第九章 對數(shù)線性模型

第九章對數(shù)線性模型第一節(jié)General過程9.1.1主要功能9.1.2實例操作第二節(jié)Hierarchical過程9.2.1主要功能9.2.2實例操作第三節(jié)Logit過程9.3.1主要功能9.3.2實例操作對數(shù)線性模型是用于離散型數(shù)據(jù)或整理成列聯(lián)表格式的計數(shù)資料的統(tǒng)計分析工具。在對數(shù)線性模型中，所有用作的分類的因素均為獨立變量，列聯(lián)表各單元中的例數(shù)為應變量。對于列聯(lián)表資料，通常作X2檢驗，但X2檢驗無法系統(tǒng)地評價變量間的聯(lián)系，也無法估計變量間相互作用的大小，而對數(shù)線性模型是處理這些問題的最佳方法。第一節(jié)General過程9.1.1主要功能調用該過程可對一個或多個二維列聯(lián)表資料進行非層次對數(shù)線性分析。它只能擬合全飽和模型，即分類變量各自效應及其相互間效應均包含在對數(shù)線性模型中。返回目錄返回全書目錄

9.1.2實例操作［例9-1］在住院病人中，研究其受教育程度與對保健服務滿意程度的關系，資料整理成列聯(lián)表后如下所示。對保健服務滿意程度(%)■受教育程度高中低滿意不滿意65(91.5)6(8.5)272(93.8)18(6.2)41(97.6)1(2.4)按一般情形作X2檢驗，結果顯示不同受教育程度的住院病人其對保健服務滿意程度無差別。但從百分比分析中可見，隨受教育程度的提高，滿意程度有下降的趨勢；且我們還想了解受教育程度與滿意程度有無交互作用和交互作用的大小。對此，必須采用對數(shù)線性模型加以分析。9.1.2.1數(shù)據(jù)準備激活數(shù)據(jù)管理窗口，定義變量名：實際觀察頻數(shù)的變量名為freq，受教育程度和滿意程度作為行、列分類變量(即獨立變量)，變量名分別為educ、care。輸入原始數(shù)據(jù)，結果如圖9.1所示。如同第四章Crosstab過程中所述，為使列聯(lián)表的頻數(shù)有效，應選Data菜單的WeightCases...項，彈出WeightCases對話框(圖9.2)，激活Weightcasesby項，從變量列表中選freq點擊鈕使之進入FrequencyVariable框，點擊OK鈕即可。

9.1.2.2統(tǒng)計分析激活Statistics菜單選Loglinear中的General...項，彈出GeneralLoglinearAnalysis對話框(圖9.3)。從對話框左側的變量列表中選care，點擊鈕使之進入Factor(s)框，點擊DefineRange...鈕，彈出GeneralLoglinearAnalysis:DefineRange對話框，定義分類變量care的范圍，本例為1、2,故可在Minimum處鍵入1，在Maximum處鍵入2，點擊Continue鈕返回GeneralLoglinearAnalysis對話框。同法將變量educ選入Factor(s)框，并定義其范圍為1、3。本例要求計算各分類變量主效應和交互作用的參數(shù)估計，故點擊Contrast...鈕，彈出GeneralLoglinearAnalysis:Contrasts對話框，選擇Displayparameterestimates項，點擊Continue鈕返回GeneralLoglinearAnalysis對話框，最后點擊OK鈕即完成分析。9.1.2.3結果解釋在結果輸出窗口中將看到如下統(tǒng)計數(shù)據(jù)：首先顯示系統(tǒng)對403例資料進行分析，共有二個分類變量：CARE為2水平，EDUC為3水平。分析的效應有三類:滿意程度(CARE)、教育程度(EDUC)和兩者的交互作用(CAREBYEDUC)o系統(tǒng)經2次疊代后即達到相鄰二次估計之差不大于規(guī)定的0.001。DATAInformation6unweightedcasesaccepted.0casesrejectedbecauseofout-of-rangefactorvalues.0casesrejectedbecauseofmissingdata.403weightedcaseswillbeusedintheanalysis.FACTORInformationFactorLevelLabelCARE2EDUC3DESIGNInformation1Design/Modelwillbeprocessed.CorrespondenceBetweenEffectsandColumnsofDesign/Model1StartingEndingColumnColumnEffectName11CARE23EDUC45CAREBYEDUCNote:forsaturatedmodels.500hasbeenaddedtoallobservedcells.ThisvaluemaybechangedbyusingtheCRITERIA=DELTAsubcommand.***MLconvergedatiteration2.Maximumdifferencebetweensuccessiveiterations=.00000由于本例對Model(模型)未作定義，故系統(tǒng)采用默認的全飽和模型，因而期望例數(shù)(EXPcount)與實際例數(shù)(OBS.count)相同，進而殘差(Residual)、標準化殘差(Std.Resid)和校正殘差(Adj.Resid)均為0。Observed,ExpectedFrequenciesandResidualsFactorCodeOBS.count&PCT.EXPcount&PCT.ResidualStd.Resid.Adj.Resid.CARE1EDUC165.50(16.13)65.50(16.13).0000.0000.0000EDUC2272.50(67.12)272.50(67.12).0000.0000.0000EDUC341.50(10.22)41.50(10.22).0000.0000.0000CARE2EDUC16.50(1.60)6.50(1.60).0000.0000.0000EDUC218.50(4.56)18.50(4.56).0000.0000.0000EDUC31.50(.37)1.50(.37).0000.0000.0000最后輸出參數(shù)估計的結果。為了唯一地估計參數(shù)，系統(tǒng)強行限定同一分類變量的各水平參數(shù)之和為0，故根據(jù)下列結果可推得各參數(shù)為：入滿意=1.386724028入不滿意=-1.386724028入高教育程度=-0.091477207入中教育程度=1.144301306入低教育程度=-1.052824099入滿意.高教育程度=-0.231600045入滿意.中高教育程度=-0.041790087入滿意.低教育程度=0.273390132入不滿意.高教育程度=0.231600045入不滿意.中教育程度=0.041790087入不滿意.低教育程度=-0.273390132入值為正，表示正效應；反之為負效應；零為無效應。分析提供的信息是：①對保健服務的滿意程度高于不滿意程度；②中等教育程度者的滿意程度＞高等教育程度者的滿意程度＞低等教育程度者的滿意程度；③通過受教育程度與對保健服務滿意程度的交互作用研究，結果表明高、中等教育未能增加人們對現(xiàn)有保健服務狀況的滿意程度。EstimatesforParametersCAREParameterCoeff.Std.Err.Z-VilueLower95CIUpper95CI11.386724028.159658.685891.073811.69964EDUCParameterCoeff.Std.Err.Z-VilueLower95CIUpper95CI2-.091477207.19895-.45980-.48142.2984731.144301306.174076.57393.803131.48547CAREBYEDUCParameterCoeff.Std.Err.Z-VilueLower95CIUpper95CI4-.231600045.19895-1.16410-.62154.158345-.041790087.17407-.24008-.38296.29938返回目錄返回全書目錄第二節(jié)Hierarchical過程9.2.1主要功能調用該過程可對多維列聯(lián)表資料進行分層對數(shù)線性分析。所謂分層即并可根據(jù)用戶指定的條件，對某一或某些主效應與交互作用進行剔除，從而形成包含特定層次階項的各種模型。返回目錄返回全書目錄返回目錄9.2.2實例操作［例9-2］為了研究Colles骨折在不同性別中的年齡分布情況，以說明不同性別者骨折的年齡差異及其年度變化，某地收集了1978--1981年的骨折資料，數(shù)據(jù)見下表。請作對數(shù)線性模型的分析。年齡1978197919801981男女男女男女男女0-19551743989201404120--5916526010123310420213727860--895094291155695541539.2.2.1數(shù)據(jù)準備激活數(shù)據(jù)管理窗口，定義變量名：實際觀察頻數(shù)的變量名為freq，年份、性別和年齡為分類變量，變量名分別為year、sex和age。輸入原始數(shù)據(jù)，其中年份1978至1981依次為1、2、3、4，性別男為1、女為2，年齡分組依次為1、2、3。之后選Data菜單的WeightCases...項，在WeightCases對話框中激活Weightcasesby項，從變量列表中選freq點擊>鈕使之進入FrequencyVariable框，點擊OK鈕完成對頻數(shù)的權重定義。9.2.2.2統(tǒng)計分析激活Statistics菜單選Loglinear中的Hierarchical...項，彈出HierarchicalLoglinearAnalysis對話框(圖9.4)。從對話框左側的變量列表中選age，點擊>鈕使之進入Factor(s)框，點擊DefineRange...鈕，彈出HierarchicalLoglinearAnalysis:DefineRange對話框，定義分類變量age的范圍，在Minimum處鍵入1,在Maximum處鍵入9,點擊Continue鈕返回HierarchicalLoglinearAnalysis對話框。同法將變量sex選入Factor(s)框，定義其范圍為1、2；將變量year選入Factor(s)框，定義其范圍為1、4。為了更好地擬合數(shù)據(jù)，并盡可能的簡單和易于解釋，本例選擇向后剔除法建立模型，即從所有效應均在模型中開始，然后消除那些不滿足保留判據(jù)的效應。點擊Model...鈕，彈出HierarchicalLoglinearAnalysis:Model對話框，在ModelBuilding欄中選Usebackwardelimination項，點擊Continue鈕返回HierarchicalLoglinearAnalysis對話框。本例要求作參數(shù)估計，故點擊Options...鈕，彈出HierarchicalLoglinearAnalysis:Options對話框，在DisplayforSaturatedModel欄中選Parameterestimates項，點擊Continue鈕返回HierarchicalLoglinearAnalysis對話框，之后點擊OK鈕即完成分析。9.2.2.3結果解釋在結果輸出窗口中將看到如下統(tǒng)計數(shù)據(jù)：首先顯示，共有2540個觀察例數(shù)進入分析，其中分類變量AGE為3水平，SEX為2水平，YEAR為4水平。采用全飽和模型，高階項為年齡、性別和年份三者的交互作用。(在層次對數(shù)線性模型分析中，當指定高階項時，即意味著包含其所屬變量所有可能組合的低階項；如本例，即包含年齡和性別的交互作用、年齡和年份的交互作用、性別和年份的交互作用、年齡的主效應、性別的主效應、年份的主效應。從最高階到最低階共為3階。)DATAInformation24unweightedcasesaccepted.0casesrejectedbecauseofout-of-rangefactorvalues.3casesrejectedbecauseofmissingdata.2540weightedcaseswillbeusedintheanalysis.FACTORInformationFactorLevelLabelTOC\o"1-5"\h\zAGE3SEX2YEAR4DESIGN1hasgeneratingclassAGE*SEX*YEARNote:Forsaturatedmodels.500hasbeenaddedtoallobservedcells.ThisvaluemaybechangedbyusingtheCRITERIA=DELTAsubcommand.TheIterativeProportionalFitalgorithmconvergedatiteration1.Themaximumdifferencebetweenobservedandfittedmarginaltotalsis.000andtheconvergencecriterionis.278系統(tǒng)以全飽和模型為起始，故顯示各變量的實際例數(shù)、期望例數(shù)、殘差和標準化殘差，因期望例數(shù)與實際例數(shù)相同，進而殘差、標準化殘差均為00Observed,ExpectedFrequenciesandResiduals.FactorCodeOBScountEXPcountResidualStdResidAGE1SEX1YEAR155.555.5.00.00YEAR243.543.5.00.00YEAR389.589.5.00.00YEAR4140.5140.5.00.00SEX2YEAR117.517.5.00.00YEAR29.59.5.00.00YEAR320.520.5.00.00YEAR441.541.5.00.00AGE2SEX1YEAR1165.5165.5.00.00YEAR2101.5101.5.00.00YEAR3104.5104.5.00.00YEAR4137.5137.5.00.00SEX2YEAR1260.5260.5.00.00YEAR2233.5233.5.00.00YEAR3202.5202.5.00.00YEAR4278.5278.5.00.00AGE3

SEX1YEAR150.550.5.00.00YEAR229.529.5.00.00YEAR356.556.5.00.00YEAR454.554.5.00.00SEX2YEAR194.594.5.00.00YEAR2115.5115.5.00.00YEAR395.595.5.00.00YEAR4153.5153.5.00.00Goodness-of-fitteststatisticsLikelihoodratiochisquare=.00000DF=0P=1.000Pearsonchisquare=.00000DF=0P=1.000下面，系統(tǒng)先顯示某一階及其更高階交互效應為0時的似然比x2檢驗概率值，因K為3時的概率值=0.1964>0.05,故認為年齡、性別、年份三者的交互作用為0，亦即含1階（單一變量主效應）及2階（變量兩兩交互效應）的模型就能恰當?shù)乇硎鰯?shù)據(jù)。接著，系統(tǒng)又顯示特定階交互效應為0時的似然比X2檢驗概率值，結果表明，單純含1階（單一變量主效應）或單純含2階（變量兩兩交互效應）的模型也能恰當?shù)乇硎鰯?shù)據(jù)。TeststhatK-wayandhigherordereffectsarezero.KDFL.R.ChisqProbPearsonChisqProbIteration368.615.19648.547.20074217404.424.0000425.168.000021231279.591.00001293.594.00000TeststhatK-wayeffectsarezero.KDFL.R.ChisqProbPearsonChisqProbIteration16875.167.0000868.426.00000211395.809.0000416.621.00000368.615.19648.547.20070Note:Forsaturatedmodels.500hasbeenaddedtoallobservedcells.ThisvaluemaybechangedbyusingtheCRITERIA=DELTAsubcommand.系統(tǒng)所確定的模型中各參數(shù)值如下所示，由于內容較多，各入值如何推算及其所表示的意義，請讀者參閱本章第一節(jié)。EstimatesforParameters.

AGE*SEX*YEARParameterCoeff.Std.Err.Z-VilueLower95CIUpper95CI1-.1412276052.08417-1.67784-.30621.023752.1674922915.101301.65335-.03106.366053-.0169870288.07921-.21447-.17223.138264.0577506145.055571.03925-.05117.166675-.0069187948.06504-.10637-.13440.120576-.0817851831.05570-1.46819-.19097.02740AGE*SEXParameterCoeff.Std.Err.Z-VilueLower95CIUpper95CI1.7059980126.0484814.56319.61098.801022-.2968871102.03276-9.06301-.36109-.23268AGE*YEARParameterCoeff.Std.Err.Z-VilueLower95CIUpper95CI1-.1762097434.08417-2.09344-.34119-.011232-.3051792054.10130-3.01249-.50374-.106623.1339590237.079211.69127-.02129.289204.1990874838.055573.58269.09017.308005.1982170140.065043.04744.07073.325706-.1646071030.05570-2.95499-.27379-.05543SEX*YEARParameterCoeff.Std.Err.Z-VilueLower95CIUpper95CI1.0471962901.04918.95960-.04920.143602-.0778801067.05818-1.33868-.19191.036153.0827715134.047341.74836-.01002.17556AGEParameterCoeff.Std.Err.Z-VilueLower95CIUpper95CI1-.7212868272.04848-14.87857-.81630-.626272.7999110228.0327624.41872.73571.86412SEXParameterCoeff.Std.Err.Z-VilueLower95CIUpper95CI1-.0348756276.02856-1.22099-.09086.02111YEARParameterCoeff.Std.Err.Z-VilueLower95CIUpper95CI1-.0205234390.04918-.41728-.11692.075882-.3188195595.05818-5.48020-.43285-.204793-.0126524013.04734-.26725-.10544.08014系統(tǒng)開始對全飽和模型進行從高階到低階的效應項剔除。第一步，剔除3階交互效應項(AGE*SEX*YEAR)導致x2值為8.615，概率為0.1964(不小于默認判據(jù)0.05)，故該效應項被剔除。第二步，剔除2階交互效應項，概率均小于0.05,故2階交互效應項不能剔除。即本例用2階交互效應項(同時含1階主效應項)描述模型已為最佳。BackwardElimination(p=.050)forDESIGN1withgeneratingclassAGE*SEX*YEARLikelihoodratiochisquare=.00000DF=0P=1.000IfDeletedSimpleEffectisDFL.R.ChisqChangeProbIterAGE*SEX*YEAR68.615.19644Step1ThebestmodelhasgeneratingclassAGE*SEXAGE*YEARSEX*YEARLikelihoodratiochisquare=8.61546IfDeletedSimpleEffectisDFDF=6P=.196L.R.ChisqChangeProbIterAGE*SEX2310.816.00002AGE*YEAR662.829.00002SEX*YEAR313.024.00462Step2ThebestmodelhasgeneratingclassAGE*SEXAGE*YEARSEX*YEARLikelihoodratiochisquare=8.61546DF=6P=.196ThefinalmodelhasgeneratingclassAGE*SEXAGE*YEARSEX*YEARTheIterativeProportionalFitalgorithmconvergedatiteration0.Themaximumdifferencebetweenobservedandfittedmarginaltotalsis.131andtheconvergencecriterionis.278

由于剔除了3階交互效應項，故原全飽和模型變?yōu)閷哟文Ｐ?，因而期望例?shù)改變，期望例數(shù)與實際例數(shù)不同，進而殘差、標準化殘差均不為0。若標準化殘差界于-1.96—1.96范圍內，則表示模型是恰當?shù)摹南旅娴慕Y果可知，本例的標準化殘差均在-1.96—1.96范圍內，故層次模型是適合的。Observed,ExpectedFrequenciesandResiduals.FactorCodeOBScountEXPcountResidualStdResidAGE1SEX1YEAR155.059.0-4.05-.53YEAR243.039.13.88.62YEAR389.088.3.69.07YEAR4140.0140.5-.50-.04SEX2YEAR117.013.04.041.12YEAR29.012.9-3.88-1.08YEAR320.020.7-.70-.15YEAR441.040.5.53.08AGE2SEX1YEAR1165.0163.01.99.16YEAR2101.097.93.07.31YEAR3104.0112.6-8.62-.81YEAR4137.0133.53.54.31SEX2YEAR1260.0262.0-1.99-.12YEAR2233.0236.1-3.07-.20YEAR3202.0193.48.62.62YEAR4278.0281.6-3.55-.21AGE3SEX1YEAR150.047.92.06.30YEAR229.036.0-6.95-1.16YEAR356.048.17.921.14YEAR454.057.0-3.03-.40SEX2YEAR194.096.1-2.05-.21YEAR2115.0108.06.95.67YEAR395.0102.9-7.92-.78YEAR4153.0150.03.02.25Goodness-of-fitteststatistics

Likelihoodratiochisquare=8.61546DF=6P=.196Pearsonchisquare=8.54688DF=6P=.201返回目錄第三節(jié)返回目錄第三節(jié)Logit過程返回全書目錄9.3.1主要功能調用此過程可完成對一個應變量與一個或多個自變量之間對數(shù)線性模型的擬合。如果分類變量未區(qū)分應變量和自變量，那么應采用本章第一、二節(jié)介紹的方法；如果應變量是二分計量，自變量是連續(xù)計量，那么應采用Logistic回歸方法(詳見第八章)。返回目錄返回全書目錄9.3.2實例操作返回目錄［例9.3］在艾滋病(AIDS)相關的知識、觀念、行為研究(KABStudy)中，獲得了不同年齡和受教育水平的公眾，對預防AIDS知識掌握程度的資料，經整理成列聯(lián)表如下所示。很明顯，對預防AIDS知識的掌握程度與公眾的年齡和受教育水平有關，即若預防AIDS知識掌握程度為應變量，則應該受到年齡和受教育水平兩個自變量的影響。下面將運用帶應變量的對數(shù)線性模型進行分析。

4050-38946687136低20-231730-16221940-89824750-3761569.3.2.1數(shù)據(jù)準備激活數(shù)據(jù)管理窗口，定義變量名：實際觀察頻數(shù)的變量名為freq；預防AIDS知識掌握程度變量名為aids，按好、一般、差分別輸入1、2、3；受教育水平變量名為educ，按高、中、低分別輸入1、2、3；年齡變量名為age，20-至50-依次輸入1—4。輸入原始數(shù)據(jù)后選Data菜單的WeightCases...項，在WeightCases對話框中激活Weightcasesby項，從變量列表中選freq點擊>鈕使之進入FrequencyVariable框，點擊OK鈕即可。9.3.2.2統(tǒng)計分析激活Statistics菜單選Loglinear中的Logit...項，彈出LogitLoglinearAnalysis對話框(圖9.5)。從對話框左側的變量列表中選aids，點擊>鈕使之進入Dependent框，點擊DefineRange...鈕，彈出LogitLoglinearAnalysis:DefineRange對話框，定義應變量aids的范圍，在Minimum處鍵入1，在Maximum處鍵入3，點擊Continue鈕返回LogitLoglinearAnalysis對話框。從對話框左側的變量列表中選age，點擊>鈕使之進入Factor(s)框，點擊DefineRange...鈕，定義自變量age的范圍為1、4；同法將自變量educ選入Factor(s)框，并定義其范圍為1、3。本例要求計算各變量主效應和交互作用的參數(shù)估計，故點擊Contrast...鈕，彈出LogitLoglinearAnalysis:Contrasts對話框，選擇Displayparameterestimates項，點擊Continue鈕返回LogitLoglinearAnalysis對話框，最后點擊OK鈕即完成分析。9.3.2.3結果解釋在結果輸出窗口中將看到如下統(tǒng)計數(shù)據(jù)：系統(tǒng)顯示共有1858個觀察例數(shù)進入分析，分析涉及三個變量，其中AIDS為3水平，AGE為4水平，EDUC為3水平。將產生3階4類效應，即：預防AIDS知識掌握程度主效應(因AIDS被定義為應變量，故不再分析子變量AGE、EDUC的主效應)，預防AIDS知識掌握程度分別與年齡、受教育程度的交互效應，預防AIDS知識掌握程度、年齡、受教育程度三者的交互效應。之后系統(tǒng)顯示實際例數(shù)、期望例數(shù)、殘差、標準化殘差和校正殘差。DATAInformation36unweightedcasesaccepted.0casesrejectedbecauseofout-of-rangefactorvalues.0casesrejectedbecauseofmissingdata.1858weightedcaseswillbeusedintheanalysis.FACTORInformationFactorLevelLabelAIDS3AGE4EDUC3DESIGNInformation1Design/Modelwillbeprocessed.CorrespondenceBetweenEffectsandColumnsofDesign/Model1StartingEndingColumnColumnEffectName12AIDS38AIDSBYAGE912AIDSBYEDUC1324AIDSBYAGEBYEDUCNote:forsaturatedmodels.500hasbeenaddedtoallobservedcells.ThisvaluemaybechangedbyusingtheCRITERIA=DELTAsubcommand.***MLconvergedatiteration2.Maximumdifferencebetweensuccessiveiterations=.00000.Observed,ExpectedFrequenciesandResidualsFactorCodeOBS.count&PCT.EXPcount&PCT.ResidualStd.Resid.Adj.Resid.AIDS1AGE1EDUC153.50(55.44)53.50(55.44).0000.0000.0000EDUC267.50(34.53)67.50(34.53).0000.0000.0000

EDUC32.50(10.64)2.50(10.64).0000.0000.0000AGE2EDUC128.50(53.27)28.50(53.27).0000.0000.0000EDUC271.50(22.73)71.50(22.73).0000.0000.0000EDUC316.50(28.21)16.50(28.21).0000.0000.0000AGE3EDUC131.50(43.45)31.50(43.45).0000.0000.0000EDUC238.50(17.46)38.50(17.46).0000.0000.0000EDUC38.50(2.40)8.50(2.40).0000.0000.0000AGE4EDUC119.50(52.00)19.50(52.00).0000.0000.0000EDUC29.50(4.47)9.50(4.47).0000.0000.0000EDUC33.50(1.48)3.50(1.48).0000.0000.0000AIDS2AGE1EDUC140.50(41.97)40.50(41.97).0000.0000.0000EDUC2103.50(52.94)103.50(52.94).0000.0000.0000EDUC33.50(14.89)3.50(14.89).0000.0000.0000AGE2EDUC121.50(40.19)21.50(40.19).0000.0000.0000EDUC2141.50(44.99)141.50(44.99).0000.0000.0000EDUC322.50(38.46)22.50(38.46).0000.0000.0000AGE3EDUC132.50(44.83)32.50(44.83).0000.0000.0000EDUC294.50(42.86)94.50(42.86).0000.0000.0000EDUC398.50(27.79)98.50(27.79).0000.0000.0000AGE4EDUC16.50(17.33)6.50(17.33).0000.0000.0000EDUC266.50(31.29)66.50(31.29).0000.0000.0000EDUC376.50(32.35)76.50(32.35).0000.0000.0000AIDS3AGE1EDUC12.50(2.59)2.50(2.59).0000.0000.0000EDUC224.50(12.53)24.50(12.53).0000.0000.0000EDUC317.50(74.47)17.50(74.47).0000.0000.0000AGE2EDUC13.50(6.54)3.50(6.54).0000.0000.0000EDUC2101.50(32.27)101.50(32.27).0000.0000.0000EDUC319.50(33.33)19.50(33.33).0000.0000.0000AGE3EDUC18.50(11.72)8.50(11.72).0000.0000.0000EDUC287.50(39.68)87.50(39.68).0000.0000.0000EDUC3247.50(69.82)247.50(69.82).0000.0000.0000AGE4EDUC111.50(30.67)11.50(30.67).0000.0000.0000EDUC2136.50(64.24)136.50(64.24).0000.0000.0000EDUC3156.50(66.17)156.50(66.17).0000.0000.0000Goodness-of-FitteststatisticsLikelihoodRatioChiSquare=.00000DF=0P=1.000PearsonChiSquare=.00000DF=0P=1.000下一段為擬合優(yōu)度的檢驗。系統(tǒng)采用分散相似測量法(DispersionSimilarityMeasure)，測量值界于-1至+1之間，愈靠近|1|，擬合優(yōu)度愈好。本例為0.145879。AnalysisofDispersionDispersionSourceofVariationEntropyConcentrationDFDuetoModel314.875173.206DuetoResidual1642.4911014.119Total1957.3651187.3253750MeasuresofAssociationEntropy=.160867Concentration=.145879最后，系統(tǒng)輸出對數(shù)線性模型的各效應參數(shù)值。由于內容較多，具體推算過程不再贅述(參閱本章第一節(jié))。此處以AIDS主效應和AIDS與EDUC交互效應為例，演示如下：預防AIDS知識掌握程度主效應部分，參數(shù)為入AIDS-好=-0.378234829入AIDS-一般=0.3307195684入AIDS-差=0-(-0.378234829)-0.3307195684=0.0475152606這表明公眾預防AIDS知識掌握程度一般。預防AIDS知識掌握程度與受教育水平交互效應部分，參數(shù)為入AIDS好-EDUC高=1.097077448入AIDS好-EDUC中=-0.186500026入AIDS好-EDUC低=0-1.097077448-(-0.186500026)=-0.910577422入AIDS一般-EDUC高=-0.018774593入AIDS一般-EDUC中=0.0930200827入AIDS一般-EDUC低=0-(-0.018774593)-0.0930200827=0.0742454897入AIDS差-EDUC高=0-1.097077448-(-0.018774593)=1.078302855入AIDS差-EDUC中=0-(-0.1865