接著我們使用一個真實的眼科資料作為示範,此資料集一共 1000 筆整,來自於 500 名接受兩種不同近視雷射手術的收案對象,每位患者都同時接受左右眼的手術。「ID」為患者編號,「Eyeball」為左右眼的編號(1 為左眼、2 為右眼),「Group」為雷射方法(1 為 LASEK,0 為 FSBK)。結果變項為「Outcome」,1 為兩年內發生近視度數回歸(myopia regression),可視為手術失敗,0 則為手術成功。
接著點選到 GLMM 的選項,需注意此功能從 SPSS 22 版才開始提供,舊版使用者只能使用上方的 「Linear…」,只能分析連續型的結果變項。
進入到 GLMM 點選畫面後,左上角為視覺化的「Data Structure」頁面,先將代表患者編號的「ID」用滑鼠左鍵拖曳至右方畫面的「Subjects」。特別注意,右方的「Repeated Measures」會讓人很直覺地將「Eyeball」也拖曳到右方,但在這裡是在指定「殘差的共變異數矩陣」的型態,一般建議可以先不用在這裡作任何設定。完成設定後的畫面如下方右圖所示。
再來進入到「Fields & Effects」的設定頁面,這裡又有分四個分頁,先點左上角的「Target」,亦即結果變項的意思。點一下右方畫面「Target」的下拉視窗,選擇「Myopia regression」,注意這裡顯示的是變項註解,實際變項名稱為「Outcome」。在這裡要注意一件事情,要先將結果變項的測量水準在變數檢視(Variable View)的頁面設定為「Nominal」,倘若設定的是「Scale」則 GLMM 模組會自動辨識為連續型結果變項。
再來點一下「More」,下方會顯示出更多選項,點選「Customize reference category」並在「Reference value」打「0」。意思是將發生近視度數回歸者設定為 1(分子),未發生者為 0(分母),因此後續的勝算比會是「發生近視度數回歸的勝算」。然而 GLMM 的預設則是相反,因此在這邊會建議使用者要自己指定結果變項的參考組。再來選擇「Binary logistic regression」。
接著進入到「Fixed Effects」的分頁設定,首先將「Group」變項用滑鼠左鍵拖曳到右方的「Main」(主要效果)。倘若想要控制其他共變數的效果,可以一併拖曳至右方畫面,不過一樣要注意,由於 GLMM 模組會自動辨識變數的測量水準,因此使用者事先就要將變數的測量水準設定成正確的(除了二元變項,可以設定成「尺度 Scale」,亦即直接當成虛擬變項使用)。
再來進入到 GLMM 關於隨機效果的設定,點選左方的「Random Effects」,GLMM 的預設是沒有設定任何隨機效果,因此先點選下方的「Add Block…」,此時會出現一個「Random Effect Block」新頁面。首先將左下角的「Include intercept」打勾,這裡的意思是允許同一個人的左右眼可以有自己的值(發生近視度數回歸與否)。接著點選右下方的「Subject combination」,這裡是指定模式具有殘差(Residual)。最後點選「OK」,回到前一個頁面設定。
最後來到「Build Options」的設定,選擇左上角「General」分頁,將關於結果變項與預測變項的排序都設定為「Descending」,亦即都用數字最小的組別當成參考組,不過結果變項在之前我們已經指定「0」為參考組。然後關於自由度與標準誤的計算分別選擇「Satterthwaite approximation」跟「Robust estimation」,會得到比較穩健的估計結果。
至此 GLMM 關於橫斷面的二階層資料設定已完成,可以按下「Run」,接著來檢視報表的結果。
(續)