随机效应与固定效应
2009年05月15日星期五21:01
方差分析主要有三种模型：即固定效应模型（fixed effects model），随机效应模型（random effects model），混合效应模型（mixed effects model）。
所谓的固定、随机、混合，主要是针对分组变量而言的。
固定效应模型，表示你打算比较的就是你现在选中的这几组。例如，我想比较3种药物的疗效，我的目的就是为了比较这三种药的差别，不想往外推广。这三种药不是从很多种药中抽样出来的，不想推广到其他的药物，结论仅限于这三种药。“固定”
的含义正在于此，这三种药是固定的，不是随机选择的。
随机效应模型，表示你打算比较的不仅是你的设计中的这几组，而是想通过对这几组的比较，推广到他们所能代表的总体中去。例如，你想知道是否名牌大学的就业率高于普通大学，你选择了北大、清华、北京工商大学、北京科技大学4所学校进行比较，你的目的不是为了比较这4所学校之间的就业率差异，而是为了说明他们所代表的名牌和普通大学之间的差异。你的结论不会仅限于这4所大学，而是要推广到名牌和普通这样的一个更广泛的范围。“随机”的含义就在于此，这4所学校是从名牌和普通大学中随机挑选出来的。
混合效应模型就比较好理解了，就是既有固定的因素，也有随机的因素。
一般来说，只有固定效应模型，才有必要进行两两比较，随机效应模型没有必要进行两两比较，因为研究的目的不是为了比较随机选中的这些组别。
固定效应和随机效应的选择是大家做面板数据常常要遇到的问题，一个常见的方法是做huasman检验，即先估计一个随机效应，然后做检验，如果拒绝零假设，则可以使用固定效应，反之如果接受零假设，则使用随机效应。但这种方法往往得到事与愿违的结果。另一个想法是在建立模型前根据数据性质确定使用那种模型，比如数据是从总体中抽样得到的，则可以使用随机效应，比如从N个家庭中抽出了M个样本，则由于存在随机抽样，则建议使用随机效应，反之如果数据是总体数据，比如31个省市的Gdp，则不存在随机抽样问题，可以使用固定效应。同时，从估计自由度角度看，由于固定效应模型要估计每个截面的参数，因此随机效应比固定效应有较大的自由度.
在方差分析中，我们初步介绍了线性模型的思想，实际上，线性模型只是方差分析的模型化，其统计检验仍然是依照方差分解原理进行F检验。 线性模型作为一种非常重要的数学模型，通常可以分为方差分析模型、协方差分析模型、线性回归模型、方差分量模型等，根据表现形式又可以分为一般线性模型、广义线性模型、一般线性混合模型、广义线性混合模型。 下面我们就根据分析目的来介绍线性模型 一、方差分析模型： 使用线性模型进行方差分析的时候涉及一些基本概念： =============================================== (1)因素与水平 因素也称为因子，在实际分析中，因素就是会对结果产生影响的变量，通常因素都是分类变量，如果用自变量和因变量来解释，那么因素就是自变量，结果就是因变量。 一个因素下面往往具有不同的指标，称为水平，表现在分类变量上就是不同类别或取值范围，例如性别因素有男、女两个水平，有时取值范围是人为划分的。 (2)单元 因素各水平之间的组合，表现在列联表中就是某个单元格，有些实验设计如拉丁方设计，单元格为空或无。 (3)元素 指用于测量因变量值的最小单位，其实也就是具体的测量值。根据具体的实验设计，列联表的一个单元格内可以有一个或多个元素，也可能没有元素。 (4)均衡 如果一个实验设计中任一因素的各水平在所有单元格中出现的次数相同，且每个单元格内的元素数也相同，那么该实验就是均衡的。不均衡的实验设计在分析时较为复杂，需要对方差分析模型作特别的设置才行。 (5)协变量 有时，我们在分析某些因素的影响时，需要排除某个因素对因变量的影响，这个被排除的因素被称为协变量， (6)交互作用 如果一个因素的效应大小在另一个因素的不同水平下表现的明显不同，则说明这两个因素之间存在交互作用。交互作用是多因素分析时必须要做的，这样分析的结果才会全面。
固定效应模型的估计原理说明 在面板数据线性回归模型中，如果对于不同的截面或不同的时间序列，只是模型的截距项是不同的，而模型的斜率系数是相同的，则称此模型为固定效应模型。固定效应模型分为三类： 1.个体固定效应模型 个体固定效应模型是对于不同的纵剖面时间序列（个体）只有截距项不同的模型： 2 K it i k kit it k y x u λβ==++∑ (1) 从时间和个体上看，面板数据回归模型的解释变量对被解释变量的边际影响均是相同的，而且除模型的解释变量之外，影响被解释变量的其他所有（未包括在回归模型或不可观测的）确定性变量的效应只是随个体变化而不随时间变化时。 检验：采用无约束模型和有约束模型的回归残差平方和之比构造F 统计量，以检验设定个体固定效应模型的合理性。F 模型的零假设： 01231:0N H λλλλ-===???== () 1(1,(1)1)(1) RRSS URSS N F F N N T K URSS NT N K --= ---+--+: RRSS 是有约束模型（即混合数据回归模型）的残差平方和，URSS 是无约束模型ANCOV A 估计的残差平方和或者LSDV 估计的残差平方和。 实践： 一、数据：已知1996—2002年中国东北、华北、华东15个省级地区的居民家庭人均消费（cp ，不变价格）和人均收入（ip ，不变价格）居民，利用数据（1）建立面板数据（panel data ）工作文件；（2）定义序列名并输入数据；（3）估计选择面板模型；（4）面板单位根检验。年人均消费（consume ）和人均收入（income ）数据以及消费者价格指数（p ）分别见表1，2和3。 表1 1996—2002年中国东北、华北、华东15个省级地区的居民家庭人均消费（元）数据 人均消费 1996 1997 1998 1999 2000 2001 2002 CONSUMEAH 3607.43 3693.55 3777.41 3901.81 4232.98 4517.65 4736.52 CONSUMEBJ 5729.52 6531.81 6970.83 7498.48 8493.49 8922.72 10284.6 CONSUMEFJ 4248.47 4935.95 5181.45 5266.69 5638.74 6015.11 6631.68 CONSUMEHB 3424.35 4003.71 3834.43 4026.3 4348.47 4479.75 5069.28 CONSUMEHLJ 3110.92 3213.42 3303.15 3481.74 3824.44 4192.36 4462.08 CONSUMEJL 3037.32 3408.03 3449.74 3661.68 4020.87 4337.22 4973.88 CONSUMEJS 4057.5 4533.57 4889.43 5010.91 5323.18 5532.74 6042.6 CONSUMEJX 2942.11 3199.61 3266.81 3482.33 3623.56 3894.51 4549.32 CONSUMELN 3493.02 3719.91 3890.74 3989.93 4356.06 4654.42 5342.64 CONSUMENMG 2767.84 3032.3 3105.74 3468.99 3927.75 4195.62 4859.88
混合效应线性模型与单因素方差分析在重复测量数据中的应用比较(一) 【关键词】重复测量；混合效应线性模型；单因素方差分析； 摘要：目的：通过混合效应线性模型与单因素方差分析在重复测量资料中的应用比较，旨在说明两方法在处理重复测量资料时的应用特点。方法：用混合效应线性模型和单因素方差分析处理重复测量资料并比较。结果：混合效应线性模型和单因素方差分析都是处理重复测量资料的重要统计方法，前者在选择协方差结构下可对重复测量资料的固定效应和随机效应参数及协方差矩阵进行参数估计和统计检验，后者可对重复测量资料的固定效应做出统计推断。结论：混合效应线性模型是处理重复测量资料的有力方法，它对资料的协方差结构要求宽松，且结论可靠；单因素方差分析对资料的协方差结构有严格的限定。 关键词：重复测量；混合效应线性模型；单因素方差分析； 统计方法特点重复测量数据（repeatedmeasuresdata）是医学领域中常见的一种数据资料。所谓重复测量是指对同一个观察对象在不同时间点上进行的多次测量〔1〕。由于重复测量资料是对同一受试对象的某一观察指标进行的重复观察所得的数据，同一受试者的观察数据间可能存在相关性，一些传统的统计学方法如t检验等就不能充分揭示这一内在特点，有时甚至会导致错误的结论。 对重复测量资料的分析方法大致可分为两类，即单变量统计分析方法和多变量统计分析方法〔2〕。本研究通过选用多变量统计分析方法中的混合线性效应模型对一例题的分析，并与单因素方差分析进行比较，来说明两种方法在处理重复测量资料中的应用特点。 1方法简介 简单说，混合效应线性模型就是所拟和的模型中既包含固定效应又包含随机效应，特别是个体内的数据结构的选择将对各因素的评价产生直接影响〔3〕。 混合效应线性模型是一般线性模型的扩展，其表达式为： Y=Xβ+Zγ+ε(1) X为已知设计矩阵，β为固定效应参数构成的未知向量，ε是未知的随机误差向量，其元素不必为同独立分布了。在式（1）中Y，γ都是正态随机向量，其均值为0，方差阵分别为G 与R，二者之间不相关，因此Y的方差表达式为： V=ZGZ+R(2) 当R=σ2I,Z=0时，混合线性模型退化为一般线性模型。对G和R必须选择其协方差结构，常用的结构有无结构(一般为协方差)、自回归(常用一阶)、复合对称(共同协方差加一对角元)等〔4〕。选择协方差矩阵的方法是在相同的结构模型下，选择几个不同结构的协方差矩阵，从中选取似然比统计量（－2LogLikelihood）、Akaikes信息量标准（AkaikesInformationCriterion，AIC）及SchwartsBayesian标准（SchwartsBayesianCriterion，BIC）较小的一个，当这些统计量较接近时，则选取含参数个数最少的一个。通常以AIC为主要判断指标。 2实例分析 下面用一实例比较两种方法对处理重复测量资料时的特点：某药有新旧两种剂型，为了比较这两种剂型的代谢情况，对16例病人服药后分别在0、4、8、12小时测得血药浓度(表1），问该药新旧剂型的血药浓度随时间变化的趋势是否一致。表1四个时间点某药新旧剂型血药浓度1用SAS软件的MIXED过程对固定效应和随机效应参数β、γ及协方差矩阵G、R进行估计和统计检验。在本例中因变量为血药浓度，药物剂型、测量时间为固定效应，受试者为随机效应，同时选择合适的协方差结构以便在控制随机误差的基础上分析处理因素（药物剂型）对反应变量（血药浓度）的关系。本例指定为常用的无结构协方差（UN）和复合对称性协方差（CS）。 模型拟合情况见表2。表2模型配合统计量由表2可见，在UN结构下协方差配合的似然比统计量－2LogLikelihood=398.0(表2),对无效模型的似然比检验，χ2=134.43，ν＝9，P＜0.0001,
Eviews 面板数据之固定效应模型 在面板数据线性回归模型中，如果对于不同的截面或不同的时间序列，只是模型的截距项是不同的，而模型的斜率系数是相同的，则称此模型为固定效应模型。固定效应模型分为三类： 1.个体固定效应模型 个体固定效应模型是对于不同的纵剖面时间序列（个体）只有截距项不同的模型： 2 K it i k kit it k y x u λβ==++∑ (1) 从时间和个体上看，面板数据回归模型的解释变量对被解释变量的边际影响均是相同的，而且除模型的解释变量之外，影响被解释变量的其他所有（未包括在回归模型或不可观测的）确定性变量的效应只是随个体变化而不随时间变化时。 检验：采用无约束模型和有约束模型的回归残差平方和之比构造F 统计量，以检验设定个体固定效应模型的合理性。F 模型的零假设： 01231:0N H λλλλ-===???== ()1 (1,(1)1)(1) RRSS URSS N F F N N T K URSS NT N K --= ---+--+ RRSS 是有约束模型（即混合数据回归模型）的残差平方和，URSS 是无约束模型ANCOVA 估计的残差平方和或者LSDV 估计的残差平方和。 实践： 一、数据：已知1996—2002年中国东北、华北、华东15个省级地区的居民家庭人均消费（cp ，不变价格）和人均收入（ip ，不变价格）居民，利用数据（1）建立面板数据（panel data ）工作文件；（2）定义序列名并输入数据；（3）估计选择面板模型；（4）面板单位根检验。年人均消费（consume ）和人均收入（income ）数据以及消费者价格指数（p ）分别见表1，2和3。 表1 1996—2002年中国东北、华北、华东15个省级地区的居民家庭人均消费（元）数据
综合性课程设计 题目: 某校学生成绩单因素 方差分析 学院：理学院 班级：统计13-2班 学生姓名：黄克韬胡远亮贺鹏杰 学生学号： 27 23 24 指导教师：姚君 2016年 12月 1日
课程设计任务书
目录 摘要.................................................... I 1 问题重述 (1) 2 模型假设 (3) 3 模型建立 (4) 3.1 单因素方差分析前提条件 (4) 3.2 单因素方差分析步骤 (5) 3.3 模型推导 (9) 4 模型求解 (12) 4.1 做出直方图 (12) 4.2 做假设检验 (15) 4.3 检验原假设 (17) 4.4 计算平方和 (19) 4.5 比较F值和临界值 (20) 5 模型检验 (20) 6 模型评价 (27) 7 结论与体会 (28) 8 参考文献 (29) 9 源程序 (30)
摘要 方差分析用于多个样本均数差别的显著性检验。它的基本思想是通过分析研究不同来源的变异对总变异的贡献大小，从而确定可控因素对研究结果影响力的大小。本文研究学生成绩与课设等级之间的关系，其中可明确观测变量为学生成绩，控制变量为课设等级。由于仅研究单个因素（课设等级）对观测变量（学生成绩）的影响，因此称为单因素方差分析。 本文利用了假设检验和方差分析来对学生成绩进行分析，首先对学生汇编成绩的分布进行假设，其次利用皮尔逊2 对所得的分步进行检验，结合spss数据处理软件求出想要得到的结果，最后用单因素的方差分析判断学生汇编课设等级对学生汇编成绩的影响，从而得出汇编成绩与学生人数之间呈正态分布，学生汇编课设等级对学生汇编成绩有着显著影响。 关键词：假设检验；单因素方差分析；Spss、卡方检验
方差分析(写成英文我就认识了。。analysis of variance (ANOVA) )主要有三种模型：即固定效应模型（fixed effects model），随机效应模型（random effects model），混合效应模型（mixed effects model）。 所谓的固定、随机、混合，主要是针对分组变量而言的。 固定效应模型，表示你打算比较的就是你现在选中的这几组。例如，我想比较3种药物的疗效，我的目的就是为了比较这三种药的差别，不想往外推广。这三种药不是从很多种药中抽样出来的，不想推广到其他的药物，结论仅限于这三种药。“固定”的含义正在于此，这三种药是固定的，不是随机选择的。 随机效应模型，表示你打算比较的不仅是你的设计中的这几组，而是想通过对这几组的比较，推广到他们所能代表的总体中去。例如，你想知道是否名牌大学的就业率高于普通大学，你选择了北大、清华、北京工商大学、北京科技大学4所学校进行比较，你的目的不是为了比较这4所学校之间的就业率差异，而是为了说明他们所代表的名牌和普通大学之间的差异。你的结论不会仅限于这4所大学，而是要推广到名牌和普通这样的一个更广泛的范围。“随机”的含义就在于此，这4所学校是从名牌和普通大学中随机挑选出来的。 混合效应模型就比较好理解了，就是既有固定的因素，也有随机的因素。 一般来说，只有固定效应模型，才有必要进行两两比较，随机效应模型没有必要进行两两比较，因为研究的目的不是为了比较随机选中的这些组别。 固定效应和随机效应的选择是大家做面板数据常常要遇到的问题，一个常见的方法是做huasman检验，即先估计一个随机效应，然后做检验，如果拒绝零假设，则可以使用固定效应，反之如果接受零假设，则使用随机效应。但这种方法往往得到事与愿违的结果。另一个想法是在建立模型前根据数据性质确定使用那种模型，比如数据是从总体中抽样得到的，则可以使用随机效应，比如从N个家庭中抽出了M个样本，则由于存在随机抽样，则建议使用随机效应，反之如果数据是总体数据，比如31个省市的Gdp，则不存在随机抽样问题，可以使用固定效应。同时，从估计自由度角度看，由于固定效应模型要估计每个截面的参数，因此随机效应比固定效应有较大的自由度. 固定效应模型 固定效应模型（fixed effects model）的应用前提是假定全部研究结果的方向与效应大小基本相同，即各独立研究的结果趋于一致，一致性检验差异无显
基于面板数据模型及其固定效应的模型分析 在20世纪80年代及以前,还只有很少的研究面板数据模型及其应用的文献,而20世纪80年代之后一直到现在,已经有大量的文献使用同时具有横截面和时间序列信息的面板数据来进行经验研究(Hsiao,20XX)。同时,大量的面板数据计量经济学方法和技巧已经被开发了出来,并成为现在中级以上的计量经济学教科书的必备内容,面板数据计量经济学的理论研究也是现在理论计量经济学最热的领域之一。 面板数据同时包含了许多横截面在时间序列上的样本信息,不同于只有一个维度的纯粹横截面数据和时间序列数据,面板数据是同时有横截面和时序二维的。使用二维的面板数据相对于只使用横截面数据或时序数据,在理论上被认为有一些优点,其中一个重要的优点是面板数据被认为能够控制个体的异质性。在面板数据中,人们认为不同的横截面很可能具有异质性,这个异质性被认为是无法用已知的回归元观测的,同时异质性被假定为依横截面不同而不同,但在不同时点却是稳定的,因此可以用横截面虚拟变量来控制横截面的异质性,如果异质性是发生在不同时期的,那么则用时期虚拟变量来控制。而这些工作在只有横截面数据或时序数据时是无法完成的。 然而,实际上绝大多数时候我们并不关心这个异质性究竟是多少,我们关心的仍然是回归元参数的估计结果。使用面板数据做过实际研究的人可能会发现,使用的效应①不同,对回归元的估计结果经常有十分巨大的影响,在某个固定效应设定下回归系数为正显着,而另外一个效应则变为负显着,这种事情经常可以碰到,让人十分困惑。大多数的研究文献都将这种影响解释为控制了固定效应后的结果,因为不可观测的异质性(固定效应)很可能和回归元是相关的,在控制了这个效应后,由于变量之间的相关性,自然会对回归元的估计结果产生影响,因而使用的效应不同,估计的结果一般也就会有显着变化。 然而,这个被广泛接受的理论假说,本质上来讲是有问题的。我们认为,估计的效应不同,对应的自变量估计系数的含义也不同,而导致估计结果有显着变化的可能重要原因是由于面板数据是二维的数据,而在这两个不同维度上,以及将两个维度的信息放到一起时,样本信息所显现出来的自变量和因变量之间的相关关系可能是不同的。因此,我们这里提出另外一种异质性,即样本在不同维度上的相关关系是不同的,是异质的,这个异质性是发生在回归元的回归系数上,而
meta分析中固定效应模型、随机效应模型和混合OLS模型的选择
meta分析中固定效应模型、随机效应模型和混合OLS模型的选择 在Meta分析中最常用的是固定效应模型、随机效应模型。怎样理解这两种模型呢？举个简单的例子：让十个学生去测量操场中的同一根旗杆，旗杆长度的测量值可以看作是一个固定效应模型；然而如果让一个学生去测量操场上长度不同的十根旗杆，旗杆长度的测量值则是随机效应模型。 一般来说，随机效应模型得出的结论偏向于保守，置信区间较大，更难以发现差异，带给我们的信息是如果各个试验的结果差异很大的时候，是否需要把各个试验合并需要慎重考虑，作出结论的时候就要更加小心。从另一个角度来说，Meta分析本来就是用来分析结论不一致甚至是相反的临床试验，通过Meta分析提供一个可靠的综合的答案，如果每个试验的结果都一模一样，根本就没有必要作Meta分析，因此要通过齐性检验来解决这对矛盾。 一般来说判断方法是根据I2来确定。 1.就是根据I2值来决定模型的使用，大部分
认为＞50%，存在异质性，使用随机效应模型，≤50%，用固定效应模型，有了异质性，通过敏感性分析，或者亚亚组分析，去探求异质性的来源，但是这两者都是定性的，不一定能找到，即使你做了，研究数目多的话，可以做个meta 回归来找异质性的来源 2.在任何情况下都使用随机效应模型，因为如果异质性很小，那么随即和固定效应模型最终合并结果不会有很大差别，当异质性很大时，就只能使用随机效应模型，所以可以说，在任何情况下都使用随机效应模型 3.还有一种，看P值，一般推荐P的界值是0.1，但现在大部分使用0.05，就是说P＞0.05，用固定，≤0.05用随机效应模型。 但是这些都没有统一的说法，存在争议，如果你的审稿人是其中一种，你和他相冲突了，你只能按照他说的去修改，因为没有谁对谁错，但是现在你的文章在人家手里，如果模型不影响你的结果，你就遵照他们的建议 但是，也不必过度强调哪种方法，更重要的是找到异质性根源。meta分析中，异质性是天然存在的。如果异质性较小，选择固定效应模型
SPSS中的单因素方差分析 一、基本原理单因素方差分析也即一维方差分析，是检验由单一因素影响的多组样本某因变量的均值是否有显著差异的问题，如各组之间有显著差异，说明这个因素（分类变量）对因变量是有显著影响的，因素的不同水平会影响到因变量的取值。 二、实验工具 SPSS for Windows 三、试验方法例：某灯泡厂用四种不同配料方案制成的灯丝（filament），生产了四批灯泡。在每批灯泡中随机地抽取若干个灯泡测其使用寿命（单位：小时hours），数据列于下表，现在想知道，对于这四种灯丝生产的灯泡，其使用寿命有无显著差异。 灯泡灯丝 1 2 3 4 5 6 7 8 甲 1600 1610 1650 1680 1700 1700 1780 乙1500 1640 1400 1700 1750 丙 1640 1550 1600 1620 1640 1600 1740 1800 丁1510 1520 1530 1570 1640 1680 四、不使用选择项操作步骤（1）在数据窗建立数据文件，定义两个变量并输入数据，这两个变量是： filament 变量，数值型，取值1、2、3、4 分别代表甲、乙、丙、丁，格式为F1.0，标签为“灯丝”。 Hours 变量，数值型，其值为灯泡的使用寿命，单位是小时，格式为F4.0，标签为“灯泡使用寿命”。 （2）按Analyze，然后Compared Means，然后One-Way Anova 的顺序单击，打开“单因素方差分析”主对话框。 （3）从左边源变量框中选取变量hours，然后按向右箭头，所选去的变量hours 即进入Dependent List 框中。 （4）从左边源变量框中选取变量filament，然后按向右箭头，所选取的变量folament 即进入Factor 框中。 （5）在主对话框中，单击“OK”提交进行。 五、输出结果及分析灯泡使用寿命的单因素方差分析结果 ANQVA Sun of Squares df Mean Square F Sig Between Groups 39776.46 3 13258.819 1.638 .209 Within Groups 178088.9 22 8094.951 Total 217865.4 25 该表各部分说明如下： 第一列：方差来源，Between Groups 是组间变差，Within Groups 是组内变差，Total 是总变差。 第二列：离差平方和，组间离差平方和为39776.46，组内离差平方和为178088.9，总离差平方和为217865.4，是组间离差平方和与组内离差平方和相加而得。 第三列：自由度，组间自由度为3，组内自由度为22，总自由度为25，是组间自由度和组内自由度之和。 第四列：均方，即平方和除以自由度，组间均方是 13258.819，组内均方是8094.951. 第五列：F 值，这是F 统计量的值，其计算公式为模型均方除以误差均方，用来检验模型的显著性，如果不显著说明模型对指标的变化没有解释能力，F 值为1.683. 第六列：显著值，是F 统计量的p 值，这里为0.209. 由于显著值0.209 大于0.05，所以在置信水平0.95 下不能否定零假设，也就是说四种灯丝生产的灯泡，其平均使用寿命美誉显著差异。 六、使用选择项操作步骤七、输出结果及分析描述性统计量表方差一致性检验 Sig 大于0.05，说明各组的方差在0.05 的显著水平上没有显著性差异，即方差具有一致性。
中国循证心血管医学杂志2017年3月第9卷第3期 Chin J Evid Based Cardiovasc Med,March,2017,Vol.9,No.3? 261 ? ? 循证理论与实践 ? 基于统计学角度：解读固定效应模型和随机效应模型 程里礼1,2，雷鹏2，陶园3，古辉云3，张超4，赵国忠2 基金项目：2014年度宁夏自然科学基金(NZ14122) 作者单位：1 750000 银川,宁夏医科大学;2 750000 银川,宁夏医科大学总医院肝胆外科;3 442000 十堰,湖北医药学院;4 442000 十堰,湖北省十堰市太和医院循证医学与临床研究中心 通讯作者：赵国忠,E-mail:Zhaogzh1220@https://www.doczj.com/doc/fe8532126.html, doi：10.3969/j.issn.1674-4055.2017.03.02 【摘要】大多数的Meta分析都会用到固定效应模型和随机效应模型中的一种，固定效应模型假设所有的纳入研究拥有共同的真实效应量，而随机效应模型中的真实效应随纳入研究的不同而改变。运用的模型不同，所得到的合并后的效应量均数值也不相同，这不仅体现在效应量的均值上，更多的体现在每个纳入研究权重的分配上，本文主要目的是深度解剖两种模型以及两种模型的假设，区分其共同点和不同点，并通过两种模型计算每个研究所占的权重和合并后效应量的均数值，最后指出并比较其优缺点。 【关键词】随机效应模型；固定效应模型；效应量；统计学 【中图分类号】R4 【文献标志码】 A 【文章编号】1674-4055(2017)03-0261-04Based on statistics: interpret fixed effect model and random effect model CHENG Li-li *, LEI Peng, TAO Yuan, GU Hui-yun, ZHANG Chao, ZHAO Guo-zhong. *Ningxia Medical University, Yinchuan 750000, China.Corresponding author: ZHAO Guo-zhong, E-mail: Zhaogzh1220@https://www.doczj.com/doc/fe8532126.html, [Abstract ] Most of Meta-analysis will use fixed effect model (FEM) or random effect model (REM), and FEM assumes that there is common true effect size in all included studies, while true effect size in REM will change according to different included studies. The mean of pooled effect size will be different as different models are used, which is not only reflected on the average, but also much on the weight distribution of each included study. Main purpose of this article is to deeply analyze these two models and their assumptions, distinguish their similarities and difference, calculate each study’s weight and pooled effect size by these two models, and finally point out and compare their advantages and disadvantages. [Key words ] Random effect model; Fixed effect model; Effect size; Statistics 系统评价/Meta分析是针对某一具体临床问题，系统、全面地收集全世界所有已发表或未发表的临床研究，采用临床流行病学的原则和方法对研究进行严格的评价，筛选出符合纳入标准的研究，进行定性或定量合成，从而得出可靠的结论[1]。1976年，Glass首次提出Meta分析是采用统计学方法总结独立研究的结果。与单个研究的评价相比，Meta分析通过整合所有相关研究，可更精准的估计卫生保健的效果，并有利于探索各研究证据的一致性及研究间的差异性[2]。 目前，很多统计方法模型被用于Meta分析中，最常见的两种模型为固定效应模型（FEM）和随机效应模型（REM）。FEM假设所有的纳入研究拥有共同的真实效应量，而REM中的真实效应随研究的不同而改变。基于不同模型的运算，所得到的合并后的效应量均数值也不相同[3]。早在1976年，第一篇Meta分析就使用FEM进行了数据合并，基于其统计简洁性及异质性认知，致使FEM广泛使用，直到2006年仍然有四分之三的Meta分析的文章在使用[4]。然而，随着方法学不 断更新及异质性理解，方法学家们对于证据合并内在结构理解与剖析，已开始逐渐对“理想”状态的FEM产生疑问。随后，REM逐渐被使用，并替代部分FEM，但至今对两种模型理解错误与使用不当的现象仍层出不穷，严重影响结果真实性与可靠性。 在很多系统评价/Meta分析中，FEM的假设是不合理的，当纳入一组研究进行Meta分析时，假设所有研究拥有足够多的共同点从而使得合并后的效应量均数有意义，然而就相同的真实效应量而言，并没有充分的理由假设所有研究是完全相同的[5]。有证据显示，由于系统评价/Meta分析制作者水平良莠不齐，致使当前已发表的系统评价/Meta分析文章并没有考虑到这方面[6]。为了进一步探讨两种模型间差别及正确使用，本研究基于三个方面来解读REM和FEM及如何正确择选两种模型。1 从定义的角度 1.1 FEM 假设所有纳入的研究拥有共同的真实效应量，或者除了随机误差外，所观察效应量均为真实效应量。如比较对糖尿病黄斑水肿（DME）的抗血管内皮生长因子（Anti-VEGF）药物中aflibercept与bevacizumab疗效，除了药物自身疗效外，其他患者背景、药物使用情况及测量结局的工具等均“一致”，每个研究的观察效应量差
【关键词】重复测量；混合效应线性模型；单因素方差分析； 摘要：目的：通过混合效应线性模型与单因素方差分析在重复测量资料中的应用比较，旨在说明两方法在处理重复测量资料时的应用特点。方法：用混合效应线性模型和单因素方差分析处理重复测量资料并比较。结果：混合效应线性模型和单因素方差分析都是处理重复测量资料的重要统计方法，前者在选择协方差结构下可对重复测量资料的固定效应和随机效应参数及协方差矩阵进行参数估计和统计检验，后者可对重复测量资料的固定效应做出统计推断。结论：混合效应线性模型是处理重复测量资料的有力方法，它对资料的协方差结构要求宽松，且结论可靠；单因素方差分析对资料的协方差结构有严格的限定。 关键词：重复测量；混合效应线性模型；单因素方差分析； 统计方法特点重复测量数据（repeated measures data）是医学领域中常见的一种数据资料。所谓重复测量是指对同一个观察对象在不同时间点上进行的多次测量［1］。由于重复测量资料是对同一受试对象的某一观察指标进行的重复观察所得的数据，同一受试者的观察数据间可能存在相关性，一些传统的统计学方法如t检验等就不能充分揭示这一内在特点，有时甚至会导致错误的结论。 对重复测量资料的分析方法大致可分为两类，即单变量统计分析方法和多变量统计分析方法［2］。本研究通过选用多变量统计分析方法中的混合线性效应模型对一例题的分析，并与单因素方差分析进行比较，来说明两种方法在处理重复测量资料中的应用特点。 1方法简介 简单说，混合效应线性模型就是所拟和的模型中既包含固定效应又包含随机效应，特别是个体内的数据结构的选择将对各因素的评价产生直接影响［3］。 混合效应线性模型是一般线性模型的扩展，其表达式为： y=xβ+zγ+ε(1) x为已知设计矩阵，β为固定效应参数构成的未知向量，ε是未知的随机误差向量，其元素不必为同独立分布了。在式（1）中y，γ都是正态随机向量，其均值为0，方差阵分别为g 与r，二者之间不相关，因此y的方差表达式为： v=zgz+r(2) 2实例分析 下面用一实例比较两种方法对处理重复测量资料时的特点：某药有新旧两种剂型，为了比较这两种剂型的代谢情况，对16例病人服药后分别在0、4、8、12小时测得血药浓度(表1），问该药新旧剂型的血药浓度随时间变化的趋势是否一致。表1四个时间点某药新旧剂型血药浓度1用sas软件的mixed过程对固定效应和随机效应参数β、γ及协方差矩阵g、r进行估计和统计检验。在本例中因变量为血药浓度，药物剂型、测量时间为固定效应，受试者为随机效应，同时选择合适的协方差结构以便在控制随机误差的基础上分析处理因素（药物剂型）对反应变量（血药浓度）的关系。本例指定为常用的无结构协方差（un）和复合对称性协方差（cs）。 模型拟合情况见表2。表2模型配合统计量由表2可见，在un结构下协方差配合的似然比统计量－2log likelihood=398.0(表2),对无效模型的似然比检验，χ2=134.43，ν＝9， p ＜0.0001,说明模型拟合效果显著，模型较好地拟和了资料。在cs结构下，似然比统计量－2log likelihood＝506.4，aic、aicc、bic三个值都是un模型小于cs模型，故本例选用un 结构作模型拟合。 在un结构下的固定效应参数估计值及假设检验结果见表3、4。 由表4可知，在un结构下，不同处理组之间的差别无统计学意义（p=0.07551），不同测量时间点的血药浓度及处理组×时间点的交互作用的差别有统计学意义(p＜0.0001)，且这种交互作用主要体现在新剂型组。
该理论包含两个重要内容：均值－方差分析方法和投资组合有效边界模型。在发达的证券市场中，马科维茨投资组合理论早已在实践中被证明是行之有效的，并且被广泛应用于组合选择和资产配置。但是，我国的证券理论界和实务界对于该理论是否适合于我国股票市场一直存有较大争议。从狭义的角度来说，投资组合是规定了投资比例的一揽子有价证券，当然，单只证券也可以当作特殊的投资组合。本文讨论的投资组合限于由股票和无风险资产构成的投资组合。人们进行投资，本质上是在不确定性的收益和风险中进行选择。投资组合理论用均值—方差来刻画这两个关键因素。所谓均值，是指投资组合的期望收益率，它是单只证券的期望收益率的加权平均，权重为相应的投资比例。当然，股票的收益包括分红派息和资本增值两部分。所谓方差，是指投资组合的收益率的方差。我们把收益率的标准差称为波动率，它刻画了投资组合的风险。人们在证券投资决策中应该怎样选择收益和风险的组合呢？这正是投资组合理论研究的中心问题。投资组合理论研究“理性投资者”如何选择优化投资组合。所谓理性投资者，是指这样的投资者：他们在给定期望风险水平下对期望收益进行最大化，或者在给定期望收益水平下对期望风险进行最小化。因此把上述优化投资组合在以波动率为横坐标，收益率为纵坐标的二维平面中描绘出来，形成一条曲线。这条曲线上有一个点，其波动率最低，称之为最小方差点（英文缩写是MVP）。这条曲线在最小方差点以上的部分就是著名的（马考维茨）投资组合有效边界，对应的投资组合称为有效投资组合。投资组合有
效边界一条单调递增的凹曲线。如果投资范围中不包含无风险资产（无风险资产的波动率为零），曲线AMB是一条典型的有效边界。A点对应于投资范围中收益率最高的证券。如果在投资范围中加入无风险资产，那么投资组合有效边界是曲线AMC。C点表示无风险资产，线段CM是曲线AMB的切线，M是切点。M点对应的投资组合被称为“市场组合”。如果市场允许卖空，那么AMB 是二次曲线；如果限制卖空，那么AMB是分段二次曲线。在实际应用中，限制卖空的投资组合有效边界要比允许卖空的情形复杂得多，计算量也要大得多。在波动率－收益率二维平面上，任意一个投资组合要么落在有效边界上，要么处于有效边界之下。因此，有效边界包含了全部（帕雷托）最优投资组合，理性投资者只需在有效边界上选择投资组合。 [编辑本段]现代投资理论的产生与发展 现代投资组合理论主要由投资组合理论、资本资产定价模型、APT模型、有效市场理论以及行为金融理论等部分组成。它们的发展极大地改变了过去主要依赖基本分析的传统投资管理实践，使现代投资管理日益朝着系统化、科学化、组合化的方向发展。1952年3月，美国经济学哈里·马考威茨发表了《证券组合选择》的论文，作为现代证券组合管理理论的开端。马克威茨对风险和收益进行了量化，建立的是均值方差模型，提出了确定最佳资产组合的基本模型。由于这一方法要求计算所有资产的协方差矩阵，严重制约了其在实践中的应用。1963年，威廉·夏普提出了可以对协方差矩阵加以
SPSS--One-Way ANOVA过程--单因素方差分析 One-Way ANOVA过程 该命令用于两组及多组独立样本平均数差异显著性的比较，即成组设计的方差分析。还可进行随后的两两成对比较。 1 界面说明 【Dependent List框】 选入需要分析的变量，可选入多个结果变量（因变量）。 【Factor框】 选入需要比较的分组因素，只能选一个。 【Contrast钮】 弹出Contrast对话框，用于对精细趋势检验和精确两两比较的选项进行定义，该对话框比较专业，也较少用，这里做简单介绍。?Polynomial复选框定义是否在方差分析中进行趋势检验。?Degree下拉列表和Polynomial复选框配合使用，可选则从线性趋势一直到最高五次方曲线来进行检验。 ?Coefficients框定义精确两两比较的选项。按分组变量升序给每组一个系数值，注意最终所有系数值相加应为0。如果不为0仍可检验，只不过结果是错的。比如说在下面的例2要对一、三组进行单独比较，则在这里给三组分配系数为1、0、-1，就会在结果中给出相应的检验内容。
【Post Hoc按钮】 弹出Post Hoc Multiple Comparisons对话框，用于选择进行各组间两两比较的方法： ?EquaL Variances Assumed复选框：当各组数据方差齐性时的两两比较方法，共14种。其中最常用的为LSD和S-N-K法。?EquaL Variances Not Assumed复选框:当各组方差不齐性时的两两比较方法，共4种，其中以Dunnetts's C法较常用。?Significance Level框定义两两比较时的显著性水平，默认为0.05。 【Options按钮】 弹出Options对话框，用于定义相关的选项： ?Statistics复选框：选择一些附加的统计分析项目，有统计描述（Descriptive）和方差齐性检验 （Homogeneity-of-variance）。 ?Means plot复选框：用各组均数做图，直观了解它们的差异。 ?Missing Values单选框组：定义分析中对缺失值的处理方法，可以是具体分析时用到的变量有缺失值才去除该记录 （Excludes cases analysis by analysis），或只要相关变
spss教程：单因素方差分析 ? ?| ?1 ?2 ?3 ?4 ?5 ?6 ?7 分步阅读 用来测试某一个控制变量的不同水平是否给观察变量造成显著差异和变动。 方差分析前提：不同水平下，各总体均值服从方差相同的正态分布。所以方差分析就是研究不同水平下各个总体的均值是否有显著的差异。统计推断方法是计算F统计量，进行F检验，总的变异平方和SST，控制变量引起的离差SSA
（Between Group离差平方和），另一部分随机变量引起的SSE（组内Within Group离差平方和），SST=SSA+SSE。 方法/步骤 1.计算检验统计量的观察值和概率P_值：Spss自动计算F统计值，如果相伴概 率P小于显著性水平a，拒绝零假设，认为控制变量不同水平下各总体均值有显著差异，反之，则相反，即没有差异。 2.方差齐性检验：控制变量不同水平下各观察变量总体方差是否相等进行分析。 采用方差同质性检验方法（Homogeneity of variance），原假设“各水平下观察变量总体的方差无显著差异，思路同spss两独立样本t检验中的方差分析”。图中相伴概率0.515大于显著性水平0.05，故认为总体方差相等。
趋势检验：趋势检验可以分析随着控制变量水平的变化，观测变量值变化的总体趋势是怎样的，线性变化，二次、三次等多项式。趋势检验可以帮助人们从另一个角度把握控制变量不同水平对观察变量总体作用的程度。图中线性相伴概率为0小于显著性水平0.05，故不符合线性关系。
3.多重比较检验：单因素方差分析只能够判断控制变量是否对观察变量产生了显 著影响，多重比较检验可以进一步确定控制变量的不同水平对观察变量的影响程度如何，那个水平显著，哪个不显著。常用LSD、S-N-K方法。LSD方法检测灵敏度是最高的，但也容易导致第一类错误（弃真）增大，观察图中结果，在LSD项中，报纸与广播没有显著差异，但在别的方法中，广告只与宣传有显著差异。
面板数据模型(PANEL DATA)F检验,固定效应检验 1．面板数据定义。 时间序列数据或截面数据都是一维数据。例如时间序列数据是变量按时间得到的数据；截面数据是变量在截面空间上的数据。面板数据（panel data）也称时间序列截面数据（time series and cross section data）或混合数据（pool data）。面板数据是同时在时间和截面空间上取得的二维数据。面板数据示意图见图1。面板数据从横截面（cross section）上看，是由若干个体（entity, unit, individual）在某一时刻构成的截面观测值，从纵剖面（longitudinal section）上看是一个时间序列。 面板数据用双下标变量表示。例如 y i t, i= 1, 2, …, N; t= 1, 2, …, T N表示面板数据中含有N个个体。T表示时间序列的最大长度。若固定t不变，y i ., ( i= 1, 2, …, N)是横截面上的N个随机变量；若固定i不变，y. t, (t= 1, 2, …, T)是纵剖面上的一个时间序列（个体）。 图1 N=7，T=50的面板数据示意图 例如1990-2000年30个省份的农业总产值数据。固定在某一年份上，它是由30个农业总产总值数字组成的截面数据；固定在某一省份上，它是由11年农业总产值数据组成的一个时间序列。面板数据由30个个体组成。共有330个观测值。 对于面板数据y i t, i= 1, 2, …, N; t= 1, 2, …, T来说，如果从横截面上看，每个变量都有观测值，从纵剖面上看，每一期都有观测值，则称此面板数据为平衡面板数据（balanced panel data）。若在面板数据中丢失若干个观测值，则称此面板数据为非平衡面板数据（unbalanced panel data）。
固定效应模型的估计原理说明
————————————————————————————————作者: ————————————————————————————————日期: ?
固定效应模型的估计原理说明 在面板数据线性回归模型中,如果对于不同的截面或不同的时间序列,只是模型的截距项是不同的，而模型的斜率系数是相同的，则称此模型为固定效应模型。固定效应模型分为三类： 1.个体固定效应模型 个体固定效应模型是对于不同的纵剖面时间序列(个体）只有截距项不同的模型: 2 K it i k kit it k y x u λβ==++∑ (１) 从时间和个体上看，面板数据回归模型的解释变量对被解释变量的边际影响均是相同的,而且除模型的解释变量之外，影响被解释变量的其他所有(未包括在回归模型或不可观测的）确定性变量的效应只是随个体变化而不随时间变化时。 检验：采用无约束模型和有约束模型的回归残差平方和之比构造F 统计量,以检验设定个体固定效应模型的合理性。F 模型的零假设： 01231:0N H λλλλ-===???== ()1 (1,(1)1)(1) RRSS URSS N F F N N T K URSS NT N K --= ---+--+ ＲR ＳＳ是有约束模型（即混合数据回归模型)的残差平方和，URSS 是无约束模型ANC ＯV A 估计的残差平方和或者L ＳDV 估计的残差平方和。 实践: 一、数据:已知1996—2002年中国东北、华北、华东１5个省级地区的居民家庭人均消费(cp ，不变价格）和人均收入(ip ,不变价格）居民,利用数据（１）建立面板数据(ｐa ｎｅｌ data)工作文件;（2)定义序列名并输入数据；(3）估计选择面板模型;(4）面板单位根检验。年人均消费（consume ）和人均收入(incom ｅ)数据以及消费者价格指数(p)分别见表1，2和3。 表1 1996—2002年中国东北、华北、华东15个省级地区的居民家庭人均消费（元）数据 人均消费 1996 1997 19９8 1999 2 CO ＮS ＵM ＥA Ｈ 3607.43 36９３．５5 ３777.41 39０1.81 423２.９ 8 4517．６ 5 47３6.5２ CONSU ＭE ＢJ 5729.52 6531．8１ 6970.83 7４９8．4８ 8493.49 ８９２2.72 10２8４．6 ＣＯNSUM ＥFJ 4248.47 4935.9５ 5181.４5 526６.69 5638.７4 6015．11 66３1.68 ＣＯNSUMEHB 34２4.3５ 4003.71 383４.43 402６.3 ４３48.4７ ４４79.７5 ５069.28 ＣONSUMEH ＬＪ ３110.92 321３.４ 2 33０3.15 ３４8１．74 3８2４.44 4192．３６ 4462.08 CO ＮSUMEJ Ｌ ３037.32 3４08.０ ３ 3449.74 366１．68 4０２0．87 4337.２2 4973．８ 8