線性混合模型

「線性混合模型」程序會展開廣義線性模型，以使資料能夠展示相關和非常數變異性。 因此，混合線性模型不僅能夠彈性建立資料平均數的模式，還能建立其變異數和共變異數的模式。

「線性混合模型」程序也是一種彈性工具，能隨著可公式化為混合線性模型的其他模式做調整。 這類模式包括：多層級模式、階層線性模型和隨機係數模式。

範例

連鎖雜貨店想要研究各種折價券對客戶的消費有什麼影響。 以他們的常客為隨機樣本，追蹤每一位客戶的消費情況，為期 10 週。 每一個星期都寄給客戶不同的折價券。 使用「線性混合模型」來估計不同折價券對消費的影響，並根據過去 10 週每位受試者的重複觀察值來調整相關程度。

方法

最大概似 (ML) 和受限最大概似 (REML) 估計。

統計資料

說明統計量：應變數的樣本大小、平均值和標準差，以及各種不同因數層次組合的共變數。 因數層次資訊：各因數層次的排序值及其頻次。 以及固定效果的參數預估和信賴區間、Wald 檢定和共變異數矩陣參數的信賴區間。 您可以使用類型 I 和類型 III 平方和來評估不同的假設。 預設值為類型 III。

線性混合模型資料考量

日期

應變數應該是數量的。 因素應該是類別的，並且可以有數值或字串值。 共變數和加權變數應該是數量的。 受試者和重複變數則可以是任何類型。

假設

假設應變數與固定因素、隨機因素和共變數呈線性相關。 固定效應可建立應變數平均數的模式。 隨機效應可建立應變數之共變異數結構的模式。 系統將多重隨機效應視為彼此獨立，並且將為每個效應計算不同的共變異數矩陣；但在相同隨機效應中指定的模式項目可以彼此關連。 重複測量可建立殘差之共變異數結構的模式。 也可以假設應變數是取自於常態分佈。

相關程序

在執行分析之前，請先使用「探索」程序來檢查資料。 如果您猜想沒有相關或非常數變異性，則可以使用「GLM 單變數」或「GLM 重複測量」程序。 或者如果隨機效應有變異成分共變異數結構，並且沒有重複測量的話，則您可以使用「變異成份分析」程序。