用出生体重预测体重变化

29课PPT最后一页的刘红云&孟庆茂(2003)《纵向数据分析方法》

数据是老师给的excel,转换成了4列的SPSS数据,每一列分别为y1,y2,y3,y4,z

上周上课后做了一遍,今天上课一对比发觉自己模型少连一条线= =

还有一些错误的地方

于是我来改过自新了,顺便知道了研究目的

 用出生体重预测3到21个月的体重变化

理论上3-21月体重开始线性变化,抽样误差独立同分布

 

每一个y代表不同的测量时间,有155个被试

模型是仿照文献中的样子建立的

记得要到analysis properties里面更改estimate means and intercept

以及plugins---name parameters---将variance打勾

会发现出现了V1--V7的命名

在左侧第二个model框双击,出现Manage models,在variance里面输入V1=V2=V3=V4固定之(就是y1--y4的variance)

QQ浏览器截图_20130606082222_CB94946BBC0F4e5c81E5D9A4D7FF2DCC

 

公式:

QQ浏览器截图_20130606080628_F946E01CC2434c7cB80A7A1EA3EE514C

其beta01,beta11为路径,beta00,beta10为截距

结果:

QQ浏览器截图_20130606082147_482EA64295184088B682B810AB830BA7

一些指标不是很完美  关于u0 u1

比如跑出来u0 u1的 variance很大,因为只有100多个数据

e1--e4就小了,每次测量都多一个数据于是有600+

 

该方法适用于在某几个时间点观测来的纵向研究资料

 

 

 

 

交叉设计

交叉设计

查了查似乎比较多用在药物实验以及发展心理学领域,没有看到过像look or personality例子中的那种研究诶。 药物实验方面的应用就是先后给病人不同的药物,比如A-B,有的病人是B-A,或者ABA vs BAB等等。然后观察他们不同时间的病情改善状况,一次评估多种处理的效果,还有时间因素上的差别,平衡顺序效应。 发展心理学方面,最近学过历时研究与横断研究,交叉设计相当于二者结合并用。

一个简单的例子:要研究12名高血压病人采用AB两种方案疗效的差别。随机安排6个病人先按A方法治疗,再B方法,另外6个相反。测量的是两种方案对血压下降值的影响。 数据crossover.sav from SPSS统计分析高级教程(张文彤,2004)网上可以搜到

它长这样:24行4列(stage治疗阶段/patient病人编号/treat治疗方案/bp血压下降)

stage patient treat bp
1 1 b 3.07
1 2 b 1.33
1 3 a 4.4
1 4 b 1.87
1 5 a 3.2
1 6 a 3.73

 

分析过程:分析-一般线性模型-单变量 快捷键ALT+A-G-U,选择好变量

图不是很清楚,请自行想象= =

变量选择

model选择main effect

  模型选择0520

结果部分:

 

主体间效应的检验

因变量: 血压下降值

III 型平方和

df

均方

F

Sig.

校正模型

20.041a

13

1.542

4.155

.015

截距

154.128

1

154.128

415.354

.000

treat

1.707

1

1.707

4.599

.058

patient

17.908

11

1.628

4.387

.014

stage

.427

1

.427

1.150

.309

误差

3.711

10

.371

 

 

总计

177.880

24

 

 

 

校正的总计

23.752

23

 

 

 

a. R 方 = .844(调整 R 方 = .641)

 

两种治疗方案(treat)影响没有统计意义的显著性,不过据说医学方面的研究,统计出来显著性都不强的,0.058也算有一定差异了吧。Stage: 第一治疗阶段和第二阶段血压下降情况没有显著差异。

关于patient为什么放在fixed factor而不是Random:其实二者都可以

我把patient放在random、fixed factor里面各做了一次,结果一模一样。原文选择Random是由于patient看做总体中抽样来的。而且patient为自身配对,单元格没有重复数据,所以放在二者之一都不会有影响。

 

按照这样一个设计分析下来,即使是显著的也得不到任何的交互情况分析结果。

但是不能保证因素之间没有交互作用。总有一种捡金子漏掉什么的感觉。

 

原文中还有其他讨论,比如stage变量既然没有显著效应,能不能去掉重新做分析,并给出了一些理由。我觉得这个问题自己大概不会犯,又不是在探索性分析、简化模型之类,不过还是很闲地去掉stage做了一下,统计数据上没有显著的差异。关于不能更改实验设计的问题,便不多赘述。