1、專業資料推薦SPSS 詳細操作：廣義估計方程SPSS 詳細操作：廣義估計方程2017-03-18 17:40 一、問題與數據 在臨床研究中，經常會比較兩種治療方式對患者結局的影響， 并且多次測量結局。例如，為了研究兩種降壓藥物對血壓的 控制效果是否存在差異，研究者會對兩個人群服藥后在不同 時間點記錄血壓值，然后評價降壓效果。或者對兩組動物分 別施加兩種干預，連續記錄多個時間點的結局，然后比較兩 種干預的效果。這種設計可以用如下示意圖表示：另外，有時研究只需要收集一個時間點的數據，但是一個研 究對象會提供多個部位的數據點。例如，研究者想評價冠心 病患者在冠脈搭橋術后應用阿司匹林是否可以有效降低患

2、 者血管的再堵塞，評價的方法是術后 1 年做冠脈造影觀察血 管是否堵塞，但是每個患者可能會在同一次手術中對多條冠 狀動脈血管進行搭橋，因此有的患者可能會貢獻多組數據。 這種設計可以用如下示意圖表示：以上兩種設計，不管是臨床試驗還是動物試驗都非常常見， 它的特點在于數據間非獨立，同一個體間數據具有相關性。 對于這樣的設計類型，該如何分析呢？ 今天我們來介紹另外一種非常好的方法廣義估計方程(GEE )。GEE既可以處理連續型結局變量也可以處理分類 型結局變量，它實際上代表了一種模型類別，即在傳統模型 的基礎上對相關性數據進行了校正， 可以擬合 Logistic 回歸、 泊松回歸、 Probit 回

3、歸、一般線性回歸等廣義線性模型。 本文將以阿司匹林預防冠脈搭橋后血管再堵塞為例介紹運 用 SPSS 進行 GEE 的操作方法。以下為數據格式： 表 1. 數據格式每名患者貢獻數據量不等。如編號為 1 的患者只對一根血管 進行了搭橋手術，編號為 2 的患者則有兩根血管進行搭橋手 術。表 2. 變量賦值(注：本例中數據純屬虛構，分析結果不能產生任何結論。 性別為待調整變量。 )二、SPSS 分析方法1. 數據錄入 SPSS首先在 SPSS 變量視圖 ( Variable View )中新建上述表 2 中 變量，然后在數據視圖( Data View )中錄入數據。2. 選擇 Analyze Gene

4、ralized Linear ModelsGeneralized Estimating Equations3. 選項設置 在 Repeated 模塊中，將患者 ID 選入 Subject variables 框，搭橋血管 Num 選入 Within-subject variables 框。在Working Correlation Matrix 的 Structure 下拉列表中選擇同 一患者貢獻數據的相關性結構。其有 5 個選項，分別為：Independent ：各數據間獨立，即同一患者貢獻的數據可以 視為來源于不同個體。AR(1) ：自相關，用于不同時間點的數據，相鄰時間點相關 性最大，時間

5、間距越大相關性越小。Exchangeable ：等相關，各數據點的相關性均相等。M-dependent ：相鄰相關，僅臨近的 M+1 個數據相關。 Unstructured ：不限定相關結構，由數據本身決定。本例中，同一患者搭橋的血管互相之間應等同看待，兩兩間 相關性應相等，因此選擇等相關更合適。其他維持默認。 在 Type of Model 模塊中設置模型類型在此界面有 6 種模型類型可選：Scale Response ：結局變量為連續型變量Ordinal Response ：結局變量為有序分類變量Counts ：結局變量為計數Binary Response or Events/Trials

6、 Data ：結局變量為二分類 變量Mixture ：結局變量為 Tweedie 分布變量Custom ：自定義以上 6 大類類型下還需選擇連接函數。本例中結局變量為二 分類變量， Logistic 回歸應用更加普遍，因此我們選擇 Binary logistic 來擬合校正數據相關性的 Logistic 回歸模型。 在 Response 模塊指定結局變量將 Outcome 變量選入 Dependent Variable ，在 Reference Category 中選擇最小值作為參考值 （本例中 0 為最小值，代 表未發生結局） 。 在 Predictors 模塊中將要納入模型的 Treatm

7、ent 和 Sex 變量選入 Covariates 中。 Covariates 應放入連續型變量，Factors 中放入分類變量，但是本例中兩自變量均為二分類 變量，放入 Covariates 處也可。 在 Model 模塊中將 Treatment 和 Sex 選入 Model 框內， 還可納入交互項，本例中不納入。 在 Statistics 模塊中除默認外，另外勾選 Include exponential parameter estimates 以獲得 OR 值，然后點擊 OK。三、結果解讀 結果中首先給出的是一些模型基本信息，在此略過。這里僅 介紹模型參數估計值結果：從結果可以看到，Tre

8、atment變量的系數值(B)為-1.077 ,Exp(B)為0.341，即OR值，P=0.046，說明術后使用阿司匹林的患者 1 年后發生血管再堵塞的風險是使用安慰劑組的0.341 倍且有統計學意義，即阿司匹林具有保護作用。另外 我們納入校正的性別變量 Sex OR 值為 0.692 ，但 P=0.531 未達顯著水平。如果我們不考慮數據間的相關性，直接采用傳統的 Logistic 回歸模型，那么將得到以下結果：從結果中可以看到，盡管 Treatment 的 OR 值與 GEE 模型 中相差不大，但其 P 值卻不再顯著。從本例中可以看到，如 果在數據分析中方法選用錯誤將可能得不到正確結論。四

9、、結果匯總 冠脈搭橋術后患者應用阿司匹林可以有效降低發生血管堵 塞的風險。服用阿司匹林組患者發生血管堵塞風險是服用安 慰劑組患者的 0.341 倍( P=0.046 )。五、總結與拓展 對于文首提及的兩個例子，常見的分析方法有重復測量方差 分析和多水平模型，但是重復測量方差分析要求結局變量為 連續變量，不適用于分類變量。多水平模型處理相關性數據 時非常靈活，結局可以為連續變量，也可以為分類變量，應 用非常廣泛。GEE 的應用似乎沒有前兩種廣泛，但其具有非常好的特性。GEE 既可以處理連續型結局變量也可以處理分類型結局變 量，其優勢在于， 即使設定的數據間相關結構與實際有偏差， 在樣本量較大時其

10、模型估計參數仍然具有無偏性。 GEE 模型 中自變量系數估計值準確性的論證相較于多水平模型更加 充分，因此部分研究者更加推薦使用 GEE 。雖然 GEE 模型中數據間相關結構指定錯誤時模型系數也具 有無偏性，但前提是樣本量要足夠大。在同樣的樣本量下，正確的相關結構更可能得到準確的參數估計和置信區間，因 此應仔細分析數據類型，選擇最可能正確的相關結構。 關于 GEE 的內容較為復雜， 在此無法詳述， 對 GEE 有興趣 的讀者或需要使用 GEE 模型的讀者，推薦閱讀專業書籍和 文獻。 SPSS 詳細操作：廣義估計方程2017-03-18 17:40 一、問題與數據 在臨床研究中，經常會比較兩種治

11、療方式對患者結局的影響， 并且多次測量結局。例如，為了研究兩種降壓藥物對血壓的 控制效果是否存在差異，研究者會對兩個人群服藥后在不同 時間點記錄血壓值，然后評價降壓效果。或者對兩組動物分 別施加兩種干預，連續記錄多個時間點的結局，然后比較兩 種干預的效果。這種設計可以用如下示意圖表示：另外，有時研究只需要收集一個時間點的數據，但是一個研 究對象會提供多個部位的數據點。例如，研究者想評價冠心 病患者在冠脈搭橋術后應用阿司匹林是否可以有效降低患 者血管的再堵塞，評價的方法是術后 1 年做冠脈造影觀察血 管是否堵塞，但是每個患者可能會在同一次手術中對多條冠 狀動脈血管進行搭橋，因此有的患者可能會貢獻

12、多組數據。這種設計可以用如下示意圖表示：以上兩種設計，不管是臨床試驗還是動物試驗都非常常見， 它的特點在于數據間非獨立，同一個體間數據具有相關性。 對于這樣的設計類型，該如何分析呢？ 今天我們來介紹另外一種非常好的方法廣義估計方程(GEE )。GEE既可以處理連續型結局變量也可以處理分類 型結局變量，它實際上代表了一種模型類別，即在傳統模型 的基礎上對相關性數據進行了校正， 可以擬合 Logistic 回歸、 泊松回歸、 Probit 回歸、一般線性回歸等廣義線性模型。 本文將以阿司匹林預防冠脈搭橋后血管再堵塞為例介紹運 用 SPSS 進行 GEE 的操作方法。以下為數據格式： 表 1. 數據

13、格式每名患者貢獻數據量不等。如編號為 1 的患者只對一根血管 進行了搭橋手術，編號為 2 的患者則有兩根血管進行搭橋手 術。表 2. 變量賦值(注：本例中數據純屬虛構，分析結果不能產生任何結論。 性別為待調整變量。 )二、SPSS 分析方法1. 數據錄入 SPSS首先在SPSS變量視圖(Variable View )中新建上述表 2中 變量，然后在數據視圖( Data View )中錄入數據。2. 選擇 Analyze Generalized Linear ModelsGeneralized Estimating Equations3. 選項設置 在 Repeated 模塊中，將患者 ID 選

14、入 Subject variables 框，搭橋血管 Num 選入 Within-subject variables 框。在Working Correlation Matrix 的 Structure 下拉列表中選擇同 一患者貢獻數據的相關性結構。其有 5 個選項，分別為：Independent ：各數據間獨立，即同一患者貢獻的數據可以 視為來源于不同個體。AR(1) ：自相關，用于不同時間點的數據，相鄰時間點相關 性最大，時間間距越大相關性越小。Exchangeable ：等相關，各數據點的相關性均相等。 M-dependent ：相鄰相關，僅臨近的 M+1 個數據相關。Unstructur

15、ed ：不限定相關結構，由數據本身決定。本例中，同一患者搭橋的血管互相之間應等同看待，兩兩間相關性應相等，因此選擇等相關更合適。其他維持默認。 在 Type of Model 模塊中設置模型類型在此界面有 6 種模型類型可選：Scale Response ：結局變量為連續型變量Ordinal Response ：結局變量為有序分類變量Counts ：結局變量為計數Binary Response or Events/Trials Data ：結局變量為二分類 變量Mixture ：結局變量為 Tweedie 分布變量Custom ：自定義以上 6 大類類型下還需選擇連接函數。本例中結局變量為二

16、分類變量， Logistic 回歸應用更加普遍，因此我們選擇 Binary logistic 來擬合校正數據相關性的 Logistic 回歸模型。 在 Response 模塊指定結局變量將 Outcome 變量選入 Dependent Variable ，在 Reference Category 中選擇最小值作為參考值 （本例中 0 為最小值，代 表未發生結局） 。 在 Predictors 模塊中將要納入模型的 Treatment 和 Sex 變量選入 Covariates 中。 Covariates 應放入連續型變量， Factors 中放入分類變量，但是本例中兩自變量均為二分類 變量，放

17、入 Covariates 處也可。 在 Model 模塊中將 Treatment 和 Sex 選入 Model 框內， 還可納入交互項，本例中不納入。 在 Statistics 模塊中除默認外，另外勾選 Include exponential parameter estimates 以獲得 OR 值，然后點擊 OK。三、結果解讀 結果中首先給出的是一些模型基本信息，在此略過。這里僅 介紹模型參數估計值結果：從結果可以看到，Treatment變量的系數值(B)為-1.077 ,Exp(B)為0.341，即OR值，P=0.046，說明術后使用阿司匹林的患者 1 年后發生血管再堵塞的風險是使用安慰劑

18、組的0.341 倍且有統計學意義，即阿司匹林具有保護作用。另外 我們納入校正的性別變量 Sex OR 值為 0.692，但 P=0.531 未達顯著水平。Logistic如果我們不考慮數據間的相關性，直接采用傳統的 回歸模型，那么將得到以下結果： 從結果中可以看到，盡管 Treatment 的 OR 值與 GEE 模型 中相差不大，但其 P 值卻不再顯著。從本例中可以看到，如 果在數據分析中方法選用錯誤將可能得不到正確結論。四、結果匯總 冠脈搭橋術后患者應用阿司匹林可以有效降低發生血管堵 塞的風險。服用阿司匹林組患者發生血管堵塞風險是服用安 慰劑組患者的 0.341 倍( P=0.046 )。五、總結與拓展 對于文首提及的兩個例子，常見的分析方法有重復測量方差 分析和多水平模型，但是重復測量方差分析要求結局變量為 連續變量，不適用于分類變量。多水平模型處理相關性數據 時非常靈活，結局可以為連續變量，也可以為分類變量，應 用非常廣泛。GEE 的應用似乎沒有前兩種廣泛，但其具有非常好的特性。 GEE 既可以處理連續型結局變量也