到目前为止,在模型构建中通过设定随机截距及随机截距-斜率,我们分析了结局测量初始水平和变化率的个体间变异。该方法被称为随机系数发展模型(random coefficient growth model)。此外,还可以通过设定适当的残差方差/协方差结构(residual variance/covariance structure)来分析个体内变异。此方法有时被称为协方差模式模型。最后,还可以同时设定随机效应和残差方差/协方差结构,从个体内变异和个体间变异两个角度来构建模型,分析总方差。
常见的残差方差/协方差结构(王济川,2008)为:非结构性残差方差/协方差结构(unstructured residual variance/covariance structure,UN):UN设定一个非特定结构的方差/协方差矩阵,其所有残差方差/协方差参数具有不同的估计值;复合对称残差方差/协方差(compound symmetry residual variance/covariance structure,CS):CS假设所有方差和协方差分别相等,即只需要估计两个参数——共同方差和共同协方差;一阶自回归残差方差/协方差结构(first order auto-regressive residual variance/covariance structure,AR(1)):AR(1)是时间序列数据中常见的一种结构(Hanna&Quinn,1979),它假设残差方差相等,时滞残差间的相关系数随时间推移呈指数衰减;Toeplitz残差方差/协方差结构(TOEP residual variance/covariance structure):TOEP适用于共同方差、但任意时相关残差的时间序列结构,其不假设序列相关系数随时间而衰减,比AR(1)局限性小;Huynh-Feldt残差方差/协方差结构(HF residual variance/covariance structure):HF假设残差方差不同,每个协方差由两个相关方差的均值减去一常数参数取得。
为了确定合适的残差方差/协方差结构,一般首先检查无特定结构或非结构性残差方差/协方差以及相关系数矩阵。
SAS程序:
以下SAS程序提供残差方差/协方差结构矩阵:
data exe13;
set exe13;
timec=time;
proc mixed plots(maxpoints=none)method=reml covtest noclprInt;
class idind timec;
model BMI=region|time/s ddfm=kr;
repeated timec/subject=idind R rcorr type=un;
run;
SAS程序解释:
以上程序中产生了一个新变量timec,它只是时间变量time的复制,作为分类变量设定在class,repeated语句中。在proc mixed程序运行中,SAS内部将timec处理为代表时间点的一组虚拟变量,以保证在某些时点有缺失观察值的情况下,SAS能够正确按时间点排列数据。
使用random语句来分析个体间变异,使用repeated语句来分析个体内变异。分别要求SAS在输出中打印模型的残差方差/协方差矩阵(R矩阵)和残差相关系数矩阵。
SAS结果:
SAS部分输出如下:
图13-22 个案211101001003的估计R矩阵
图13-23 个案211101001003的估计R相关矩阵
SAS结果解释:
图13-22和图13-23显示,随着时间变化,残差方差和方差间协变或相关略呈下降趋势,但无固定模式。残差方差/协方差结构的选择应通过统计检验。
在以下SAS中,我们分别采用UN、CS、ARID、TOEP和Huynh-Feldt残差方差/协方差结构来拟合模型。我们可以在运行同一模型时分别设定不同的残差方差/协方差结构,也可以用SAS宏程序同时拟合带有不同残差方差/协方差结构的模型。
SAS程序:
data exe13;
set exe13;
timec=time;
%macro fit(cov);
proc mixed plots(maxpoints=none)method=reml covtest noclprint;
class idind timec;
model bmi=region|time/s ddfm=kr;
repeated timec/subject=idind R rcorr type=&cov;
run;(www.xing528.com)
%mend fit;
%fit(UN)
%fit(CS)
%fit(AR(1))
%fit(TOEP)
%fit(HF)
SAS程序解释:
type选项被定义为SAS宏程序fit中的一个参数(COV)。当调用fit宏程序时,可以同时设定数个选项,如%fit(UN),%fit(CS),%fit(AR(1)),%fit(TOEP),%fit(HF)。在随机截距-斜率模型(random Intercept and slope model,RIS)基础上,运行具有不同残差方差/协方差的“全模型”。结果汇总如下表显示,带有UN残差结构的随机截距-斜率模型是以下模型中拟合数据最好的模型,其信息标准统计(AIC、AICC和BIC)最小(Richard,2011)。为了演示全模型的程序,我们选用了RIS-AR(1)模型进行拟合。
表13-4 各模型统计拟合值比较
SAS程序:
运行RIS-AR(1)模型的SAS程序如下:
data exe13;
set exe13;
timec=time;
proc mixed plots(maxpoints=none)method=reml covtest noclprint;
class idind timec;
model bmi=region|time/s ddfm=kr;
random int time/subject=idind G type=un;
repeated timec/subject=idind R type=ar(1);
run;
SAS程序解释:
random语句设定随机截距和斜率系数,及其方差/协方差结构(G矩阵结构为UN);repeated语句设定模型的残差方差/协方差结构(R矩阵结构为AR(1))。
SAS结果:
SAS部分结果输出如下:
图13-24 协方差参数估计
图13-25 模型拟合
图13-26 零模型似然比检验
图13-27 固定效应估计值
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。