SPSS 中的广义线性混合模型

Question

我正在使用 SPSS 建立广义线性混合模型。

结果： 幸福（"MmDWohlbefinden"）， 固定效应：干预（Pre/Post），干预时出现的症状（抑郁、冷漠、aggression/irritable、焦躁、无所事事）（"BPSD"），干预*症状，时间（"Zeit"）， 随机效应： 个人（重复测量）

在 SPSS 中，可以选择输入类别的顺序 "ascending" 和 "descending" 来更改参考类别。

我的问题： 为什么干预效果在比较干预前与参考类别 post 时显着，但在相反方向比较时（post 干预与参考类别干预前）不显着？

固定效应 "symptoms" 也会发生这种情况。与 "nothing" 相比，症状 "depressive" 对幸福感没有显着影响，另一方面，与 "depressive" 相比，"nothing" 对幸福感有显着影响。

这些是我的代码：

升序:

GENLINMIXED
  /FIELDS TARGET=MmDWohlbefinden TRIALS=NONE OFFSET=NONE
  /TARGET_OPTIONS DISTRIBUTION=POISSON LINK=IDENTITY
  /FIXED  EFFECTS=Intervention Zeit BPSD Intervention*BPSD USE_INTERCEPT=TRUE
  /RANDOM EFFECTS=ID USE_INTERCEPT=FALSE COVARIANCE_TYPE=VARIANCE_COMPONENTS SOLUTION=FALSE
  /BUILD_OPTIONS TARGET_CATEGORY_ORDER=ASCENDING INPUTS_CATEGORY_ORDER=ASCENDING MAX_ITERATIONS=100 CONFIDENCE_LEVEL=95 DF_METHOD=RESIDUAL COVB=MODEL PCONVERGE=0.000001(ABSOLUTE) SCORING=0 SINGULAR=0.000000000001
  /EMMEANS_OPTIONS SCALE=ORIGINAL PADJUST=LSD.

降序:

GENLINMIXED
  /FIELDS TARGET=MmDWohlbefinden TRIALS=NONE OFFSET=NONE
  /TARGET_OPTIONS DISTRIBUTION=POISSON LINK=IDENTITY
  /FIXED  EFFECTS=Intervention Zeit BPSD Intervention*BPSD USE_INTERCEPT=TRUE
  /RANDOM EFFECTS=ID USE_INTERCEPT=FALSE COVARIANCE_TYPE=VARIANCE_COMPONENTS SOLUTION=FALSE
  /BUILD_OPTIONS TARGET_CATEGORY_ORDER=ASCENDING INPUTS_CATEGORY_ORDER=DESCENDING MAX_ITERATIONS=100 CONFIDENCE_LEVEL=95 DF_METHOD=RESIDUAL COVB=MODEL PCONVERGE=0.000001(ABSOLUTE) SCORING=0 SINGULAR=0.000000000001
  /EMMEANS_OPTIONS SCALE=ORIGINAL PADJUST=LSD.

谢谢！

Answer 1

当您的模型涉及因素之间的交互作用时，考虑到使用的指标参数化，交互作用中包含的因素的参数估计会在嵌套在其他因素的遗漏类别中的因素水平之间产生对比在 GENLINMIXED 和大多数其他更新的 SPSS Statistics 程序中。

使用 BUILD_OPTIONS 子命令的 INPUTS_CATEGORY_ORDER=ASCENDING 默认值，截距给出 2x4 设计的 (2,4) 单元格的预测值（协变量设置为其平均值).干预 "main effect" 估计不是冗余的并且别名为 0 给出第一级干预减去第二级，嵌套在 BPSD 因子的最后一级，即 (1,4) 单元格减去 (2, 4) 细胞。 BPSD 因子的估计是将每个级别与最后一个级别进行比较，嵌套在第二级干预中，因此它们是 (2,1) 减去 (2,4)，(2,2) 减去 (2,4)，和 (2,3) 减去 (2,4).

使用 INPUTS_CATEGORY_ORDER=DESCENDING 选项，您可以更改每个因素的最后一个类别，因此在这种情况下实际参考类别是不同的。单元格之间的比较是在新排序的相同单元格之间进行的，但在原始排序方面有所不同，给出的结果不仅基于所讨论因素的遗漏类别，而且还基于遗漏类别的另一个因素。截距估计给出了对原始 (1,1) 单元格的预测。非冗余干预估计给出 (2,1) 减去 (1,1)。 BPSD 因子的非冗余估计分别给出 (1,4) 减去 (1,1)、(1,3) 减去 (1,1) 和 (1,2) 减去 (1,1)。 =10=]

SPSS 中的广义线性混合模型

Generalized Linear Mixed Model in SPSS

spss

mixed-models