广义估计方程在护理纵向数据中的应用

1. 一句话告诉你这是什么

广义估计方程（GEE）处理”一个对象测了多次”的纵向或聚类数据，在考虑组内相关性的前提下估计全局平均效应。它回答”随时间变化趋势如何”——比如术后 1、3、6 个月的功能恢复轨迹。

2. 什么时候用，什么时候别用

适合用

• 同一对象有两次以上重复测量（如基线、3 月、6 月、12 月）
• 结局可以是连续、二分类或计数数据（通过 link 函数指定）
• 研究兴趣在”群体平均趋势”而非个体异质性

不适合用

• 只有一次测量（此时应用一般线性模型或 Logistic 回归）
• 关注个体水平的变化模式而非群体平均（应用混合效应模型）
• 缺失非随机或缺失机制为不可忽略（GEE 要求完全随机缺失）

3. 数据准备清单

• 数据为长格式：每行是一个对象的一次测量
• 有唯一 ID 变量标识同一对象的多次测量
• 时间变量已编码（如 0/3/6/12 月）
• 结局变量类型确定（连续/二分类/计数）
• 工作相关结构已预设（通常选 exchangeable 或 ar1）

4. 方法直觉

GEE 扩展了广义线性模型（GLM），在回归方程中嵌入一个”工作相关矩阵”来描述组内测量间的相关性。它给出的是人口平均效应——在群体层面上 X 变化一个单位时 Y 平均变化多少。

$g(E[Y_{it}]) = X_{it}^\top \beta$

其中 $g(\cdot)$ 是连接函数（连续变量用 identity，二分类用 logit），$Y_{it}$ 是对象 $i$ 在时间 $t$ 的测量值。

点击展开：工作相关结构的选择

• exchangeable（可交换）： 任意两次测量之间相关性相同。适用于无时间顺序的聚类数据（如一个医院内的患者）。
• ar1（一阶自回归）： 相距越近的测量越相关。适用于时间序列纵向数据。
• unstructured（无结构化）： 不预设相关模式，每个时间点对各自估计一个参数。时间点少（$\le 5$）且数据量大时可选。

5. R 代码（复制即可跑）

library(geepack)

# 模拟护理纵向研究数据
set.seed(2026)
n_id <- 100                                              # 100 例患者
df <- expand.grid(id = 1:n_id, time = c(0, 3, 6, 12))   # 4 次随访

df$y <- with(df, 50 - 2 * time + rnorm(nrow(df), mean = 0, sd = 5))  # 功能评分

# 拟合 GEE（可交换相关结构）
fit <- geeglm(y ~ time, data = df, id = id,
              family = gaussian(link = "identity"),
              corstr = "exchangeable")

summary(fit)

# 若结局为二分类
# fit_bin <- geeglm(fall ~ age + los, data = df, id = id,
#                   family = binomial(link = "logit"),
#                   corstr = "ar1")                      # ⬅ 时间序列选 ar1

6. 结果怎么读

项目	值（示例）	含义
截距	$\beta_0 = 50.2$	基线（time = 0）时的平均功能评分
时间系数	$\beta = -1.98^{***}$	每经过 1 个月，评分平均下降 1.98 分
工作相关	exchangeable	假设任意两次测量的组内相关强度相同
QIC	2450	准似然信息准则，用于比较不同模型（越小越好）

$^{***} p < 0.001$

7. 论文里怎么写

中文： 采用广义估计方程分析术后功能评分随时间的变化趋势。以 exchangeable 作为工作相关结构，结果显示功能评分在 12 个月随访期内显著下降（$\beta = -1.98$, 95% CI $[-2.45, -1.51]$, $p < 0.001$），平均每月下降约 2 分。

English: Generalized estimating equations with an exchangeable working correlation structure were used to examine the trajectory of functional scores over time. The functional score decreased significantly during the 12-month follow-up ($\beta = -1.98$, 95% CI $[-2.45, -1.51]$, $p < 0.001$), with an average decline of approximately 2 points per month.

8. 三个最常见的坑

1. 忽视缺失模式。 GEE 要求缺失完全随机（MCAR），如果缺失与结局相关（如病情越重越容易失访），估计将有偏。
2. 相关结构指定错误。 时间间隔不均匀时 ar1 不合适，选 exchangeable 更稳健。如果不确定，选独立结构（independence）并用 sandwich 标准误。
3. 样本量不足每组 < 40。 GEE 的 sandwich 方差估计在小样本时表现不佳，$n < 40$ 时考虑混合效应模型或小样本校正。