Prace dyplomowe · SPSS

Model mieszany (MIXED) w SPSS krok po kroku

Jak w SPSS policzyć model mieszany dla pomiarów powtarzanych w dwóch grupach: dane w formacie długim, okno Specify Subjects and Repeated, efekty stałe i losowy wyraz wolny, ICC z parametrów kowariancji, wybór struktury AR(1), CS albo UN po kryteriach informacyjnych, REML i stopnie swobody Satterthwaite’a, średnie brzegowe w każdym pomiarze, składnia MIXED i opis APA – z plikiem .sav do pobrania.

Strona główna / Blog / Model mieszany w SPSS
W skrócie: Model mieszany w SPSS uruchomisz przez Analyze → Mixed Models → Linear na danych w formacie długim (wiersz = pomiar). W oknie Specify Subjects and Repeated wskaż osobę jako Subjects, a efekty stałe zbuduj ręcznie w Fixed, bo dokumentacja nie przewiduje tam modelu domyślnego. Korelację pomiarów modeluj losowym wyrazem wolnym (Random) albo strukturą reszt (Repeated: AR(1), CS, UN), wybraną po kryteriach informacyjnych przy tych samych efektach stałych. Raportuj interakcję z tabeli Type III Tests of Fixed Effects i różnice średnich brzegowych w każdym pomiarze.

Do czego służy MIXED

Procedura Linear Mixed Models (w składni: MIXED) rozszerza ogólny model liniowy: pozwala modelować nie tylko średnie, lecz także wariancje i kowariancje danych (IBM Corp., b.d.-a). W pracy dyplomowej przydaje się zwykle w badaniu z grupami i kilkoma pomiarami tych samych osób, gdy ktoś opuścił pomiar. ANOVA z powtarzanymi pomiarami w SPSS usuwa wtedy całą osobę. Model mieszany wykorzystuje wszystkie dostępne pomiary i wprost uwzględnia ich korelację (Gueorguieva i Krystal, 2004). Kiedy wybrać który model, wyjaśnia wpis ANOVA z powtarzanymi pomiarami czy model mieszany.

Nazwy menu, okien i tabel sprawdziliśmy w dokumentacji IBM SPSS Statistics 31 (IBM Corp., b.d.-a, b.d.-b, b.d.-c) i podajemy po angielsku. Procedura wymaga wersji Standard Edition albo modułu Advanced Statistics. Polska dokumentacja nazywa ją „Liniowe modele mieszane”; etykiety polskiego interfejsu mogą się różnić. Ogólne zasady czytania wydruku opisuje wpis jak czytać wyniki z SPSS.

Przykład i pliki do pobrania

Dane są fikcyjne. 60 osób studiujących wylosowano do warsztatów oswajania ze statystyką (n = 30) albo do grupy kontrolnej (n = 30). Lęk przed statystyką (0–60 pkt) zmierzono trzy razy: przed, po 8 tygodniach i po kolejnych 3 miesiącach. Na pomiar „po” nie przyszły 4 osoby, a na pomiar „po 3 mies.” – 9. Pełne dane ma 47 osób, a 13 osób ma dwa pomiary. Czy grupy różnią się zmianą lęku w czasie?

Pobierz plik .sav z etykietami zmiennych i wartości albo ten sam zbiór w CSV. Plik ma 167 wierszy i zmienne id, grupa (1 = warsztaty, 2 = kontrolna), czas (1 = przed, 2 = po, 3 = po 3 mies.) i lek.

Format długi zamiast szerokiego

GLM Repeated Measures wymaga jednego wiersza na osobę i osobnej kolumny na każdy pomiar. MIXED potrzebuje formatu długiego: jeden wiersz to jeden pomiar jednej osoby. Brakujący pomiar to po prostu brak wiersza, a osoba z dwoma pomiarami zostaje w analizie. Plik szeroki przekształcisz kreatorem Data → Restructure, wybierając Restructure selected variables into cases (IBM Corp., b.d.-d). Kolumny pomiarów trafiają do listy Variable to be Transposed, a zmienna indeksu staje się naszym czas. Zmienna zależna powinna być ilościowa, a czynniki – jakościowe (IBM Corp., b.d.-a).

  1. Analyze → Mixed Models → Linear (IBM Corp., b.d.-a).
  2. Specify Subjects and Repeated. Do listy Subjects przenieś id. W modelu z losowym wyrazem wolnym pole Repeated zostaw puste. W modelu ze strukturą kowariancji reszt przenieś tam czas i wybierz Repeated Covariance Type, np. AR(1), Compound Symmetry albo Unstructured. Dokumentacja wymienia ponad 20 struktur.
  3. Okno główne. Jako zmienną zależną wybierz lek, a grupa i czas wskaż jako czynniki (factors).
  4. Fixed. Dokumentacja podkreśla, że nie ma tu modelu domyślnego (IBM Corp., b.d.-a). W Build terms zaznacz oba czynniki, wybierz metodę budowania członów i kliknij Add, tak by model objął grupa, czas i grupa*czas. Zostaw Include Intercept i Type III.
  5. Random. Tylko w modelu z losowym wyrazem wolnym. Zaznacz Include intercept, a w grupie Subject Groupings wybierz id. W składni domyślny Covariance type to Variance Components (IBM Corp., b.d.-c).
  6. Estimation. Wybierasz metodę (REML albo ML) i stopnie swobody: Residual method, Satterthwaite approximation albo Kenward-Roger approximation. W składni domyślne są REML i Satterthwaite (IBM Corp., b.d.-c).
  7. Statistics. Zaznacz Descriptive statistics, Parameter estimates for fixed effects i Tests for covariance parameters. Przy Repeated dodaj Covariances of residuals, a przy efekcie losowym – Covariances of random effects (IBM Corp., b.d.-a).
  8. EM Means. Przenieś grupa*czas do Display Means for. Okno porównuje tylko poziomy efektów głównych (Compare Main Effects). Porównanie grup w każdym pomiarze zamówisz w składni (COMPARE(grupa), przepis 1).

Wyniki pokazujemy w tabelach o układzie tabel SPSS. Liczby policzono w R tymi samymi metodami co SPSS; układ tabeli jak w SPSS. Nazwy tabel i kolumn tabeli testów wzięliśmy z przykładów IBM (IBM Corp., b.d.-b). Pozostałe nagłówki odtworzyliśmy z typowego wydruku.

Krok 1: model pusty i ICC

Najpierw uruchom model bez predyktorów: w Fixed nic nie dodawaj, a w Random zostaw sam losowy wyraz wolny osoby. Tabela Estimates of Covariance Parameters pokaże dwie wariancje: między osobami (wyraz wolny) i wewnątrz osób (reszta).

Estimates of Covariance Parameters, model pusty (zmienna zależna: lek) – liczby policzone w R tymi samymi metodami co SPSS; nazwy wierszy opisowe
ParametrEstimate
Reszta (Residual)39.068
Wariancja wyrazu wolnego osoby (subject = id)41.698

ICC = 41.698 / (41.698 + 39.068) = .52. Około połowy zmienności lęku to stałe różnice między osobami, więc pomiary tej samej osoby są wyraźnie skorelowane. Według opisu składni od wersji 29 wydruk MIXED zawiera ICC i miary pseudo-R², „gdy jest to właściwe” (IBM Corp., b.d.-c). Jeśli twoja wersja go nie wypisuje, policz go ręcznie jak wyżej.

Krok 2: losowy wyraz wolny

Teraz dodaj w Fixed efekty grupa, czas i grupa*czas, a efekt losowy zostaw bez zmian. Tabela Model Dimension wypisuje dla każdego efektu liczbę poziomów i parametrów, strukturę kowariancji oraz zmienną definiującą osoby (IBM Corp., b.d.-b). Tu 6 parametrów efektów stałych i 2 parametry kowariancji. −2 Restricted Log Likelihood z tabeli Information Criteria wynosi w R 1116.42.

Type III Tests of Fixed Effects, losowy wyraz wolny (zmienna zależna: lek) – liczby policzone w R tymi samymi metodami co SPSS; układ tabeli jak w SPSS (bez wiersza Intercept)
SourceNumerator dfDenominator dfFSig.
grupa158.9346.248.015
czas2106.08610.261.000
grupa * czas2106.0866.174.003

Najważniejsza jest interakcja: grupy różnią się przebiegiem zmian. Ułamkowe Denominator df wynikają z przybliżenia Satterthwaite’a. Luke (2017) pokazał w symulacjach, że REML z tym przybliżeniem albo z Kenwardem–Rogerem daje odsetek błędów I rodzaju najbliższy .05. Pakiet lmerTest liczy tę samą metodę, ale IBM nie podaje wzoru na stronach HTML, więc ostatnie miejsca po przecinku mogą się różnić.

Estimates of Fixed Effects, losowy wyraz wolny (zmienna zależna: lek) – liczby policzone w R tymi samymi metodami co SPSS; układ tabeli jak w SPSS (bez wierszy zerowych)
ParameterEstimateStd. ErrordftSig.95% Confidence Interval
Lower BoundUpper Bound
Intercept37.4361.602114.24123.369.00034.26240.609
[grupa=1]−5.5692.280115.769−2.443.016−10.084−1.054
[czas=1]−.3691.506105.895−.245.807−3.3542.616
[czas=2]−1.5301.562107.703−.980.329−4.6261.566
[grupa=1] * [czas=1]4.9692.144106.1352.317.022.7189.220
[grupa=1] * [czas=2]−2.1082.197107.350−.960.339−6.4622.247

Tę tabelę czytaj ostrożnie. Ostatnia kategoria każdego czynnika jest nadmiarowa, ma parametr 0 i służy jako odniesienie (IBM Corp., b.d.-b). Odniesieniem są więc grupa kontrolna i pomiar „po 3 mies.”. [grupa=1] = −5.57 to różnica grup w ostatnim pomiarze, a nie efekt „ogólny”. [grupa=1] * [czas=1] = 4.97 mówi, o ile różnica przed warsztatami była większa niż po 3 miesiącach: −0.60 − (−5.57). Pytania o konkretne pomiary łatwiej zadać przez EM Means (krok 4).

W tym modelu wariancja wyrazu wolnego wynosi 39.757, a reszt 30.775. Losowy wyraz wolny zakłada, że każde dwa pomiary osoby korelują tak samo: 39.757 / (39.757 + 30.775) = .56.

Krok 3: struktura kowariancji pomiarów

Pomiary bliskie w czasie zwykle korelują silniej niż odległe. Littell i in. (1998) podkreślają, że przy pomiarach powtarzanych warto tę strukturę modelować, bo od niej zależą poprawne błędy standardowe. W SPSS robisz to w oknie Specify Subjects and Repeated: czas do pola Repeated i wybór Repeated Covariance Type. Okno Random zostaje wtedy puste. Bez REPEATED reszty mają strukturę Scaled Identity. W składni domyślną strukturą dla REPEATED jest Diagonal (IBM Corp., b.d.-c).

Zestawienie z tabel Information Criteria (REML, te same efekty stałe) – liczby policzone w R; układ zestawienia własny
Model kowariancjiParametry kowariancji−2 Restricted Log LikelihoodAIC
Random: losowy wyraz wolny21116.421120.42
Repeated: Compound Symmetry21116.421120.42
Repeated: AR(1)21107.671111.67
Repeated: Unstructured61102.931114.93

Tabela Information Criteria zawiera −2 Restricted Log Likelihood, AIC, AICC, BIC i CAIC. Mniejsza wartość oznacza lepszy model (IBM Corp., b.d.-b). AIC policzyliśmy jako −2RLL + 2 × liczba parametrów kowariancji. Jeśli SPSS dolicza też parametry efektów stałych, wszystkie AIC przesuną się o tę samą liczbę, więc porównuj różnice. Kryteria z REML porównuj tylko przy tych samych efektach stałych.

Losowy wyraz wolny i Compound Symmetry dają to samo −2RLL, bo przy dodatniej korelacji to ten sam model. AR(1) ma najmniejsze AIC. Unstructured szacuje 6 parametrów, a nie jest istotnie lepsza od AR(1). Test ilorazu wiarygodności liczysz ręcznie jak w przykładzie IBM: różnica −2RLL, df = różnica liczby parametrów (IBM Corp., b.d.-b). Dla AR(1) wobec UN: 1107.67 − 1102.93 = 4.74, df = 4, p = .315. Dla CS wobec UN: χ²(4) = 13.50, p = .009. Wybieramy AR(1). Rysunek 1 pokazuje, skąd ta różnica.

Wykres słupkowy korelacji reszt dla trzech par pomiarów w trzech strukturach: Compound Symmetry daje wszędzie .56, AR(1) .64, .64 i .41, a Unstructured .59, .71 i .41 – korelacja pomiarów przed i po 3 miesiącach jest najniższa
Rysunek 1. Korelacje reszt dwóch pomiarów tej samej osoby w trzech strukturach kowariancji. Compound Symmetry wymusza jedną korelację, AR(1) – spadek z odległością, a Unstructured szacuje każdą osobno. To nie jest wykres z SPSS. Obliczenia i rysunek: R (dane fikcyjne).

W modelu Unstructured tabela Estimates of Covariance Parameters podaje wprost elementy macierzy. UN(1,1) to wariancja w pierwszym pomiarze, a UN(2,1) – kowariancja pomiarów 1 i 2 (IBM Corp., b.d.-b). U nas wariancje rosną z 52.54 do 83.09. Korelacja przed–po wynosi .59, a przed–po 3 mies. tylko .41. W AR(1) tabela ma dwa parametry: wspólną wariancję (69.549) i autokorelację sąsiednich pomiarów (ρ = .636). Testy Walda tych parametrów opierają się na asymptotycznych błędach standardowych (IBM Corp., b.d.-a), więc przy małej próbie traktuj je ostrożnie.

Przy dwóch pomiarach przed–po wybór struktury niewiele zmienia. Przykład IBM z dietą pokazuje, że test efektu czasu w modelu z REPEATED i strukturą Unstructured odpowiada wtedy testowi t dla prób zależnych (IBM Corp., b.d.-b). Przy dwóch pomiarach i grupie kontrolnej rozważ też ANCOVA z pomiarem wyjściowym jako kowariantą.

Krok 4: model końcowy i średnie brzegowe

Type III Tests of Fixed Effects, reszty AR(1) (zmienna zależna: lek) – liczby policzone w R; układ tabeli jak w SPSS (bez wiersza Intercept); df Satterthwaite’a z pakietu emmeans
SourceNumerator dfDenominator dfFSig.
grupa162.826.107.016
czas2101.3613.665.000
grupa * czas2101.367.105.001

Dla modelu z REPEATED df liczył pakiet emmeans. Oszacowania i błędy standardowe pochodzą z tego samego estymatora REML co w SPSS, ale df mogą się różnić w częściach dziesiętnych. Interakcja pozostaje wyraźna. Teraz sprawdź, w których pomiarach grupy się różnią. Średnie brzegowe to średnie przewidywane przez model, a nie obserwowane. Porównanie z COMPARE podaje różnicę, błąd standardowy, df, istotność i przedział ufności (IBM Corp., b.d.-c).

Porównania par z EM Means (TABLES(grupa*czas) COMPARE(grupa), bez korekty – LSD), reszty AR(1) – liczby policzone w R; kolumny jak w opisie COMPARE (para raz)
czas(I) grupa(J) grupaMean Difference (I-J)Std. ErrordfSig.95% Confidence Interval for Difference
Lower BoundUpper Bound
przedwarsztatykontrolna−.6002.153105.09.781−4.8703.670
powarsztatykontrolna−7.6292.186110.09.001−11.962−3.297
po 3 mies.warsztatykontrolna−5.3232.264116.39.020−9.807−.839

Przed warsztatami grupy startowały z tego samego poziomu (różnica −0.60 pkt). Po 8 tygodniach grupa warsztatowa miała o 7.63 pkt niższy lęk, a po 3 miesiącach różnica wynosiła 5.32 pkt. Przy brakach średnie brzegowe odbiegają od obserwowanych: w grupie warsztatowej w pomiarze „po” 28.28 wobec 28.03, bo model korzysta też z innych pomiarów osób z brakami. Rysunek 2 zestawia obie.

Wykres liniowy średnich brzegowych lęku przed statystyką w trzech pomiarach: grupa kontrolna około 37, 36 i 37 pkt, grupa warsztatowa 36.5, 28.3 i 32.0 pkt, z 95-procentowymi przedziałami ufności i średnimi obserwowanymi oznaczonymi krzyżykami
Rysunek 2. Średnie brzegowe z modelu z resztami AR(1) z 95% przedziałami ufności. Krzyżyki to średnie obserwowane. To nie jest wykres z SPSS. Obliczenia i rysunek: R (dane fikcyjne).

Porównania w trzech pomiarach to trzy testy. Jeśli nie zostały zaplanowane jako główne, użyj korekty ADJ(BONFERRONI) albo ADJ(SIDAK). Dokumentacja dopuszcza też porównania z kategorią odniesienia (REFCAT).

Losowe nachylenie i REML a ML

Przy kilku pomiarach w różnych odstępach czasu czas często wpisuje się jako kowariantę i dodaje losowe nachylenie: w oknie Random zaznaczasz Include intercept i dodajesz kowariantę czasu. Przykład IBM z dietą tak buduje model losowych współczynników, ze strukturą Unstructured dla wyrazu wolnego i nachylenia (IBM Corp., b.d.-b). Przy trzech pomiarach na osobę taki model łatwo przestaje się zbiegać. Modele z czasem jako zmienną ciągłą opisuje wpis modele wzrostu w lme4.

REML jest domyślne i właściwe do raportowania oszacowań. ML przyda się, gdy porównujesz testem ilorazu wiarygodności modele z różnymi efektami stałymi.

Zapis wyników w stylu APA

W Metodzie podaj program i procedurę, efekty stałe, strukturę kowariancji i powód jej wyboru, metodę estymacji i stopnie swobody. Opisz też, ile osób miało niepełne dane i jakie założenie o brakach przyjmujesz (MAR). Wzór do dostosowania:

Lęk przed statystyką analizowano liniowym modelem mieszanym (procedura MIXED w IBM SPSS Statistics) z efektami stałymi grupy, pomiaru i ich interakcji. Korelację pomiarów tej samej osoby modelowano strukturą autoregresyjną pierwszego rzędu, AR(1), wybraną na podstawie AIC spośród struktur symetrii złożonej, AR(1) i niestrukturalnej (AIC = 1120.42, 1111.67 i 1114.93). Model szacowano metodą REML, a stopnie swobody wyznaczano przybliżeniem Satterthwaite’a. W analizie uwzględniono wszystkie 167 pomiarów 60 osób, także 13 osób z jednym brakującym pomiarem. Interakcja grupy i pomiaru była istotna, F(2, 101.36) = 7.11, p = .001. Przed warsztatami grupy nie różniły się (różnica średnich brzegowych −0.60 pkt, 95% CI [−4.87, 3.67], p = .781). Po warsztatach lęk w grupie warsztatowej był niższy o 7.63 pkt, 95% CI [3.30, 11.96], p = .001, a po 3 miesiącach o 5.32 pkt, 95% CI [0.84, 9.81], p = .020.

Tabelę efektów stałych i parametrów kowariancji przygotujesz według wpisu jak opisać wyniki modelu mieszanego. Zdania do innych analiz przygotuje generator opisu wyników APA.

Przykład reprodukowalny

Składnia SPSS i kod R

Przepis 1 to składnia do wklejenia w edytorze składni SPSS. Napisaliśmy ją według wykresu składni MIXED i opisu podkomend CRITERIA, FIXED, METHOD, PRINT, RANDOM, REPEATED i EMMEANS w Command Syntax Reference (IBM Corp., b.d.-c), ale nie uruchamialiśmy jej w SPSS. Przepis 2 tworzy fikcyjne dane i pliki do pobrania. Przepis 3 liczy wszystkie liczby z tabel: model pusty i losowy wyraz wolny w lmerTest (REML, df Satterthwaite’a), struktury CS, AR(1) i UN w nlme oraz średnie brzegowe w emmeans. Uruchom przepisy po kolei w folderze, w którym ma powstać plik CSV.

1. Składnia SPSS: MIXED z RANDOM, REPEATED i EMMEANS

Dane wejściowe: plik model-mieszany-spss-dane.sav otwarty w SPSS (id, grupa, czas, lek).

Co odczytać: w pierwszym poleceniu dwie wariancje z Estimates of Covariance Parameters; w drugim Type III Tests of Fixed Effects i Estimates of Fixed Effects; w trzecim Information Criteria, Estimates of Covariance Parameters i porównania grup z EM Means.

SPSS
* Składnia zgodna z opisem MIXED w Command Syntax Reference; nie była uruchamiana w SPSS.
* Plik model-mieszany-spss-dane.sav w formacie długim (jeden wiersz = jeden pomiar).
* Krok 1. Model pusty: losowy wyraz wolny osoby (ICC z Estimates of Covariance Parameters).
MIXED lek
  /METHOD=REML
  /PRINT=SOLUTION TESTCOV
  /RANDOM=INTERCEPT | SUBJECT(id) COVTYPE(VC).

* Krok 2. Grupa, pomiar i interakcja z losowym wyrazem wolnym.
MIXED lek BY grupa czas
  /CRITERIA=DFMETHOD(SATTERTHWAITE)
  /FIXED=grupa czas grupa*czas | SSTYPE(3)
  /METHOD=REML
  /PRINT=DESCRIPTIVES SOLUTION TESTCOV G
  /RANDOM=INTERCEPT | SUBJECT(id) COVTYPE(VC).

* Krok 3 i 4. Struktura kowariancji reszt AR(1) i różnice grup w każdym pomiarze.
* Do porównania zmień COVTYPE(AR1) na COVTYPE(CS) albo COVTYPE(UN) i zestaw tabele Information Criteria.
MIXED lek BY grupa czas
  /CRITERIA=DFMETHOD(SATTERTHWAITE)
  /FIXED=grupa czas grupa*czas | SSTYPE(3)
  /METHOD=REML
  /PRINT=SOLUTION TESTCOV R
  /REPEATED=czas | SUBJECT(id) COVTYPE(AR1)
  /EMMEANS=TABLES(grupa*czas) COMPARE(grupa) ADJ(LSD).

2. Dane w formacie długim i pliki .sav oraz CSV

Dane wejściowe: 60 osób w dwóch grupach po 30, trzy pomiary z brakami (dane symulowane, set.seed(5350)); pakiety haven i MASS.

Co odczytać: liczbę wierszy i osób, ile osób ma dwa albo trzy pomiary, początek pliku i statystyki opisowe w komórkach grupa × czas.

R
# B535 – model mieszany (MIXED) w SPSS: dane do pobrania w formacie długim
# Dane symulowane, set.seed(5350): lęk przed statystyką (skala 0–60) u 60 osób studiujących,
# losowo przydzielonych do warsztatów (n = 30) albo grupy kontrolnej (n = 30).
# Trzy pomiary: przed (czas = 1), po 8 tygodniach (czas = 2) i 3 miesiące później (czas = 3).
# Część osób nie przyszła na pomiar 2 lub 3 – w formacie długim te wiersze po prostu nie istnieją.
suppressPackageStartupMessages(library(haven))
set.seed(5350)
n <- 60
grupa <- rep(1:2, each = n / 2)                     # 1 = warsztaty, 2 = kontrolna
sr <- rbind(c(38, 30, 32),                          # średnie w populacji: warsztaty
            c(38, 36, 36))                          # kontrolna
odch <- c(8, 9, 10)                                 # odchylenia rosną w czasie
kor <- matrix(c(1, .70, .50,
                .70, 1, .70,
                .50, .70, 1), 3)                    # bliższe pomiary silniej skorelowane
S <- diag(odch) %*% kor %*% diag(odch)
Y <- t(sapply(1:n, function(i) MASS::mvrnorm(1, sr[grupa[i], ], S)))
Y[] <- round(pmin(60, pmax(0, Y)))
szer <- data.frame(id = 1:n, grupa = grupa, y1 = Y[, 1], y2 = Y[, 2], y3 = Y[, 3])
szer$y2[sample(n, 4)] <- NA                         # 4 osoby bez pomiaru po warsztatach
szer$y3[sample(which(!is.na(szer$y2)), 9)] <- NA    # 9 osób bez pomiaru po 3 miesiącach

# Format długi: jeden wiersz = jeden pomiar jednej osoby; braki usuwamy
dl <- data.frame(id = rep(szer$id, each = 3), grupa = rep(szer$grupa, each = 3),
                 czas = rep(1:3, n), lek = as.vector(t(szer[, c("y1", "y2", "y3")])))
dl <- dl[!is.na(dl$lek), ]
rownames(dl) <- NULL

sav <- dl
sav$id <- labelled(sav$id, label = "Numer osoby")
sav$grupa <- labelled(sav$grupa, labels = c("warsztaty" = 1, "kontrolna" = 2), label = "Grupa")
sav$czas <- labelled(sav$czas, labels = c("przed" = 1, "po" = 2, "po 3 mies." = 3), label = "Pomiar")
sav$lek <- labelled(sav$lek, label = "Lęk przed statystyką (0–60)")
write_sav(sav, "model-mieszany-spss-dane.sav")
write.csv(dl, "model-mieszany-spss-dane.csv", row.names = FALSE, fileEncoding = "UTF-8")

cat("wierszy w formacie długim:", nrow(dl), "; osób:", length(unique(dl$id)), "\n")
print(table(pomiary_na_osobe = table(dl$id)))
print(head(dl, 6), row.names = FALSE)
# Descriptive Statistics: N, średnia i odchylenie w każdej kombinacji grupa × czas
opis <- aggregate(lek ~ grupa + czas, data = dl, FUN = function(x) c(N = length(x), M = mean(x), SD = sd(x)))
print(do.call(data.frame, opis), digits = 4, row.names = FALSE)

Wynik:

wierszy w formacie długim: 167 ; osób: 60 
pomiary_na_osobe
 2  3 
13 47 
 id grupa czas lek
  1     1    1  41
  1     1    2  40
  2     1    1  38
  2     1    2  23
  2     1    3  28
  3     1    1  36
 grupa czas lek.N lek.M lek.SD
     1    1    30 36.47  6.516
     2    1    30 37.07  7.913
     1    2    29 28.03 10.547
     2    2    27 35.93  6.551
     1    3    25 31.60 10.603
     2    3    26 37.12  7.825

3. Te same liczby co w tabelach MIXED

Dane wejściowe: plik model-mieszany-spss-dane.csv z przepisu 2; pakiety lme4, lmerTest, nlme i emmeans.

Co odczytać: wariancje modelu pustego i ICC, tabelę typu III i oszacowania efektów stałych z df Satterthwaite’a, −2RLL i AIC czterech modeli kowariancji, testy ilorazu wiarygodności, macierz UN i parametry AR(1), testy modelu AR(1) oraz różnice grup w każdym pomiarze.

R
# B535 – liczby do tabel w układzie Linear Mixed Models (MIXED) w SPSS
# Ustawienia jak domyślne w MIXED: estymacja REML, stopnie swobody Satterthwaite'a, sumy kwadratów typu III;
# w Estimates of Fixed Effects ostatnia kategoria czynnika (kontrolna, czas = 3) jest kategorią odniesienia.
suppressPackageStartupMessages({ library(lme4); library(lmerTest); library(nlme); library(emmeans) })
emm_options(msg.interaction = FALSE, lmer.df = "satterthwaite")
dl <- read.csv("model-mieszany-spss-dane.csv")
dl$grupa <- factor(dl$grupa, levels = 1:2, labels = c("warsztaty", "kontrolna"))
dl$czas <- factor(dl$czas, levels = 1:3, labels = c("przed", "po", "po3m"))
dl$t <- as.integer(dl$czas)                          # numer pomiaru dla struktur AR(1) i UN
ostatnia <- function(f) { k <- nlevels(f); contr.treatment(k, base = k) }
kontr <- list(grupa = ostatnia(dl$grupa), czas = ostatnia(dl$czas))

# Krok 1. Model pusty: tylko wyraz wolny i losowy wyraz wolny osoby -> ICC z Estimates of Covariance Parameters
m0 <- lmer(lek ~ 1 + (1 | id), data = dl, REML = TRUE)
vc0 <- as.data.frame(VarCorr(m0))
print(vc0[, c("grp", "vcov")], digits = 6, row.names = FALSE)
cat(sprintf("ICC = %.3f\n", vc0$vcov[1] / sum(vc0$vcov)))

# Krok 2. Model z losowym wyrazem wolnym: grupa, czas, grupa*czas
m1 <- lmer(lek ~ grupa * czas + (1 | id), data = dl, REML = TRUE, contrasts = kontr)
# Type III Tests of Fixed Effects (Numerator df, Denominator df, F, Sig.)
print(anova(m1, type = 3, ddf = "Satterthwaite"), digits = 5)
# Estimates of Fixed Effects: Estimate, Std. Error, df, t, Sig., 95% CI z tych samych df
wsp <- summary(m1, ddf = "Satterthwaite")$coefficients
q <- qt(.975, wsp[, "df"])
print(round(cbind(wsp, lower = wsp[, 1] - q * wsp[, 2], upper = wsp[, 1] + q * wsp[, 2]), 3))
vc1 <- as.data.frame(VarCorr(m1))
print(vc1[, c("grp", "vcov")], digits = 6, row.names = FALSE)
cat(sprintf("-2 Restricted Log Likelihood = %.3f\n", REMLcrit(m1)))

# Krok 3. Struktury kowariancji reszt (okno Subjects and Repeated: Repeated = czas, Subjects = id), REML
# Te same efekty stałe, więc modele wolno porównać kryteriami informacyjnymi z REML.
g_cs  <- gls(lek ~ grupa * czas, data = dl, method = "REML", correlation = corCompSymm(form = ~ t | id))
g_ar1 <- gls(lek ~ grupa * czas, data = dl, method = "REML", correlation = corAR1(form = ~ t | id))
g_un  <- gls(lek ~ grupa * czas, data = dl, method = "REML", correlation = corSymm(form = ~ t | id),
             weights = varIdent(form = ~ 1 | czas))
l_ri  <- lme(lek ~ grupa * czas, random = ~ 1 | id, data = dl, method = "REML")
ic <- function(m, nazwa, k) data.frame(model = nazwa, param_kow = k, m2RLL = -2 * as.numeric(logLik(m)),
                                     AIC = -2 * as.numeric(logLik(m)) + 2 * k)
tab_ic <- rbind(ic(l_ri, "losowy wyraz wolny (Random)", 2), ic(g_cs, "Repeated: Compound Symmetry", 2),
                ic(g_ar1, "Repeated: AR(1)", 2), ic(g_un, "Repeated: Unstructured", 6))
print(tab_ic, digits = 6, row.names = FALSE)
# Test ilorazu wiarygodności UN vs CS na -2RLL (te same efekty stałe)
lr <- tab_ic$m2RLL[2] - tab_ic$m2RLL[4]
cat(sprintf("LR = %.3f, df = 4, p = %s\n", lr, sub("^0", "", sprintf("%.4f", pchisq(lr, 4, lower.tail = FALSE)))))

# AR(1) jest szczególnym przypadkiem UN: test ilorazu wiarygodności AR(1) vs UN
lr2 <- tab_ic$m2RLL[3] - tab_ic$m2RLL[4]
cat(sprintf("LR = %.3f, df = 4, p = %s\n", lr2, sub("^0", "", sprintf("%.4f", pchisq(lr2, 4, lower.tail = FALSE)))))

# Krok 4. Macierz kowariancji reszt w modelu UN: wariancje UN(1,1), UN(2,2), UN(3,3) i kowariancje,
# a obok korelacje – maleją wraz z odległością pomiarów
V <- getVarCov(g_un, individual = dl$id[dl$t == 3][1])
print(round(V, 3))
print(round(cov2cor(V), 3))
# Parametry AR(1): wspólna wariancja reszt i autokorelacja rho
cat(sprintf("AR(1): wariancja = %.3f, rho = %.3f\n", g_ar1$sigma^2,
            coef(g_ar1$modelStruct$corStruct, unconstrained = FALSE)))

# Krok 5. Model końcowy AR(1): testy efektów stałych; przybliżone df Satterthwaite'a dla gls liczy emmeans
print(joint_tests(g_ar1, mode = "satterthwaite"), digits = 5)
# EM Means: TABLES(grupa*czas) COMPARE(grupa) – różnica grup w każdym pomiarze (LSD = bez korekty)
em <- emmeans(g_ar1, ~ grupa | czas, mode = "satterthwaite")
print(summary(em), digits = 5)
print(summary(pairs(em), infer = TRUE), digits = 5)
# Ta sama różnica w modelu z losowym wyrazem wolnym – dla porównania
em1 <- emmeans(m1, ~ grupa | czas)
print(summary(pairs(em1), infer = TRUE), digits = 5)

Wynik:

      grp    vcov
       id 41.6980
 Residual 39.0684
ICC = 0.516
Type III Analysis of Variance Table with Satterthwaite's method
           Sum Sq Mean Sq NumDF   DenDF F value    Pr(>F)    
grupa      192.27  192.27     1  58.934  6.2475  0.015242 *  
czas       631.56  315.78     2 106.086 10.2608 8.437e-05 ***
grupa:czas 380.00  190.00     2 106.086  6.1738  0.002908 ** 
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
             Estimate Std. Error      df t value Pr(>|t|)   lower  upper
(Intercept)    37.436      1.602 114.241  23.369    0.000  34.262 40.609
grupa1         -5.569      2.280 115.769  -2.443    0.016 -10.084 -1.054
czas1          -0.369      1.506 105.895  -0.245    0.807  -3.354  2.616
czas2          -1.530      1.562 107.703  -0.980    0.329  -4.626  1.566
grupa1:czas1    4.969      2.144 106.135   2.317    0.022   0.718  9.220
grupa1:czas2   -2.108      2.197 107.350  -0.960    0.339  -6.462  2.247
      grp    vcov
       id 39.7573
 Residual 30.7753
-2 Restricted Log Likelihood = 1116.422
                       model param_kow   m2RLL     AIC
 losowy wyraz wolny (Random)         2 1116.42 1120.42
 Repeated: Compound Symmetry         2 1116.42 1120.42
             Repeated: AR(1)         2 1107.67 1111.67
      Repeated: Unstructured         6 1102.93 1114.93
LR = 13.497, df = 4, p = .0091
LR = 4.743, df = 4, p = .3147
Marginal variance covariance matrix
       [,1]   [,2]   [,3]
[1,] 52.540 37.375 26.967
[2,] 37.375 77.374 56.959
[3,] 26.967 56.959 83.093
  Standard Deviations: 7.2484 8.7962 9.1155 
Marginal variance covariance matrix
      [,1]  [,2]  [,3]
[1,] 1.000 0.586 0.408
[2,] 0.586 1.000 0.710
[3,] 0.408 0.710 1.000
  Standard Deviations: 1 1 1 
AR(1): wariancja = 69.549, rho = 0.636
 model term df1    df2 F.ratio p.value
 grupa        1  62.82   6.107  0.0162
 czas         2 101.36  13.665 <0.0001
 grupa:czas   2 101.36   7.105  0.0013

czas = przed:
 grupa     emmean     SE     df lower.CL upper.CL
 warsztaty 36.467 1.5226 105.09   33.448   39.486
 kontrolna 37.067 1.5226 105.09   34.048   40.086

czas = po:
 grupa     emmean     SE     df lower.CL upper.CL
 warsztaty 28.277 1.5337 107.48   25.237   31.317
 kontrolna 35.906 1.5582 112.65   32.819   38.994

czas = po3m:
 grupa     emmean     SE     df lower.CL upper.CL
 warsztaty 31.998 1.6108 117.74   28.808   35.187
 kontrolna 37.320 1.5911 115.02   34.169   40.472

Degrees-of-freedom method: satterthwaite 
Confidence level used: 0.95 
czas = przed:
 contrast              estimate     SE     df lower.CL upper.CL t.ratio p.value
 warsztaty - kontrolna  -0.6000 2.1533 105.09  -4.8695  3.66951  -0.279  0.7811

czas = po:
 contrast              estimate     SE     df lower.CL upper.CL t.ratio p.value
 warsztaty - kontrolna  -7.6293 2.1863 110.09 -11.9621 -3.29650  -3.490  0.0007

czas = po3m:
 contrast              estimate     SE     df lower.CL upper.CL t.ratio p.value
 warsztaty - kontrolna  -5.3229 2.2641 116.39  -9.8071 -0.83865  -2.351  0.0204

Degrees-of-freedom method: satterthwaite 
Confidence level used: 0.95 
czas = przed:
 contrast              estimate     SE     df lower.CL upper.CL t.ratio p.value
 warsztaty - kontrolna  -0.6000 2.1684 103.25  -4.9005   3.7005  -0.277  0.7826

czas = po:
 contrast              estimate     SE     df lower.CL upper.CL t.ratio p.value
 warsztaty - kontrolna  -7.6766 2.2149 108.63 -12.0666  -3.2866  -3.466  0.0008

czas = po3m:
 contrast              estimate     SE     df lower.CL upper.CL t.ratio p.value
 warsztaty - kontrolna  -5.5687 2.2796 115.77 -10.0839  -1.0535  -2.443  0.0161

Degrees-of-freedom method: satterthwaite 
Confidence level used: 0.95 

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3; rysunki wykonano w pakietach ggplot2 i svglite (kodu rysunków nie pokazujemy). Składni SPSS nie uruchamiano. W pracy podaj wersję SPSS lub R, której faktycznie użyłeś.

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. lme4 (wersja 2.0.1): Bates, D., Mächler, M., Bolker, B., & Walker, S. (2015). Fitting linear mixed-effects models using lme4. Journal of Statistical Software, 67(1), 1–48. https://doi.org/10.18637/jss.v067.i01
  3. lmerTest (wersja 3.2.1): Kuznetsova, A., Brockhoff, P. B., & Christensen, R. H. B. (2017). lmerTest package: Tests in linear mixed effects models. Journal of Statistical Software, 82(13), 1–26. https://doi.org/10.18637/jss.v082.i13
  4. nlme (wersja 3.1.168): Pinheiro, J., Bates, D., & R Core Team. (2025). nlme: Linear and nonlinear mixed effects models [R package]. https://doi.org/10.32614/CRAN.package.nlme
  5. emmeans (wersja 2.0.2): Lenth, R. V., & Piaskowski, J. (2026). emmeans: Estimated marginal means, aka least-squares means [R package]. https://doi.org/10.32614/CRAN.package.emmeans
  6. haven (wersja 2.5.5): Wickham, H., Miller, E., & Smith, D. (2025). haven: Import and export 'SPSS', 'Stata' and 'SAS' files [R package]. https://doi.org/10.32614/CRAN.package.haven
  7. MASS (wersja 7.3-65): Venables, W. N., & Ripley, B. D. (2002). Modern applied statistics with S (4th ed.). Springer. https://doi.org/10.1007/978-0-387-21706-2
  8. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  9. svglite (wersja 2.2.2): Wickham, H., Henry, L., Pedersen, T. L., Luciani, T. J., Decorde, M., & Lise, V. (2025). svglite: An ‘SVG’ graphics device [R package]. https://doi.org/10.32614/CRAN.package.svglite

Typowe błędy

  • Dane w formacie szerokim. MIXED potrzebuje wiersza na pomiar. Najpierw przekształć plik kreatorem Restructure.
  • Puste okno Fixed. Model domyślny zawiera tylko wyraz wolny (IBM Corp., b.d.-c), więc bez dodania efektów nie przetestujesz hipotez.
  • czas w Repeated, ale bez Subjects. Według składni analiza z REPEATED wymaga SUBJECT (IBM Corp., b.d.-c).
  • Interpretacja [grupa=1] jako efektu ogólnego. To różnica w kategorii odniesienia drugiego czynnika, czyli tutaj w ostatnim pomiarze.
  • Wybór struktury po wynikach testu grupy. Wybieraj ją kryteriami informacyjnymi, zanim spojrzysz na efekty stałe, i opisz w pracy.
  • „Sig. = .000” przepisane dosłownie. Pisz p < .001.

Planując liczbę osób do takiego badania, skorzystaj z wpisu analiza mocy dla modelu mieszanego. Gdy wynik jest binarny albo jest liczbą zdarzeń, potrzebny jest uogólniony model mieszany (GLMM). Gdy pomiarów przed i po nie da się połączyć w pary, zobacz wpis nie da się połączyć pomiaru przed i po. Analizę dobierzesz w kreatorze doboru testu.

Najczęstsze pytania

Czym różni się w SPSS pole Random od pola Repeated?

Efekty losowe modelują kowariancję zmiennej zależnej, a pomiary powtarzane – kowariancję reszt (IBM Corp., b.d.-a). Przy pomiarach powtarzanych możesz użyć losowego wyrazu wolnego osoby albo czasu w polu Repeated ze strukturą, np. AR(1). Losowy wyraz wolny odpowiada strukturze Compound Symmetry z dodatnią korelacją. W przykładzie oba modele dały to samo −2RLL = 1116.42.

Którą strukturę kowariancji wybrać: AR(1), Compound Symmetry czy Unstructured?

Dopasuj kilka struktur z tymi samymi efektami stałymi metodą REML i porównaj tabele Information Criteria – mniejsza wartość oznacza lepszy model (IBM Corp., b.d.-b). Modele zagnieżdżone porównasz testem ilorazu wiarygodności z różnicy −2RLL. W przykładzie AR(1) miała najmniejsze AIC (1111.67), a Unstructured nie była od niej istotnie lepsza, χ²(4) = 4.74, p = .315.

Dlaczego w tabeli Type III Tests of Fixed Effects df mianownika ma ułamki?

Domyślnie MIXED wyznacza stopnie swobody przybliżeniem Satterthwaite’a (IBM Corp., b.d.-c), które daje df niecałkowite, np. F(2, 106.09) = 6.17. W oknie Estimation możesz wybrać też metodę Kenwarda–Rogera albo Residual method. Przepisz df z dwoma miejscami po przecinku.

Czy model mieszany w SPSS poradzi sobie z brakującymi pomiarami?

Tak, jeśli dane są w formacie długim: osoba z dwoma pomiarami zostaje w analizie, a GLM Repeated Measures usunęłaby ją w całości. Modele mieszane wykorzystują wszystkie dostępne dane (Gueorguieva i Krystal, 2004). W przykładzie analiza objęła 167 pomiarów 60 osób, w tym 13 osób z jednym brakiem. Wynik jest wiarygodny przy założeniu, że braki są losowe w sensie MAR.

Jak w SPSS porównać grupy w każdym pomiarze osobno?

Okno EM Means porównuje tylko poziomy efektów głównych. Porównania grup w każdym pomiarze zamówisz w składni: /EMMEANS=TABLES(grupa*czas) COMPARE(grupa) ADJ(LSD), BONFERRONI albo SIDAK (IBM Corp., b.d.-c). Wydruk poda różnicę średnich brzegowych, błąd standardowy, df, p i przedział ufności.

Powiązane hasła

Przeczytaj też

Masz pomiary powtarzane i nie wiesz, jak opisać model mieszany z SPSS?

Sprawdzimy format danych, efekty stałe i losowe, wybór struktury kowariancji i opis wyników oraz wyjaśnimy je tak, żebyś umiał(a) samodzielnie je przedstawić i obronić.

Oferta dla studentówWyceń analizę

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Gueorguieva, R., & Krystal, J. H. (2004). Move over ANOVA: Progress in analyzing repeated-measures data and its reflection in papers published in the Archives of General Psychiatry. Archives of General Psychiatry, 61(3), 310–317. https://doi.org/10.1001/archpsyc.61.3.310
  2. IBM Corp. (b.d.-a). Linear Mixed Models. IBM SPSS Statistics 31.0.0 documentation. https://www.ibm.com/docs/en/SSLVMB_31.0.0/statistics_mainhelp_ddita/spss/advanced/idh_mixl.html ● Otwarty dostęp
  3. IBM Corp. (b.d.-b). Linear Mixed Models (case studies). IBM SPSS Statistics 31.0.0 documentation. https://www.ibm.com/docs/en/SSLVMB_31.0.0/statistics_casestudies_project_ddita/spss/tutorials/mixed_table.html ● Otwarty dostęp
  4. IBM Corp. (b.d.-c). MIXED (Command Syntax Reference). IBM SPSS Statistics 31.0.0 documentation. https://www.ibm.com/docs/en/SSLVMB_31.0.0/statistics_reference_project_ddita/spss/advanced/syn_mixed.html ● Otwarty dostęp
  5. IBM Corp. (b.d.-d). To restructure data. IBM SPSS Statistics 31.0.0 documentation. https://www.ibm.com/docs/en/SSLVMB_31.0.0/statistics_mainhelp_ddita/spss/base/rd_howto.html ● Otwarty dostęp
  6. Littell, R. C., Henry, P. R., & Ammerman, C. B. (1998). Statistical analysis of repeated measures data using SAS procedures. Journal of Animal Science, 76(4), 1216–1231. https://doi.org/10.2527/1998.7641216x
  7. Luke, S. G. (2017). Evaluating significance in linear mixed-effects models in R. Behavior Research Methods, 49(4), 1494–1502. https://doi.org/10.3758/s13428-016-0809-y ● Otwarty dostęp

Cytowania BibTeX

@article{gueorguieva2004move, author={Gueorguieva, Ralitza and Krystal, John H.}, title={{Move over ANOVA: Progress in analyzing repeated-measures data and its reflection in papers published in the Archives of General Psychiatry}}, journal={Archives of General Psychiatry}, year={2004}, volume={61}, number={3}, pages={310--317}, doi={10.1001/archpsyc.61.3.310}}
@misc{ibmnd31mixedokna, author={{IBM Corp.}}, title={{Linear Mixed Models}}, howpublished={IBM SPSS Statistics 31.0.0 documentation}, year={b.d.-a}, publisher={IBM}, url={https://www.ibm.com/docs/en/SSLVMB_31.0.0/statistics_mainhelp_ddita/spss/advanced/idh_mixl.html}}
@misc{ibmnd31mixedprzyklady, author={{IBM Corp.}}, title={{Linear Mixed Models (case studies)}}, howpublished={IBM SPSS Statistics 31.0.0 documentation}, year={b.d.-b}, publisher={IBM}, url={https://www.ibm.com/docs/en/SSLVMB_31.0.0/statistics_casestudies_project_ddita/spss/tutorials/mixed_table.html}}
@misc{ibmnd31mixedskladnia, author={{IBM Corp.}}, title={{MIXED (Command Syntax Reference)}}, howpublished={IBM SPSS Statistics 31.0.0 documentation}, year={b.d.-c}, publisher={IBM}, url={https://www.ibm.com/docs/en/SSLVMB_31.0.0/statistics_reference_project_ddita/spss/advanced/syn_mixed.html}}
@misc{ibmnd31restructure, author={{IBM Corp.}}, title={{To restructure data}}, howpublished={IBM SPSS Statistics 31.0.0 documentation}, year={b.d.-d}, publisher={IBM}, url={https://www.ibm.com/docs/en/SSLVMB_31.0.0/statistics_mainhelp_ddita/spss/base/rd_howto.html}}
@article{littell1998statistical, author={Littell, R. C. and Henry, P. R. and Ammerman, C. B.}, title={{Statistical analysis of repeated measures data using SAS procedures}}, journal={Journal of Animal Science}, year={1998}, volume={76}, number={4}, pages={1216--1231}, doi={10.2527/1998.7641216x}}
@article{luke2017evaluating, author={Luke, Steven G.}, title={{Evaluating significance in linear mixed-effects models in R}}, journal={Behavior Research Methods}, year={2017}, volume={49}, number={4}, pages={1494--1502}, doi={10.3758/s13428-016-0809-y}}
R