部位”之间的交互效应无统计学意义(P=0.176),故进行主效应分析。

结果显示,不同测量时间点的蛋白酶活性差异有统计学意义(P<0.001),随着时间的延长,各时刻与10min时相比,均数差逐渐增大,且均有统计学意义(P<0.001)。不同部位的蛋白酶活性差异无统计学意义(P=0.819)。

综上可知,在某麻醉药物的作用下,不同部位某蛋白酶活性变化情况差异无统计学意义,随着时间的延长,蛋白酶活性下降。本例分析结果和“两重复测量因素方差分析(Two Repeated Measures Factor ANOVA) (一)——无交互作用——SPSS软件实现”一致。

End
文章目录 沉浸式阅读