基于R进行两组患者重复测量数据的分析：使用广义估计方程（GEE）

在医学和生物统计中，广义估计方程（GEE）是一种灵活且强大的方法，用于分析重复测量数据，尤其是当数据不满足传统方差分析的假设时。GEE方法通过指定一个工作协方差矩阵来纠正测量之间的相关性，从而提供了对组内相关性的稳健估计。

GEE的适用条件

1. 数据结构：GEE适用于具有重复测量设计的数据，其中每个受试者在不同时间点或多个场合下被测量。

2. 相关性结构：GEE需要指定一个工作相关性结构来纠正测量之间的相关性。常见的工作相关性结构包括交换性（exchangeable）、一阶自回归（AR(1)）、未结构化（unstructured）等。

3. 正态性：尽管GEE对正态性假设的违反比传统方法更稳健，但正态性仍然是一个理想的假设，特别是对于连续变量。

4. 同质性：GEE不需要假设不同组或不同时间点的方差相等，因此在这方面比传统ANOVA更灵活。

5. 独立性：观察值之间应该独立，或者至少相关性应该通过工作相关性结构得到适当的纠正。

示例代码与结果解读

假设我们有一个数据集repeated_measures.csv，其中包含列id（患者ID），group（组别：'control'或'experiment'），time（时间点），和measurement（测量值）。

首先，加载必要的R包和数据集：

# 加载所需的包
library(geepack)

# 读取数据集
data <- read.csv("repeated_measures.csv")

然后，我们使用geeglm函数来拟合GEE模型：

# 拟合GEE模型
# 使用'id'作为集群变量，'group'和'time'作为固定效应
# 指定工作相关性结构为交换性（exchangeable）
model <- geeglm(measurement &#126; group + time + group:time, id = id, data = data, corstr = "exchangeable", family = gaussian())

# 查看模型摘要以获取结果
summary(model)

假设模型的输出如下：

Call:
geeglm(formula = measurement ~ group + time + group:time, family = gaussian(),
id = id, data = data, corstr = "exchangeable")

Coefficients:
Estimate Std.err z value Pr(>|z|)
(Intercept) 5.03212 0.57456 8.7572 < 2.2e-16 ***
groupexp 1.20485 0.78553 1.5339 0.124834
time 0.50231 0.10328 4.8645 1.131e-06 ***
groupexp:time -0.15344 0.14292 -1.0734 0.282715
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Correlation:
(Intercept) groupexp time groupexp:time
groupexp -0.101
time -0.223 0.048
groupexp:time -0.214 0.047 0.090

Standardized residuals:
Min Q1 Med Q3 Max
-2.3809930 -0.6743180 0.0001644 0.6685274 2.5108238

Number of clusters (id) : 100 Maximum cluster size : 4 

结果解读：

• Coefficients部分提供了固定效应的估计值、标准误、z值和p值。这些值与传统的线性回归系数类似，但考虑了重复测量之间的相关性。

• Intercept是截距的估计值，对应于所有组和时间点的平均基线测量值。

• groupexp是实验组相对于对照组的平均效应。在这个例子中，它不显著（p值大于0.05），说明在基线时两组之间没有显著差异。

• groupexp:times是测量指标在两组间随时间的变化趋势的比较，这里P值大于0.5说明两组患者测量指标随着时间变化趋势没有显著差异。