（1）根据不同时间点观测值的相关系数矩阵考虑。简单来说，先计算各次相关系数，大致观察一下相关系数情况，然后进行判断。

如果任意两次的相关系数差不多，可考虑等相关；

如果相关系 数出现随时间间隔而规律性减小的趋势，可考虑自相关；

如果无明显的规律，可考虑无结构相关。

理论上，指定无结构相关最为稳妥，可以满足任意情形的相关系数矩阵，但它需要估计的参数也最多。例如，对于 5次重复测量，如果指定等相关，只需要估计 1个参数即可（只有 1个相关系数）；而无结构相关则需要估计任意两个时间点的相关系数，即 10个参数，估计参数过多容易导致统计学效能（power）的降 低。因此，实际分析中需要综合考虑，根据相关系数矩阵的 提示选择较为合理的作业相关矩阵。

（2）结合QIC 指标（quasi‐likelihood under the independence model criterion）选择。QIC类似于广义线性模型的拟合优度指标 AIC，只是最大似然值换成了准似然值。

对QIC不理解也无所谓，关键知道，其值越小表示选择的作业相关矩阵越合适。与AIC指标类似，QIC 指标中也有对变量的惩罚项，即 QIC 值不一定随着模型中 变量的增多而变小，只有模型中含有意义的变量，其值才会变小，提示模型更优；如果纳入无意义的变量，其值反而会 升高，提示模型变差。实际分析时，可以分别指定不同的作业相关矩阵，然后比较各自的QIC值，选择其中较小者。

（三）广义估计方程的用途

广义估计方程主要用于重复测量数据的分析，这里的重复测量不仅包括临床试验中较为固定、时间点较少的情形，也包括像生长发育监测、流行病学人群纵向观察等时间点较为灵活或时间点较多的情形。在临床试验的重复测量数据分析中，广义估计方程也可以用于组间比较、时间点的比较、组间趋势变化的分析。在其他纵向观测数据中，广义估计方程可根据研究目的进行灵活分析。

（四）广义估计方程的SAS软件实现

我们仍然采用上一篇文章 的数据作为例子。为了方便，我们把上一篇文章的基本数据（表1）和图示（图1）放在下面，免得大家来回翻。

广义估计方程的操作需要先进行一定的探索，确定作业相关矩阵（其实往往很多统计分析都是这样，真正写在文章中的结果都是精华，但其实可能前期我们已经做了非常多的工作，但不可能把所有工作都写在文章里）。

本例中我们分别指定了各种不同的作业相关矩阵，结果均一致，因此本例可任意指定一种作业相关矩 阵，结果不受影响。简单起见，我们指定作业相关矩阵为等相关。

对例 1数据采用基于等相关作业相关矩阵的广义估计方程，首先不加入时间与组别的交互项，先分析时间与组别各自的主效应（ 主效应是基于所有人 （即不分组）的结果）。SAS程序如下：

data ex2；

input id group time y；

cards；

…… ；

proc gee data=ex2；

class id time/param=reference ref=first；

model y=time group；

repeatedsubject=id/within=time type=exch corrw；

/*subject 指定个体变量，重复测量数据中通常为个体的id编号；within指定重复测量的变量，通常是时间点变量；type指定作业相关矩阵；corrw指定输出作业相关矩阵*/

run；

表 4 显示了组别与时间的主效应，结果提示，两组之 间 Y 值评分差异有统计学意义（P=0.002），治疗后第 3周与 治疗前差异有统计学意义（P=0.005），治疗后第 4周与治疗 前差异有统计学意义（P