多层线性模型在追踪研究中的应用追踪的多水平模型ppt课件

多层线性模型在追踪研究中的应用 1 追踪数据的多水平分析2 HLM多水平分析操作3 SPSS多水平分析操作4 Mplus多水平分析操作 追踪研究数据的多层分析 当对相同的观测对象进行重复测量时 可以将这些重复测量的数据本身看成是具有层次结构特点的 如对生长发育期儿童身高和体重变化情况的追踪调查等 可以将这些重复测量数据构造出一个两水平的层次结构 其重复测量或测量点为水平1的单位 观测个体为水平2的单位 个体随时间变化的问题 即个体的特征随时间有什么样的变化特点 个体之间变化差异的问题 即个体之间的变化是否存在差异 用什么特征可以预测或解释个体之间变化的差异 数据 香港三所小学264名学生 其中男生149名 女生115名 以每年测查一次的方式 对他们从三年级到六年级的自我概念进行连续四次的测量 且在三年级第一次测试时对他们退缩行为进行测量 测量 自我概念 采用SusanHarter 1982 的儿童自我能力感知量表对儿童不同领域能力的自我概念进行测量 该量表包含与特殊领域相关联的 认知自我概念 社交自我概念 运动自我概念三个方面 另外还包含与具体领域独立的一般自我概念 量表共28个项目 其中每个分量表7个项目 儿童的退缩行为 采用儿童退缩行为量表对儿童的退缩行为进行测量 该量表共由7个项目组成 追踪研究关心的问题 三年级到六年级这一段时间 小学生自我概念发展有什么样的特点 即线性增长 或下降 还是非线性的变化趋势等 先增长后下降 不同的学生在这一时期自我概念的发展是否存在个体之间的差异 如果存在差异 能否用一些变量来解释或预测这些差异 随机抽取60个学生自我概念的发展趋势 随机抽取的四个个体自我概念随时间发展的特征 退缩行为高分组和低分组自我概念发展趋势 追踪研究中的两水平模型 水平1的模型 描述个体随时间的发展 水平2模型 对个体间发展的差异进行解释 然后就关心的问题进行分析和解释 两水平重复测量线性模型 水平1 测量水平 水平2 个体水平 t表示不同次的测量 可以描述时间间隔 没有必要等距 如0 1 1 5 2 可说明个体间的差异 模型1 线性增长模型 水平1模型 模型1 线性增长模型 第二水平模型 第二水平模型 预测变量 第二水平预测变量模型 可以用来自变量 如判断性别差异 有无退缩行为 对自我观念的变化有无趋势及影响程度 HLM软件操作 HLM软件操作 HLM软件操作 HLM软件操作 HLM软件操作 HLM软件操作 HLM软件操作 HLM软件操作 HLM软件操作 模型定义 无条件线性增长模型 RUNAnalysis 固定部分 Finalestimationoffixedeffects withrobuststandarderrors StandardApprox FixedEffectCoefficientErrorT ratiod f P value ForINTRCPT1 P0INTRCPT2 B002 8160840 021325132 0542630 000ForTIMEslope P1INTRCPT2 B10 0 0840120 011601 7 2422630 000 随机部分 Finalestimationofvariancecomponents RandomEffectStandardVariancedfChi squareP valueDeviationComponent INTRCPT1 R00 229300 05258263466 535480 000TIMEslope R10 127480 01625263483 192100 000level 1 E0 311530 09705 StandardApprox FixedEffectCoefficientErrorT ratiod f P value ForINTRCPT1 P0INTRCPT2 B002 8140 03094 8732610 000GENDER B010 0040 0410 0992610 922WITHDRAW B02 0 1040 020 5 3132610 000ForTIMEslope P1INTRCPT2 B10 0 1170 016 7 4222610 000GENDER B110 0580 0222 5922610 010WITHDRAW B120 0320 0122 7662610 007 Finalestimationofvariancecomponents RandomEffectStandardVariancedfChi squareP valueDeviationComponent INTRCPT1 R00 2060 042261424 170 000TIMEslope R10 1220 015261460 290 000level 1 E0 3120 097 非线性变化趋势 固定部分 Finalestimationoffixedeffects withrobuststandarderrors StandardApprox FixedEffectCoefficientErrorT ratiod f P value ForINTRCPT1 P0INTRCPT2 B002 8520 023125 8572630 000ForTIMEslope P1INTRCPT2 B10 0 1920 032 6 0192630 000ForTIME2slope P2INTRCPT2 B200 0360 0103 7182630 000 随机部分 Finalestimationofvariancecomponents RandomEffectStandardVariancedfChi squareP valueDeviationComponent INTRCPT1 R00 2270 051263422 840 000TIMEslope R10 2290 052263326 340 005TIME2slope R20 0530 003263295 600 081level 1 E0 2980 089 用SPSSMixedModel定义多水平模型 一个个体一行记录 多个变量 含有一个描述个体编号的变量MultipleVariableDataStructure MV MultipleVariableDataStructure MultipleRecordDataStructure 具有一般嵌套结构特点的多层数据 学生嵌套于学校 GETFILE C HLM EXAMPLE EX1 SAV MIXEDMATHACHBYSECTORWITHMEANSESCSES METHOD REML PRINT SOLUTIONTESTCOV FIXED MEANSESSECTORCSESMEANSES CSESSECTORCSES SSTYPE 3 RANDOM INTERCEPTCSES SUBJECT SCHOOL COVTYPE UN 句法 Syntax 解释 1GETFILE C HLM EXAMPLE EX1 SAV 2MIXEDMATHACHBYSECTORWITHMEANSESCSES3 METHOD REML4 PRINT SOLUTIONTESTCOV5 FIXED MEANSESSECTORCSESMEANSES CSESSECTORCSES SSTYPE 3 6 RANDOM INTERCEPTCSES SUBJECT SCHOOL COVTYPE UN 1打开数据文件 2因变量为MATHACH 自变量为SECTOR MEANSESCSES 分类自变量写在BY的后面 连续自变量写在WITH的后面 3用限制性极大似然估计法 在MixedModel中估计方法有REML和ML两种 REML是缺省的设置 SOLUTION定义打印输出固定部分参数估计和检验结果 TESTCOV要求打印输出随机部分协方差矩阵的估计和检验结果 FIXED后面定义模型中的预测变量 Random后的变量用来定义允许第二层有差异的随机变量 SUBJECT后的SCHOOL为更高的组变量 COVTYPE用来定义协方差矩阵的类型 MIXEDMODEL应用举例 模型1 无条件模型 GETFILE C HLM EXAMPLE EX1 SAV MIXEDMATHACH METHOD REML PRINT SOLUTIONTESTCOV FIXED SSTYPE 3 RANDOM INTERCEPT SUBJECT SCHOOL COVTYPE UN 应用举例 模型1 无条件模型参数估计结果 应用举例 模型2 条件模型 水平2预测变量 MIXEDMATHACHwithmeanses METHOD REML PRINT SOLUTIONTESTCOV FIXED MEANSES SSTYPE 3 RANDOM INTERCEPT SUBJECT SCHOOL COVTYPE UN 应用举例 模型2 条件模型 水平2预测变量 结果 应用举例 模型3 条件模型 水平1预测变量中心化 MIXEDMATHACHwithcses METHOD REML PRINT SOLUTIONTESTCOV FIXED CSES SSTYPE 3 RANDOM INTERCEPTcses SUBJECT SCHOOL COVTYPE UN 应用举例 模型3 条件模型 水平1预测变量中心化 结果 应用举例 模型4 同时含有水平1和水平2的预测变量 MIXEDMATHACHBYSECTORWITHMEANSESCSES METHOD REML PRINT SOLUTIONTESTCOV FIXED MEANSESSECTORCSESMEANSES CSESSECTOR CSES SSTYPE 3 RANDOM INTERCEPTCSES SUBJECT SCHOOL COVTYPE UN 应用举例 模型4 同时含有水平1和水平2的预测变量结果 用SPSSMIXEDMODEL分析追踪研究的数据 GETFILE C HLM EXAMPLE OPPOSITES PP SAV mixedoppwithtimeccog print solution method reml fixed intercepttimeccogtime ccog repeatedwave subject id covtype un Mplus操作 两水平模型 组内变量 X对Y的影响一般多水平模型下 x是组内变量追踪模型下 x是时间变量或随时间变化的变量组间变量 W对Y的影响XM 协变量 对Y的影响一般多水平模型下 w是组间变量追踪模型下 w是个体变量或不随时间变化的变量 Mplus操作 两水平模型 输入程序 TITLE thisisanexampleofatwo levelregressionanalysisforacontinuousdependentvariablewitharandominterceptandanobservedcovariateDATA FILE ex9 1a dat VARIABLE NAMES yxwxmclus WITHIN x BETWEEN wxm CLUSTER clus CENTERING GRANDMEAN x ANALYSIS TYPE TWOLEVEL MODEL WITHIN yONx BETWEEN yONwxm Mplus操作 两水平模型 输出结果 SUMMARYOFANALYSISNumberofgroups1Numberofobservations1000Numberofdependentvariables1Numberofindependentvariables3Numberofcontinuouslatentvariables0ObserveddependentvariablesContinuousYObservedindependentvariablesXWXM VariableswithspecialfunctionsClustervariableCLUSWithinvariablesXBetweenvariablesWXMCentering GRANDMEAN X Mplus操作 两水平模型 输出结果 SUMMARYOFDATANumberofclusters110Averageclustersize9 091EstimatedIntraclassCorrelationsfortheYVariablesIntraclassVariableCorrelationY0 570 Mplus操作 两水平模型 输出结果 TESTSOFMODELFITChi SquareTestofModelFitValue0 000 DegreesofFreedom0P Value0 0000ScalingCorrectionFactor1 000forMLR Thechi squarevalueforMLM MLMV MLR ULSMV WLSMandWLSMVcannotbeusedforchi squaredifferencetestingintheregularway MLM MLRandWLSMchi squaredifferencetestingisdescribedontheMpluswebsite MLMV WLSMV andULSMVdifferencetestingisdoneusingtheDIFFTESToption Mplus操作 两水平模型 Chi SquareTestofModelFitfortheBaselineModelValue491 881DegreesofFreedom3P Value0 0000CFI TLICFI1 000TLI1 000LoglikelihoodH0Value 1525 938H0ScalingCorrectionFactor0 940forMLRH1Value 1525 938H1ScalingCorrectionFactor0 940forMLR Mplus操作 两水平模型 InformationCriteriaNumberofFreeParameters6Akaike AIC 3063 876Bayesian BIC 3093 322Sample SizeAdjustedBIC3074 266 n n 2 24 RMSEA RootMeanSquareErrorOfApproximation Estimate0 000SRMR StandardizedRootMeanSquareResidual ValueforWithin0 000ValueforBetween0 000 Mplus操作 两水平模型 MODELRESULTSTwo TailedEstimateS E Est S E P ValueWithinLevelYONX0 7240 03322 1180 000ResidualVariancesY1 0220 04125 1170 000BetweenLevelYONW0 5700 1085 3050 000XM0 9760 1606 1070 000InterceptsY1 9910 08024 8040 000ResidualVariancesY0 5710 0886 4860 000 Mplus操作 两水平模型 STDYXStandardizationTwo TailedEstimateS E Est S E P ValueWithinLevelYONX0 5770 02029 0590 000ResidualVariancesY0 6670 02329 1160 000BetweenLevelYONW0 4280 0755 7320 000XM0 4880 0766 4470 000InterceptsY1 3970 09414 7900 000ResidualVariancesY0 2810 0456 1990 000 Mplus操作 两水平随机系数模型 输出结果 TITLE thisisanexampleofatwo levelregressionanalysisforacontinuousdependentvariableDATA FILEISex9 1 dat VARIABLE NAMESAREyxwclus WITHIN x BETWEEN w CLUSTER clus CENTERING GRANDMEAN x ANALYSIS TYPE TWOLEVELRANDOM MODEL WITHIN s yONx BETWEEN ysONw Mplus操作 两水平模型 输出结果 SUMMARYOFANALYSISNumberofgroups1Numberofobservations1000Numberofdependentvariables1Numberofindependentvariables2Numberofcontinuouslatentvariables1ObserveddependentvariablesContinuousYObservedindependentvariablesXW VariableswithspecialfunctionsClustervariableCLUSWithinvariablesXBetweenvariablesWCentering GRANDMEAN X Mplus操作 两水平模型 输出结果 TESTSOFMODELFITLoglikelihoodH0Value 1582 207H0ScalingCorrectionFactor0 912forMLRInformationCriteriaNumberofFreeParameters7Akaike AIC 3178 413Bayesian BIC 3212 768Sample SizeAdjustedBIC3190 535 n n 2 24 Mplus操作 两水平模型 输出结果 MODELRESULTSTwo TailedEstimateS E Est S E P ValueWithinLevel 第一水平 ResidualVariancesY1 0240 05219 6650 000BetweenLevel 第二水平 SONW W对斜率的影响 0 4970 0598 3950 000YONW W对截距的影响 1 0050 06615 2760 000InterceptsY 截距的平均值 2 0520 07128 8340 000S 斜率的平均值 0 9810 06814 5150 000ResidualVariancesY 截距的残差 0 4150 0755 5500 000S 斜率的残差 0 3460 0585 9310 000 纵向观测数据多层分析方法的优点 1 多层分析法通过考虑测量水平和个体水平不同的差异 明确表示出个体在水平1 不同测量点 的变化情况 而传统用于处理多元重复测量数据的方法没有区别测量水平和个体水平之间的差异 因而对于数据的解释 个体随时间的增长趋势 是在个体与重复测量交互作用基础上的解释 即不仅包含了不同测量点的差异 而且包含了个体之间存在的差异 2 多层分析法对数据资料较传统多元重复测量方法有较低的要求 将重复测量看作是嵌套于个体观测数据的多层分析模型 对于重复测量的次数和重复测量之间的时间跨度都没有严格的限制 不同个体可以有不同的测量次数 测量与测量之间的时间跨度也可以不同 传统多元重复测量模型不能处理分段间距不等或测量次数不等的数据 纵向观测数据多层分析方法的优点 3 多层分析模型可以定义重复观测变量之间复杂的协方差结构 并且对所定义的不同的协方差结构进行显著性检验 在多层分析模型中 通过定义第一水平和第二水平的随机变异来解释个体随时间的复杂变化情况 4 当数据满足传统多变量重复测量模型对数据的要求和假设时 层次分析法得到与传统固定效应多元重复测量模型相同的参数估计和假设检验结果 5 用多层分析模型可以考虑更高一层的变量 如不同地区儿童 对个体增长的影响 两水平重复测量模型应用举例 例 对亚洲568名婴幼儿体重的情况进行追踪测量 从出生到两岁半之间共进行了五次测量 测量水平的变量有婴幼儿的年龄 用天表示 个体水平的变量有出生时的体重和幼儿的性别 我们的主要目的是分析幼儿体重随年龄的变化特点以及出生时体重和性别对幼儿体重的影响 1无条件模型2随机截距模型 时间为第一水平预测变量 不考虑第二水平预测变量 3随机斜率模型 时间为第一水平预测变量 不考虑第二水平预测变量 4考虑第二水平的预测变量对截距的影响5考虑第二水平的预测变量对斜率的影响 分析过程 ThankYou