论文部分内容阅读
目的:通过使用广义估计方程与准最小二乘方法以及传统线性回归模型，分析在哈尔滨市的社区卫生服务中心随访所得的纵向数据资料，对纵向数据分析的问题进行探讨，并且为来自社区的随访数据的统计处理的方法的选择和应用提供一些有益的借鉴。 方法:通过对哈尔滨市的社区卫生服务中心的慢性病信息管理系统进行访问，利用EpiData软件来收集其中的糖尿病患者的随访资料。使用STATA软件中的xtgee和xtqls两个函数分别进行广义估计方程和准最小二乘两种方法的实现，使用xtcorr查看相关系数的估计值，使用glm函数来拟合传统的线性回归模型。 结果:纵向数据的数据间不是完全独立的，而是存在一定的相关性。纵向数据的这种数据结构与简单线性回归模型对数据的要求不太符合，简单线性回归模型要求数据间完全独立。广义估计方程和准最小二乘法是估计纵向数据边际模型的方法中的两种。这两种方法都是通过选择数据间的作业相关矩阵来考虑数据间的相关性，并分别通过矩估计和准最小二乘参数估计方法，来得到参数的稳定的估计值。而且在广义估计方程不能得到稳健结果的时候，准最小二乘方法仍然能够得到较为稳健的结果。在选择相同的相关结构时，广义估计方程和准最小二乘两种方法对模型系数的估计基本相同。但是当广义估计方程不能收敛，且相关系数的估计值不在可行域时，准最小二乘法仍然可以得到收敛的结果，对回归系数的估计值更稳健，并且相关系数的估计值也在可行域内。此外准最小二乘法能够使用一些广义估计方程不能使用的作业相关结构。但准最小二乘法的估计时间要长一点。广义估计方程和准最小二乘法二者各有优点，互相补充。STATA软件中的xtgee和xtqls两个函数有很多相似之处，结果也很清楚。 结论:传统的线性回归模型没有考虑纵向数据的数据间的相关性，不适合处理纵向数据。广义估计方程和准最小二乘法都考虑了数据间的相关性的特征，且各有优缺点。因此在实际应用当中，可以根据自己所研究问题的实际情况来选择合适分析方法。如果使用广义估计方程进行分析时出现了不收敛的情况或要使用的作业相关结构在广义估计方程中不可用而在准最小二乘方法中可用，那么可以考虑使用后者。反之，如果数据使用广义估计方程也能收敛时，推荐使用广义估计方程。STATA软件中的xtgee和xtqls这两个函数都是软件自带的成熟的函数。