论文部分内容阅读
线性混合效应模型与考虑重复效应的方差分析在重复测量数据中的应用 目的 本文分别采用普通方差分析、考虑重复效应的方差分析以及线性混合效应模型(GLMM)对实例进行了分析,并详细说明和探讨了三者的分析结果,旨在达到以下2个目的:1)在未考虑重复测量数据内部相关性的前提下,运用普通的方差分析可能产生什么样的结果,并对出现这种结果的可能原因加以解释。2)运用考虑重复效应的方差分析和GLMM分别对实例进行分析,详尽展示两种方法的分析过程,探讨二者在方法学上有哪些异同,以利于更好地使用这些方法对重复测量数据进行分析。 方法 普通的方差分析和考虑重复效应的方差分析在SAS6.12的GLM模块中进行分析;线性混合效应模型在SAS6.12的MIXED模块中实现。 结果 普通方差分析结果显示不同年龄间身高存在统计学差异(F=12.35,P<0.001),运用重复效应的方差分析和GLMM均又将年龄分成基线测量时不同个体间年龄及同一个体的不同年龄,结果 发现基线测量时不同个体间年龄间身高无统计学差异(F=0.03,P>0.05),而同一个体不同年龄间身高存在高度统计学差异(F=82.1967,P<0.001)。运用重复效应的方差分析和GLMM分别对实例进行分析并比较,显示二者的分析结果基本一致:不同性别、不同测量时间及二者的交互作用之间身高均存在高度统计学差异,基线测量时不同个体间年龄及其与重复测量时间的交互作用间,身高均无统计学差异。但在具体的分析功能和方法学上两种分析方法又有所不同。 结论 普通方差分析由于没有考虑到重复测量数据随机误差的不同水平分层,仅简单的将其对观察指标的影响合并到了一起,从而导致了错误的分析结果,因此在对重复测量数据进行分析时,应充分考虑数据内部的相关性及随机误差的不同分层,选择正确的统计分析方法。本文分别选用考虑重复效应的方差分析(GLM)和线性混合效应模型(GLMM)对重复测量实例进行分析,详细展示二种方法的安徽医科大学硕士学位论文分析过程,比较其分析结果,结果提示GLMM在均数效应模型的拟合及协方差结构的指定上较GLM更灵活、多样,对协方差参数的估计和检验也较GLM更精确。建议根据资料的设计类型及研究者的研究目的选择合适的统计检验方法。