多層統(tǒng)計分析模型

1、關(guān)于多層統(tǒng)計分析模型第一張，PPT共六十九頁，創(chuàng)作于2022年6月青蛙與池塘（“Frog-pond theory”）青蛙學生個體；池塘學校環(huán)境；學生的成績好壞不僅受到個體本身的影響，也受到學校環(huán)境的影響！第二張，PPT共六十九頁，創(chuàng)作于2022年6月多層數(shù)據(jù)低一層（低水平）單位（個體）的數(shù)據(jù)嵌套（nested）于高一層（高水平）的單位（組群）之中。結(jié)局變量，個體解釋變量，場景變量（contextual variables）第三張，PPT共六十九頁，創(chuàng)作于2022年6月組內(nèi)觀察相關(guān)（within-group observation dependence）同一組內(nèi)的個體，較不同組的個體而言，在觀念

2、、行為等很多方面更為接近或相似；即便不是刻意分組，也是如此。組內(nèi)同質(zhì)（within-group homogeneity），組間異質(zhì)（between-group heterogeneity）很小的相關(guān)將導(dǎo)致很大的I類錯誤。第四張，PPT共六十九頁，創(chuàng)作于2022年6月多層數(shù)據(jù)的常見來源復(fù)雜抽樣；多中心臨床試驗；縱向研究（longitudinal studies）與重復(fù)測量（repeated measures）；“高低搭配”；Meta分析；第五張，PPT共六十九頁，創(chuàng)作于2022年6月多層統(tǒng)計模型的研究內(nèi)容哪些個體解釋變量會影響結(jié)局變量；哪些場景變量會影響結(jié)局變量；個體解釋變量對結(jié)局變量的影響是否

3、會受到場景變量的影響。第六張，PPT共六十九頁，創(chuàng)作于2022年6月多層統(tǒng)計模型出現(xiàn)前對多層數(shù)據(jù)進行分析的探索第七張，PPT共六十九頁，創(chuàng)作于2022年6月探索（1）分別估計在個體水平和組群水平分別進行分析；試圖用單一的個體水平模型的分析結(jié)果來推論另一水平的統(tǒng)計結(jié)果。第八張，PPT共六十九頁，創(chuàng)作于2022年6月探索（2）傳統(tǒng)回歸用傳統(tǒng)的固定效應(yīng)回歸模型中一般的交互項理解多層數(shù)據(jù)中的跨層（cross-level）交互作用。第九張，PPT共六十九頁，創(chuàng)作于2022年6月探索（3）兩步模型（two-stage model）第一步模型，對各組分別進行同一回歸模型估計，獲得一系列的系數(shù)；對這些系數(shù)的恒

4、定性進行檢驗；如果不恒定，則進行第二步模型，以組變量為因變量，系數(shù)為自變量進行回歸。第十張，PPT共六十九頁，創(chuàng)作于2022年6月探索（3）兩步模型的問題無論哪一步均使用OLS，并不適用；當組群過多，則十分麻煩；某些組內(nèi)樣本量很少時，進行回歸不穩(wěn)定；將每個組群認為是不相關(guān)的，忽略了其為從一大樣本中抽取的事實。第十一張，PPT共六十九頁，創(chuàng)作于2022年6月多層統(tǒng)計模型的出現(xiàn)研究的學者很多；系統(tǒng)的主要為兩；研究的理論沒有根本上的分歧；雙方研究成果的發(fā)布時間基本相同（上世紀80年代末90年代初）；分別有各自分析的成熟的軟件；目前，大家基本上接受兩組人分別獨立開發(fā)出同一模型的結(jié)果。第十二張，PPT共

5、六十九頁，創(chuàng)作于2022年6月S. Raudenbush與A. Bryk模型稱為：hierarchical linear model；軟件為：HLM第十三張，PPT共六十九頁，創(chuàng)作于2022年6月H. Goldstein模型稱為：multilevel models；軟件為：MLwiN（早期版本稱ML3，MLn）第十四張，PPT共六十九頁，創(chuàng)作于2022年6月多層統(tǒng)計模型的名稱multilevel modelshierarchical linear modelrandom-effect modelrandom coefficient modelvarious component modelmix

6、ed-effect modelempirical Bayes model第十五張，PPT共六十九頁，創(chuàng)作于2022年6月多層統(tǒng)計模型的優(yōu)點同時分析組效應(yīng)和個體效應(yīng)；不需有獨立性假設(shè)；對稀疏（sparse）數(shù)據(jù)，即每組樣本很少的數(shù)據(jù)，特別有效；特別適合對發(fā)展模型（GM）的分析。第十六張，PPT共六十九頁，創(chuàng)作于2022年6月多層統(tǒng)計模型的局限性（1）模型復(fù)雜，不夠簡約；需較大樣本以保證穩(wěn)定性；組群數(shù)量較少，會出現(xiàn)偏倚；高水平單位并非嚴格抽樣獲得；某些場景變量通常是各組個體的聚集性測量，而不是總體內(nèi)個體的聚集性測量；第十七張，PPT共六十九頁，創(chuàng)作于2022年6月多層統(tǒng)計模型的局限性（2）研究對象

7、一般具有流動性，即受到群組影響的程度不同，雖可用出入時間進行控制，但此信息一般不可知；依然存在自變量帶有測量誤差的問題，必需借助于結(jié)構(gòu)方程模型（SEM）；完全嵌套假設(shè)，即每一個低水平單位嵌套、且僅嵌套于一個高水平單位。第十八張，PPT共六十九頁，創(chuàng)作于2022年6月用于多層統(tǒng)計模型的軟件專門軟件：HLM；MLwiN；SuperMIX；aML；EGRET；LISREL；Mplus等。通用統(tǒng)計學軟件：SAS；SPSS；stata；S-plus/R等。第十九張，PPT共六十九頁，創(chuàng)作于2022年6月線性多層統(tǒng)計模型基礎(chǔ)知識第二十張，PPT共六十九頁，創(chuàng)作于2022年6月組內(nèi)相關(guān)系數(shù)（Intra-Cl

8、ass Correlation Coefficient, ICC）組間方差占總方差的比例?？墒褂脤Α翱漳Ｐ汀钡臄M合獲得；值域在0到1之間，越接近1，說明相關(guān)越明顯；對ICC的檢驗是是否選擇多層模型的依據(jù)。第二十一張，PPT共六十九頁，創(chuàng)作于2022年6月兩水平模型的公式表達第二十二張，PPT共六十九頁，創(chuàng)作于2022年6月空模型（又稱截距模型）第二十三張，PPT共六十九頁，創(chuàng)作于2022年6月兩個水平1自變量、一個水平2自變量第二十四張，PPT共六十九頁，創(chuàng)作于2022年6月一般模型第二十五張，PPT共六十九頁，創(chuàng)作于2022年6月SAS中的公式表達第二十六張，PPT共六十九頁，創(chuàng)作于2022

9、年6月模型假設(shè)第二十七張，PPT共六十九頁，創(chuàng)作于2022年6月模型假設(shè)SAS的表達第二十八張，PPT共六十九頁，創(chuàng)作于2022年6月固定和隨機回歸系數(shù)第二十九張，PPT共六十九頁，創(chuàng)作于2022年6月模型估計方法第三十張，PPT共六十九頁，創(chuàng)作于2022年6月最大似然法（ML）包括普通最大似然法（ML）和限制性最大似然法（REML）；兩者用于估計的殘差基礎(chǔ)不同，后者的殘差包括所有的隨機變異；REML是SAS的MIXED過程和HLM的默認算法；REML通常用于組數(shù)量較少的模型；ML可以用于模型比較，而REML不行；REML估計較優(yōu)，而ML較快。第三十一張，PPT共六十九頁，創(chuàng)作于2022年6月

10、最小二乘法（LS）包括迭代廣義最小二乘法（IGLS）和限制性迭代廣義最小二乘法（RIGLS）都以普通最小二乘估計（OLS）為初始值進行迭代；地位及相對關(guān)系大致等同于ML和REML；是MLwiN使用的算法。第三十二張，PPT共六十九頁，創(chuàng)作于2022年6月經(jīng)驗Bayes方法（EB）“收縮估計（shrinkage estimator）”以可靠性權(quán)重確定最后的估計值；對于某些樣本量很小的組，則更多的使用總樣本的信息，進行“借力（borrow strength）”第三十三張，PPT共六十九頁，創(chuàng)作于2022年6月空模型的可靠性權(quán)重第三十四張，PPT共六十九頁，創(chuàng)作于2022年6月對模型擬合的評價SAS

11、給出：-2LL，AIC，AICC，BIC等統(tǒng)計量，其值越小越好；但只在比較模型時有用；模型收斂的速度可以說明擬合的好壞。第三十五張，PPT共六十九頁，創(chuàng)作于2022年6月假設(shè)檢驗全局檢驗：F檢驗；局部檢驗：對方差-協(xié)方差估計使用Wald Z檢驗；對系數(shù)使用t檢驗；單測檢驗，P值需除2；其它可使用LR等。第三十六張，PPT共六十九頁，創(chuàng)作于2022年6月模型比較對于嵌套模型，使用LR檢驗；對于非嵌套模型，使用AIC，AICC和BIC檢驗；無論何種，均需使用ML進行估計。第三十七張，PPT共六十九頁，創(chuàng)作于2022年6月對變異的解釋程度（RB）第三十八張，PPT共六十九頁，創(chuàng)作于2022年6月對變

12、異的解釋程度（SB）第三十九張，PPT共六十九頁，創(chuàng)作于2022年6月示例與SAS實現(xiàn)第四十張，PPT共六十九頁，創(chuàng)作于2022年6月例1：對醫(yī)生滿意度調(diào)查Patid：病人編號；Phys：醫(yī)生編號；Age：病人年齡；Sat：滿意度分數(shù)；Practice：執(zhí)業(yè)時間；第四十一張，PPT共六十九頁，創(chuàng)作于2022年6月空模型第四十二張，PPT共六十九頁，創(chuàng)作于2022年6月空模型2步迭代完成；所有隨機系數(shù)的檢驗均高于檢驗水準；ICC=0.00292/（0.00292+1.291）=0.23%不用進一步擬合多水平模型第四十三張，PPT共六十九頁，創(chuàng)作于2022年6月例2：SNA角度測量值id：觀察對象

13、編號；occa：每次觀察編號；Age：病人年齡；SNA：角度；agg：場景變量；第四十四張，PPT共六十九頁，創(chuàng)作于2022年6月空模型3步迭代完成；所有隨機系數(shù)的檢驗部分低于檢驗水準；ICC=0.4296/（0.4296+0.5629）=43.28%應(yīng)進一步擬合多水平模型第四十五張，PPT共六十九頁，創(chuàng)作于2022年6月空模型加入場景變量第四十六張，PPT共六十九頁，創(chuàng)作于2022年6月空模型加入場景變量3步迭代完成，隨機截距有意義；所有隨機系數(shù)的檢驗部分低于檢驗水準；該模型-2LL=345.8，空模型-2LL=352.2，則LR2=6.4，p=0.0114；RB=1-0.3330/0.42

14、96=0.2248;第四十七張，PPT共六十九頁，創(chuàng)作于2022年6月加入水平1變量（固定效應(yīng)）第四十八張，PPT共六十九頁，創(chuàng)作于2022年6月加入水平1變量（固定效應(yīng)）3步迭代完成，隨機截距有意義；所有隨機系數(shù)的檢驗部分低于檢驗水準；該模型-2LL=199.1，前模型-2LL=345.8，則LR2=146.7，p=0.000；第四十九張，PPT共六十九頁，創(chuàng)作于2022年6月檢驗水平1的隨機性第五十張，PPT共六十九頁，創(chuàng)作于2022年6月檢驗水平1的隨機性4步迭代完成，2個隨機系數(shù)均有意義；所有隨機系數(shù)的檢驗部分低于檢驗水準；該模型-2LL=185.6，前模型-2LL=199.1，則LR

15、2=3.5，p=0.1738；第五十一張，PPT共六十九頁，創(chuàng)作于2022年6月跨層交互作用評估第五十二張，PPT共六十九頁，創(chuàng)作于2022年6月跨層交互作用評估5步迭代完成，隨機截距有意義，但交互項沒意義；-2LL等都對前模型有所增加；跨層交互作用不顯著。第五十三張，PPT共六十九頁，創(chuàng)作于2022年6月建模一般步驟運行空模型以獲得ICC，判斷是否進行多層模型擬合；加入水平2解釋變量；加入水平1解釋變量；檢驗水平1隨機斜率；檢驗跨水平交互作用（全模型）。第五十四張，PPT共六十九頁，創(chuàng)作于2022年6月發(fā)展模型第五十五張，PPT共六十九頁，創(chuàng)作于2022年6月傳統(tǒng)縱向數(shù)據(jù)分析方法的局限性重復(fù)

16、測量的方差分析；假設(shè)殘差方差在各時間點上相等；或，假設(shè)任何時點之間的殘差方差的差異相等（即所謂“球面（sphericity）”假設(shè)或稱“環(huán)形（circularity）”假設(shè)）；要求完整均衡數(shù)據(jù)，即等時距，無缺失。第五十六張，PPT共六十九頁，創(chuàng)作于2022年6月發(fā)展模型的優(yōu)點可處理缺失和不完整數(shù)據(jù)；可處理不等時距問題；不要求對象內(nèi)獨立即其它的限制性假設(shè)；可以容易的加入時間依賴自變量。第五十七張，PPT共六十九頁，創(chuàng)作于2022年6月發(fā)展模型與一般多層模型的區(qū)別第五十八張，PPT共六十九頁，創(chuàng)作于2022年6月SAS程序proc mixed covtest ic;class id timec;m

17、odel y=trt | time / s ddfm=KR notest;random int time / subject=id G type=UN;repeated timec / subject=id R type=AR(1);run;第五十九張，PPT共六十九頁，創(chuàng)作于2022年6月離散型結(jié)局變量的多層統(tǒng)計模型第六十張，PPT共六十九頁，創(chuàng)作于2022年6月廣義線性模型隨機成分（random components）：指的是分布，一般為指數(shù)族分布；系統(tǒng)成分（systematic component）：即傳統(tǒng)回歸模型形態(tài)；鏈接函數(shù)（link function）第六十一張，PPT共六十九頁，

18、創(chuàng)作于2022年6月廣義線性混合效應(yīng)模型對廣義線性模型和多層統(tǒng)計模型的結(jié)合和擴展。第六十二張，PPT共六十九頁，創(chuàng)作于2022年6月廣義線性混合效應(yīng)模型的估計方法線性化法（linearization methods）數(shù)值法積分近似法（integral approximation with numerical methods）第六十三張，PPT共六十九頁，創(chuàng)作于2022年6月線性化法使用泰勒展開式等技術(shù)來近似估計該積分似然函數(shù)；不使用原始數(shù)據(jù)，而是按原始數(shù)據(jù)產(chǎn)生偽數(shù)據(jù)（pseudo-data）進行估計；SAS中的GLMMIX過程。第六十四張，PPT共六十九頁，創(chuàng)作于2022年6月線性化法的優(yōu)點和局限性模型的聯(lián)合分布難于確定，也可以勝任；可擬合較多隨機效應(yīng)；允許不同結(jié)構(gòu)的R矩陣；可以使用REML等；由于使用偽數(shù)據(jù)進行擬合，不能使用LR進行模型比較；SAS提供的隨機效應(yīng)的標準誤有偏，不能用于假設(shè)檢驗。第六十五張，PPT共六十九頁，創(chuàng)作于2022年6月數(shù)值法積分近似法使用原始數(shù)據(jù)估算邊際積分似然函數(shù)的近似值；默認的是適應(yīng)性高斯求積法；并可使