广义线性模型_重复测量数据分析系列：广义线性混合模型（GLMM）

重复测量数据有几个明显的特征，一是个体内数据是反复收集的，同一对象的多次观测结果往往不独立(存在相关性)，二是变异来源上看有个体内变异和个体间变异，三是数据可能存在缺失值。

有多个统计模型可以实现重复测量数据的分析：

【1】一般线性模型中的重复测量方差分析，可以采用一元方差分析和多元方差分析。重复测量方差分析要求还是比较苛刻的，要求多元正态性、组间方差-协方差矩阵相等(Box’M检验)，数据上也不能有缺失值。一元差分析虽然考虑了个体随机效应，但要求方差协方差结构满足复合对称或者球性假设。复合对称结构假定不同时间点上的残差方差相等且协方差为常数，球形结构假设比复合对称结构假设要宽松一些，仅要求任意两时间点之差的方差相等。但真正满足这样的结构还是比较困难的，为了除去这种假设的不合理的影响，当数据不满足球性结构时就需要对结果进行校正，如Greenhouse-Geisser校正、Huynh-Feldt校正、Lower-bound校正。多元方差分析不对个体内的方差协方差结构做限定，只允许残差具有非结构方差协方差结构。【2】广义估计方程(GEE)。广义线性模型(GLM)是对一般线性模型的扩展，可以扩展到非正态数据，包括分类、计数资料等，广义方程估计在此基础上进一步扩展到可以处理非独立数据；【3】线性混合模型(LMM)。混合线性模型实际上是对方差分析模型的扩展，使其能够处理非独立数据；【4】广义线性混合模型(GLMM)。广义线性混合模型可以看做是广义线性模型和线性混合模型的融合，可以处理不呈正态也不独立的数据。

模型【1】【2】【3】前面都做过介绍： 重复测量的方差分析【SPSS】 、 重复测量的方差分析【JMP】 ； 广义估计方程 ； 多层线性混合模型【SPSS】 、 多层线性混合模型【STATA】 ，今天的示例是重复测量数据的广义线性混合模型【SPSS操作】。

---

示例：某溶栓药物治疗20名急性脑梗死患者的疗效，采用随机、双盲、安慰剂平行对照设计，每组各10例，分别于治疗前及治疗后8周每周进行随访观测，观测指标为神经系统体征评分(MDNS)。示例来源：杨珉.李晓松等.医学和公共卫生研究常用多水平统计模型.北京:北京大学医学出版社,2007.5.

---

此案例我们在上次的stata笔记中用于建立演示多层线性混合效应模型的操作，笔记按部就班地从最简单地截距模型开始一直到最终模型的确立，但更多的只是演示步骤和结果解读，并不是对案例的完整分析，比如交互作用有意义之后的分层分析，连续变量的中心化处理等都未考虑。

本示例依旧未对数据进行中心化处理，只是演示广义线性混合效应模型在重复测量数据上的操作步骤，而且是一开始便建立完整的“全模型”，残差方差协方差结构则设定为不同时间点的纵向资料分析常见的一阶自回归，然后逐渐去除掉没有意义的因素。交互作用引起的共线问题以及数据中心化处理以后单独一文吧。 用广义线性混合模型来分析这个连续型数据的重复测量的示例，本质上就是用广义线性混合模型(GLMM)来实现多层线性混合模型(LMM)而已。为了更好地理解模型参数代表的意义，我们先重新温习一下多层线性混合模型，本例全模型如下：

加入背景协变量age后，结果会有校正。在组合模型里面，截距γ00是Trtgj=0