在前一篇文章中，我們示範了如何在二階層橫斷面資料中（人/眼睛）點選 GLMM 的操作，本篇文章將仔細介紹報表的解讀。
下圖為報表最先出現的「Case Processing Summary」，。首先要注意資料有沒有遺漏值，有可能結果變項（Y）或解釋變項（X）具有遺漏值，此時會刪除在任何一個變項具有遺漏值的樣本（listwise deletion）。下方「Model Summary」則顯示機率分佈為二項式及連結函數為 logit，此即為標準的binary logistic regression。
下方「Data Structure」則是選出第一個出現的樣本數編號（ID）的結果變項（Target/Outcome）的內容，可注意到出現兩筆，這是因為此人同時有左右眼的數據，且剛好都是有發生近視度數回歸（outcome=1）。下方「Classification」則是一般羅吉斯迴歸都會提供的區分表，不過在醫學研究中不太會報告這項數據，因此可以忽略。
下方「Fixed Effects」是聯合檢定（Joint test）的部分，不過因為我們只有放一個解釋變項（Group），所以 Corrected Model 的結果就剛好等於 group 的結果，只是醫學研究比較少報導聯合檢定的數值。下方會有一張圖，假使我們放了多個解釋變項，那麼解釋變項與 Outcome 之間的線條粗細代表相對重要性，不過純粹參考即可。
再來是最重要的「Fixed Coefficient」，也就是迴歸係數的報表。可注意到左邊的「Group=0」是空白，這是因為我們先前有設定類別解釋變項的排序為「Descending」的緣故，類別解釋變項會以數值最小的那個水準被當成參考組。報表最右邊三個欄位別是勝算比（odds ratio）以及95％信賴區間，可注意到勝算比大於 1 且信賴區間不經過 1，表示 LASEK（Group=1）比 FSBK（Group=0）比較容易發生近視度數回歸。下方會有個圖形以視覺化呈現所有解釋變數的相對重要性，藍色代表是保護，紅色代表是危險，線條顏色粗細則為相對重要性，不過也是純粹參考即可。
再來是關於隨機效果的結果，「Random Effect Covariances」，可注意到目前模式中只有一個隨機效果，這是因為我們只有設定「允許每個人的左右眼可以有自己的結果變項的值」，因此只會有一個隨機效果的變異數。報表下方註解的「Subject Specification: ID」則是呼應在 GLMM 設定一開始的關於資料結構的畫面。
再來是「Covariance Parameters Summary」，通常筆者跑完 GLMM 後，都會先到這個報表檢查設定是否正確。首先可注意到「Residual Effect」的數量是 0，這是因為在羅吉斯迴歸中是假設殘差為 1；「Random Effects」的數量為 1，即「每個人的左右眼可以有自己的結果變項的值」這一個項目；「Fixed Effects」數量為 3，分別為先前「Fixed Coefficients」報表中的「Intercept」、「Group=1」以及還有一個在報表中沒有呈現的「Grand mean」，也就是所有人的結果變項平均值。
接著「Residual Effect」是殘差項的估計結果，由於羅吉斯迴歸假設殘差為 1，因此不會有標準誤與信賴區間等檢定結果。下方「Random effect」則為同一個人的不同眼睛之間在結果變項的變異數估計，由於達顯著，表示同一個人的左眼跟右眼在近視度數迴歸確實是會有顯著不同的，這也更加強了必須使用 GLMM 來考慮同一個人在兩隻眼睛的結果確實會不同的事實。
最後還會畫出圖形，Y 軸是 GLMM 模式預測的機率（注意，不是實際上的觀測機率），誤差線代表是95％信賴區間。由圖可知，LASEK 發生近視度數迴歸的預測機率比 FSBK 高出許多。
以上為本系列示範二個階層之下橫斷面資料進行線性混合模式/多層次模型的 SPSS 點選操作與報表解讀，之後會再示範多次個案資料的重複測量（repeated measure）的縱貫（longitudinal）資料，以及延伸到三個階層資料結構下的分析。
留言列表
{{ article.title }}