SPSS中的广义线性混合模型答案

【问题标题】：Generalized Linear Mixed Model in SPSSSPSS中的广义线性混合模型
【发布时间】：2019-11-19 14:28:10
【问题描述】：

我正在用 SPSS 做一个广义线性混合模型。

结果： 幸福感（“MmDWohlbefinden”）， 固定效果： 干预（前/后）、干预时的症状（抑郁、冷漠、攻击性/易怒、烦躁、无动于衷）（“BPSD”）、干预*症状、时间（“Zeit” ), 随机效应：个体（重复测量）

在 SPSS 中可以选择输入类别“升序”和“降序”的顺序来更改参考类别。

我的问题： 为什么将干预前与参考类别 post 进行比较时干预效果显着，而在相反的情况下（干预后与参考类别 pre）进行比较则不显着？

固定效果“症状”也会出现这种情况。症状“抑郁”与“无”相比对幸福感没有显着影响，而“无”与“抑郁”相比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！

【问题讨论】：

这个问题可能会在stats.stackexchange.com得到更好的回答

标签： spss mixed-models

【解决方案1】：

当您的模型涉及因素之间的交互作用时，考虑到 GENLINMIXED 中使用的指标参数化，交互作用中包含的因子的参数估计值会在嵌套在其他因子的遗漏类别中的因子水平之间产生对比和大多数其他较新的 SPSS Statistics 程序。

使用 BUILD_OPTIONS 子命令上的 INPUTS_CATEGORY_ORDER=ASCENDING 默认值，Intercept 给出 2x4 设计的 (2,4) 单元的预测值（协变量设置为其平均值）。非冗余且别名为 0 的干预“主效应”估计给出干预的第一级减去第二级，嵌套在 BPSD 因子的最后一级，即 (1,4) 单元格减去 (2,4 ）细胞。 BPSD 因子的估计值将每个级别与上一个级别进行比较，嵌套在第二个干预级别，因此它们是 (2,1) 减 (2,4), (2,2) 减 (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，事实上的参考类别是不同的。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子的遗漏类别，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 因子的非冗余估计值分别给出 (1,4) 减 (1,1)、(1,3) 减 (1,1) 和 (1,2) 减 (1,1)。

【讨论】：