SPSS广义线性模型：广义估计方程

一、广义估计方程：

1、概念：广义估计方程过程对广义线性模型进行了扩展，以允许分析重复的测量或其他相关观察数据，例如聚类数据。

2、示例。公共卫生官员可以使用广义估计方程，在空气污染对儿童影响研究中采用重复度量Logistic回归模型。

3、数据。响应可以是尺度数据、计数数据、二分类数据或试验事件数据。假设因子是分类型的。假设协变量、尺度权重和偏移量是尺度型的。用于定义主体或主体内重复度量的变量不能用于定义响应，但可以在模型中发挥其他作用。

4、假设。假设各个个案在主体内部是相关的，在主体之间是独立的。表示主体内相关性的相关矩阵作为模型的一部分进行估计。

二、重复（分析-广义线性模型-广义估计方程-重复）

1、主体内变量。主体内变量值的组合定义主体中度量的顺序；因此，主体内变量和主体变量的组合唯一定义每个度量。例如，时间、医院ID和病人ID的组合为每个个案定义特定医院中特定病人的一次就诊。如果数据集已经排序，每个主体的重复度量因而按正确顺序在连续个案段中发生，则并不严格要求必须指定主体内变量，并且您可以取消选择按个体变量和主体内变量对个案进行排序并保存执行（临时）排序所需的处理时间。通常，利用主体内变量确保度量的正确顺序是很好的方法。主体变量和主体内变量不能用于定义响应，但它们可以在模型中执行其他功能。例如，医院ID可用作模型中的因子。

2、协方差矩阵。基于模型的估计是Hessian矩阵的广义逆负矩阵。健壮性估计（也称为Huber/White/sandwich估计）是“改正”的基于模型的估计，即使错误地指定了工作相关矩阵，也能提供对协方差的一致估计。该规范适用于广义估计方程的线性模型部分中的参数，而估计选项卡上的规范只适用于初始广义线性模型。

3、工作相关性矩阵。此相关矩阵表示主体内相关性。其大小由度量数决定，因此也由主体内变量的值组合决定。您可以指定以下结构之一：◎独立。重复度量不相关。◎AR(1)。重复度量具有一阶自回归关系。任意两个元素之间的相关性对于相邻元素为ñ，对于由第三个元素分隔的元素为ñ2，依此类推。ñ受到约束，以使–1<</span>ñ<1。◎可交换。此结构在元素之间具有同质相关性。又称为复合对称结构。◎依M协变量。连续的测量具有共同的相关系数，由第三个度量分隔的测量对具有共同的相关系数，依此类推，直到由m 1个其他度量分隔的测量对。具有更多分隔的测量假设为不相关。选择此结构时，请指定小于工作相关矩阵的阶的m值。◎未结构化。这是一个非常一般的相关矩阵。