|
在进行干预研究（(Intervention study）或纵向研究（Longitudinal study）时，常会在不同研究时点（基线、多个随访期）对研究对象的某个或某些指标进行多次测量，这类资料就是经典的重复测量资料。如想要了解某降糖药的效果，分别于研究对象的基线和随访期第1、3、6和12个月的测量反映血糖控制的相关疗效指标。若要比较不同时间点的疗效有无差别，（单因素）方差分析的方法必然是不适用的。因为对于同一个体来说，前后的测量指标往往具有很强的相关性，这就违反了方差分析最基本的适用条件，即样本相互独立。 针对定量（如血压、血糖值）的重复测量资料，重复测量方差分析是目前较为常用的分析手段。可以了解不同组间某指标的时间变化趋势、处理与时间是否有交互作用，以及不同时点间组间比较的差异问题。 一、重复测量数据的特征和原理 1、时间因素：存在若干时点（≥2），每个研究对象在各时点下均有测量值。有时重复的变量与时间无关，可能是研究的不同部位、不同的仪器设备、不同科目的考试成绩等非随机的重复因素。 2、处理因素：存在一个或多个处理因素，这种处理是时间（重复）之外的，往往是重要的、要比较的分组变量。 3、交互作用：时间因素和处理因素的交互作用是重复测量分析的重要问题，是否存在交互作用，在分析和结果解释上差别较大。 4、适用条件：各处理水平的个体间是相互独立的随机样本（重复内不独立），符合正态分布，满足方差齐性；协方差矩阵（covariance matrix）满足球形性（sphericity）。 5、总体思想：重复测量方差非分析的思想和方差分析类似，即根据设计和需要将变异分解为多个部分，然后和随机误差相比较，判断某些变异是否有统计学意义。重复测量的变异主要分为组内变异（1、3）和组间变异（2）两个部分。（图1）。 二、 示例及软件操作 将手术要求基本相同的15个患者随机分为3组，术中分别采用 A、B、C 3种麻醉诱导剂，在T0~T4 5个时相分别测量患者收缩压，比较不同诱导剂对患者收缩压的影响。（孙振球主编《医学统计学》第5版P193） 2.1 软件处理及结果解释（SPSS） 2.1.1 数据整理 SPSS对重复测量数据有专门的分析模块。整理数据时，每1行代表1个研究对象，每1列分别代表1个时点的测量值，本例中收缩压有5个时点，故需要5个列变量，分别表示不同时点，图2（group中的1 2 3 分别代表分组）。（图2） 2.2.2 操作步骤 Analyze > General Linear model >Repeated Measures> 在弹出的窗口，自定义重复变量的名称（Within-Subjects Factor Name）及水平数(Number of levels)，点击Add > Define > 依次选入重复变量（Within-Subjects Variables）和分组因素(Between-Subjects Factors) > 点击OK。（本例重复数为5，图3;图4）。 2.2.3 结果解释 球形性检验结果，P>0.05，认为满足球形性假设。若球对称性得不到满足，方差分析的F值是有偏的，会增大Ⅰ类错误的概率，此时需进行校正。Epsilon为校正系数，校正方法有Greenhouse-Geisser 法、Huynh-Feldt 法、Lower-bound法，其中Greenhouse-Geisser 法最常用（软件会自动给出校正结果）。（图5） Tests of Within-Subjects Effects 时间效应和时间*分组交互效应的结果。由于满足球形性假设，所有结果均只需看第一行（若不满足，则分别看第二行）。结果显示时间（F=106.558,P<0.001）、时间和分组的交互作用具有统计学意义（F=19.101, P<0.001）。即不同时相下患者收缩压不同，麻醉剂类型和时相具有交互作用。（图6） 简单的理解交互作用就是，如果麻醉剂对收缩压有影响，时相对收缩压也有影响，而同一麻醉剂在不同时相（同一时相下不同麻醉剂）对收缩压的影响不同，就认为麻醉剂和时相有交互作用（两种因素相互影响）。 Tests of Within-Subjects Contrasts 时间的趋势检验的结果。由于未进行数据拆分，本部分为总的趋势检验，其中Linear~Order4分别为收缩压变化的时间趋势是否可以分别用1~4次方的曲线去解释，这部分的结果解释不同教材的描述并不一致。个人认为P>0.05时为该指标的变化满足对应曲线的趋势，本例中Linear~Order 4的P值均<0.05，故认为趋势可能需要用更高次项的模型去解释。而趋势检验的结果要与样本量结合起来，本例中总的样本量只有15人，用更高次项的模型去解释很明显是不合适的。（图7） Tests of Between-Subjects Effects 组间效应的整体结果（将不同时间点平均），本例中就是不同麻醉剂干预的效果有无差异。这部分的结果要和交互作用的结果联系起来，如果时间和分组因素有交互作用，组间效应是否有差异都不再重要，需要每个时间点进行两两比较。（图8） 2.2.4 不同时间点的两两比较 如果存在交互作用，处理组的单独效应就不能当做一个整体去直接比较（图8），而是要在每个时点分别两两比较。两两比较会增加I类错误的概率，故需要对检验水准进行校正。校正的方法要根据球形检验的结果合理选择，如果球形性假设满足，则可以选择相对不保守的方法，若球形检验结果不满足，则选择最保守的Bonferroni法。 不同时间点两两比较可以通过以下两种方法 1、Analyze > General Linear model > Multivariable> Dependent Variable（选择重复变量），Fixed Factors(选择分组变量)，Post Hoc(选入分组，并选择Bonferroni法)，点击OK。（图10） Multiple Comparisons 为不同时点两两比较结果，根据各时点和分组标识，找到相应结果，P<0.05时认为在该时点下，某两个麻醉剂对收缩压的作用差异具有统计学意义。（图11） Tests of Between-Subjects Effects 不同时点组间的整体差异，类似于方差分析中的整体是否有差异，结果看Correction Model部分，本例的结果显示时相为t1、t3和t4时不同麻醉剂的效果不同或不全相同。如果组别只有2组，则不会出Multiple Comparisons的结果，而只给出本部分的结果。（图12）
|
|
|
