Słownik metodologiczny · Modele regresji

GEE (uogólnione równania estymujące) – co to jest?

GEE szacuje modele regresji dla pomiarów powtarzanych i danych klastrowanych, dając efekty uśrednione w populacji i odporne błędy standardowe. Pokazujemy roboczą macierz korelacji, przykład w R i opis do pracy.

W skrócie: GEE (uogólnione równania estymujące) to metoda szacowania regresji dla danych skorelowanych, np. pomiarów powtarzanych. Daje efekty uśrednione w populacji, a wnioskowanie opiera na odpornym błędzie standardowym, poprawnym nawet przy źle dobranej roboczej macierzy korelacji.

Co to jest GEE?

GEE (ang. generalized estimating equations, uogólnione równania estymujące) to metoda szacowania regresji liniowej, logistycznej czy Poissona dla danych skorelowanych: pomiarów powtarzanych u tych samych osób albo uczniów w szkołach. Liang i Zeger (1986) zaproponowali równania, które dają zgodne oszacowania współczynników i ich wariancji bez określania łącznego rozkładu obserwacji jednej osoby. Badacz podaje model średniej i roboczą macierz korelacji: niezależną, wymienną, AR(1) albo nieustrukturyzowaną.

Efekty brzegowe i odporny błąd

GEE szacuje model uśredniony w populacji (Zeger i in., 1988): współczynnik opisuje różnicę średnich w całej populacji, a nie u konkretnej osoby. W modelu liniowym oba podejścia szacują ten sam parametr, ale w logistycznym brzegowy iloraz szans jest bliższy 1 niż warunkowy z GLMM. Hubbard i in. (2010) bronią GEE, bo nie wymaga nieweryfikowalnych założeń o rozkładzie efektów losowych.

Wnioskowanie opiera się na odpornym, kanapkowym błędzie standardowym, poprawnym nawet przy źle dobranej macierzy roboczej. Przy macierzy niezależności GEE daje te same współczynniki co zwykły glm, a jego odporny błąd to błąd odporny na klastrowanie bez poprawki małych prób. W R odpowiada mu sandwich::vcovCL(m, cluster = ~id, type = "HC0", cadjust = FALSE), co sprawdzamy w kodzie ręcznym wzorem.

Przykład

W symulacji 40 osób (połowa po treningu) zmierzono czterokrotnie samopoczucie. Grupa treningowa miała wynik wyższy o 3.94 punktu. Naiwny błąd, jak dla 160 niezależnych obserwacji, wyniósł 1.18 (p = .001), a odporny 1.99, z = 1.98, p = .048. Model brzegowy z macierzą wymienną (nlme::gls) dał SE = 2.04 przy korelacji pomiarów .65.

Na rysunku

W regresji logistycznej GEE i model mieszany szacują różne współczynniki; najłatwiej to zobaczyć na krzywych. Dane są symulowane: 200 osób po 6 pomiarów 0/1, logit rośnie o 0.8 na każdy pomiar, a efekt osoby ma SD = 2. Duże zróżnicowanie osób ustawiono ręcznie, żeby różnica krzywych była wyraźna; ziarna (4554 dla danych, 4555 dla wyboru 20 osób do rysunku) ustalono raz i nie zmieniano.

Dwa panele. A: oś pozioma – czas od 0 do 5, oś pionowa – prawdopodobieństwo od 0 do 1. Kilkanaście szarych krzywych w kształcie litery S przesuniętych względem siebie to przewidywania dla 20 losowych osób. Niebieska ciągła krzywa S (typowa osoba z modelu GLMM) rośnie stromo od około 0.08 do 0.82. Pomarańczowa przerywana krzywa (GEE) jest bardziej płaska, od około 0.17 do 0.72, i przechodzi przez białe kółka – obserwowane odsetki w każdym pomiarze. B: oś pozioma – SD efektu osoby od 0 do 3, oś pionowa – stosunek współczynnika brzegowego do warunkowego; pomarańczowe punkty z całkowania opadają od 1 do 0.47, szara przerywana linia przybliżenia biegnie tuż nad nimi; pionowa kropkowana linia przy SD = 2 oznacza dane z panelu A.
Rysunek 1. Krzywa brzegowa z GEE i krzywa warunkowa z GLMM w tych samych danych logistycznych (A) oraz stosunek współczynnika brzegowego do warunkowego w zależności od zmienności osób (B). Obliczenia: R, pakiety ggplot2, patchwork, lme4 i sandwich (dane symulowane, set.seed(4554)).

Co widać. Szare krzywe to przewidywania modelu mieszanego dla 20 osób: każda ma ten sam kształt, ale inne położenie. Niebieska krzywa to osoba z efektem 0, czyli warunkowy współczynnik GLMM: b = 0.790, OR = 2.20. Pomarańczowa krzywa z GEE (b = 0.502, OR = 1.65) przechodzi przez obserwowane odsetki, od 0.155 w pierwszym pomiarze do 0.720 w ostatnim, bo opisuje średnią w populacji. Średnia z przesuniętych krzywych S jest bardziej płaska niż każda z nich. Panel B pokazuje, że to spłaszczenie rośnie ze zmiennością osób: przy SD = 2 współczynnik brzegowy to 0.618 warunkowego, a przybliżenie podawane za Zegerem i in. (1988) daje 0.648.

Na co uważać. Mniejszy iloraz szans z GEE nie znaczy, że GEE „zaniża” efekt. Oba modele odpowiadają na inne pytania: o różnicę w populacji i o zmianę u konkretnej osoby. Nie zestawiaj więc OR z GEE i z GLMM jako wyników tego samego. Rysunek nie pokazuje niepewności, a oba współczynniki są wyraźnie różne od zera (SE 0.037 i 0.060). Zakłada też normalny rozkład efektów osób. Jak czytać krzywe logistyczne i ilorazy szans, pokazuje wpis regresja logistyczna w obrazkach, a o efektach losowych – model mieszany w obrazkach.

Podpis do pracy:

Rysunek 1. Przewidywane prawdopodobieństwo wyniku w kolejnych pomiarach według modelu brzegowego (GEE) i warunkowego (GLMM, osoba z efektem losowym równym 0) oraz krzywe 20 losowo wybranych osób (A); stosunek współczynnika brzegowego do warunkowego w zależności od odchylenia standardowego efektu osoby (B). Uwaga. Dane symulowane: 200 osób po 6 pomiarów. Kółka – obserwowane odsetki wyników 1.

Kod rysunku dopasowuje oba modele, wypisuje współczynniki i liczy krzywą z panelu B. Rysunek na stronie powstał z tego kodu po podmianie motywu na motyw serwisu (krój czcionki, siatka). Dane, geometrie i skale są identyczne.

Kod R rysunku 1
# Rysunek 1. GEE a GLMM w regresji logistycznej: krzywa brzegowa (populacja) i warunkowa (typowa osoba)
suppressPackageStartupMessages({library(ggplot2); library(patchwork); library(lme4); library(sandwich)})

# Paleta Okabe–Ito i prosty motyw
kol <- c("GEE: krzywa brzegowa" = "#D55E00", "GLMM: typowa osoba (u = 0)" = "#0072B2")
motyw <- theme_minimal(base_size = 14) +
  theme(plot.title = element_text(face = "bold", colour = "#0f1d3a", size = rel(1.0)),
        panel.grid.minor = element_blank(), panel.grid.major = element_line(colour = "grey88", linewidth = 0.4),
        legend.position = "bottom", plot.background = element_rect(fill = "white", colour = NA))

# Dane: 200 osób po 6 pomiarów (czas 0–5), wynik 0/1; logit P = -2.5 + 0.8 · czas + u_i, u_i ~ N(0, 2²)
# Parametry ustawiono ręcznie (duże SD efektu osoby), by różnica krzywych była wyraźna
set.seed(4554)
K <- 200; m <- 6; b0 <- -2.5; b1 <- 0.8; sd_u <- 2
d <- data.frame(id = factor(rep(1:K, each = m)), czas = rep(0:(m - 1), K))
u <- rnorm(K, sd = sd_u)
d$y <- rbinom(K * m, 1, plogis(b0 + b1 * d$czas + u[d$id]))

gee  <- glm(y ~ czas, family = binomial, data = d)              # GEE z macierzą niezależności = glm ...
V    <- vcovCL(gee, cluster = ~id, type = "HC0", cadjust = FALSE) # ... z błędem kanapkowym
glmm <- glmer(y ~ czas + (1 | id), family = binomial, data = d, nAGQ = 10)
tab <- rbind(GEE = c(b = coef(gee)[["czas"]], SE = sqrt(V["czas", "czas"])),
             GLMM = c(b = fixef(glmm)[["czas"]], SE = sqrt(vcov(glmm)["czas", "czas"])))
print(round(cbind(tab, OR = exp(tab[, "b"])), 3))
cat("SD efektu osoby z GLMM:", round(attr(VarCorr(glmm)$id, "stddev"), 2), "\n")
cat("Przybliżenie b_GLMM / sqrt(1 + 0.346 · SD²):",
    round(fixef(glmm)[["czas"]] / sqrt(1 + 0.346 * attr(VarCorr(glmm)$id, "stddev")^2), 3), "\n")

# Krzywe: brzegowa z GEE, warunkowa z GLMM przy u = 0 oraz 20 losowych osób (szare)
siatka <- seq(0, m - 1, by = 0.05)
krzywe <- rbind(
  data.frame(czas = siatka, p = plogis(coef(gee)[1] + coef(gee)[2] * siatka), model = names(kol)[1]),
  data.frame(czas = siatka, p = plogis(fixef(glmm)[1] + fixef(glmm)[2] * siatka), model = names(kol)[2]))
set.seed(4555)
wyb <- sample(K, 20)
re <- ranef(glmm)$id[wyb, 1]
osoby <- do.call(rbind, lapply(seq_along(wyb), function(j) data.frame(
  id = wyb[j], czas = siatka, p = plogis(fixef(glmm)[1] + re[j] + fixef(glmm)[2] * siatka))))
odsetki <- aggregate(y ~ czas, data = d, FUN = mean)
print(round(odsetki, 3), row.names = FALSE)

pA <- ggplot() +
  geom_line(data = osoby, aes(czas, p, group = id), colour = "grey70", linewidth = 0.4) +
  geom_line(data = krzywe, aes(czas, p, colour = model, linetype = model), linewidth = 1.2) +
  geom_point(data = odsetki, aes(czas, y), shape = 21, fill = "white", colour = "black", size = 3, stroke = 0.9) +
  scale_colour_manual(values = kol, name = NULL) + scale_linetype_manual(values = c("dashed", "solid"), name = NULL) +
  scale_y_continuous(limits = c(0, 1)) +
  labs(title = "A. Ta sama zależność, dwa pytania", x = "Czas (pomiar 0–5)", y = "P(y = 1)") +
  motyw + guides(colour = guide_legend(nrow = 2), linetype = guide_legend(nrow = 2))

# Panel B: o ile brzegowy współczynnik jest bliższy zera niż warunkowy (b = 0.8) przy rosnącym SD efektu osoby
# Brzegowe P liczone całkowaniem po rozkładzie u, potem dopasowanie krzywej logistycznej do tych P
brzegowy_b <- function(s) {
  if (s == 0) return(b1)                                       # bez efektu osoby obie krzywe są identyczne
  pm <- sapply(0:(m - 1), function(t) integrate(function(v) plogis(b0 + b1 * t + v) * dnorm(v, sd = s), -Inf, Inf)$value)
  coef(suppressWarnings(glm(pm ~ I(0:(m - 1)), family = binomial)))[2]
}
sds <- seq(0, 3, by = 0.25)
tl <- data.frame(sd_u = sds, calka = sapply(sds, brzegowy_b) / b1, przybl = 1 / sqrt(1 + 0.346 * sds^2))
print(round(tl, 3), row.names = FALSE)
pB <- ggplot(tl, aes(sd_u)) +
  geom_line(aes(y = przybl, linetype = "przybliżenie Zegera i in. (1988)"), colour = "grey40", linewidth = 0.8) +
  geom_point(aes(y = calka, shape = "dokładnie (całkowanie)"), colour = "#D55E00", size = 2.8) +
  geom_vline(xintercept = sd_u, colour = "grey60", linetype = "dotted") +
  annotate("text", x = sd_u + 0.05, y = 1, label = "dane z panelu A", hjust = 0, size = 3.8, colour = "grey30") +
  scale_linetype_manual(values = "dashed", name = NULL) + scale_shape_manual(values = 16, name = NULL) +
  scale_y_continuous(limits = c(0.4, 1)) +
  labs(title = "B. Brzegowe b jako część warunkowego", x = "SD efektu osoby (skala logitu)", y = "b brzegowe / b warunkowe") +
  motyw + theme(legend.box = "vertical", legend.spacing.y = unit(0, "pt"))

p <- pA + pB + plot_layout(widths = c(1.2, 1))
p
Wynik w R
         b    SE    OR
GEE  0.502 0.037 1.652
GLMM 0.790 0.060 2.202
SD efektu osoby z GLMM: 1.9 
Przybliżenie b_GLMM / sqrt(1 + 0.346 · SD²): 0.526 
 czas     y
    0 0.155
    1 0.295
    2 0.340
    3 0.485
    4 0.610
    5 0.720
 sd_u calka przybl
 0.00 1.000  1.000
 0.25 0.988  0.989
 0.50 0.953  0.959
 0.75 0.902  0.915
 1.00 0.843  0.862
 1.25 0.782  0.806
 1.50 0.723  0.750
 1.75 0.668  0.697
 2.00 0.618  0.648
 2.25 0.573  0.603
 2.50 0.533  0.562
 2.75 0.497  0.526
 3.00 0.466  0.493

Jak opisać w pracy

Efekt treningu oszacowano metodą GEE (model liniowy, robocza macierz niezależności, odporne błędy standardowe, 40 osób po 4 pomiary). Uczestnicy treningu mieli wyższe samopoczucie niż grupa kontrolna, b = 3.94, SE = 1.99, z = 1.98, p = .048.

Na co uważać

  • Mało klastrów. Przy kilkudziesięciu osobach lub szkołach odporny błąd bywa zaniżony – rozważ poprawkę CR2.
  • Braki danych. Zwykłe GEE zakłada braki MCAR. Przy MAR bezpieczniejszy jest model mieszany szacowany metodą największej wiarygodności.
  • Pytanie badawcze. Gdy interesuje cię zmienność między osobami albo efekt dla typowej osoby, wybierz model mieszany. Porównanie obu podejść pokazuje wpis GEE czy model mieszany?
Przykład reprodukowalny

GEE z macierzą niezależności w R

Kod dopasowuje glm z błędem kanapkowym vcovCL, porównuje go z ręcznie policzonym wzorem Lianga i Zegera, a jako model z macierzą wymienną dopasowuje nlme::gls. Pakietu geepack nie używamy.

Naiwny i odporny błąd standardowy efektu grupy

Dane wejściowe: 40 symulowanych osób po 4 pomiary, grupa (trening / kontrola) i czas; set.seed(4553).

Co odczytać: zgodność vcovCL ze wzorem kanapkowym, efekt grupy z naiwnym i odpornym SE, wynik modelu z macierzą wymienną.

R
suppressPackageStartupMessages({library(sandwich); library(nlme)})
set.seed(4553)
K <- 40; t <- 4                                  # 40 osób, po 4 pomiary
d <- data.frame(id = rep(1:K, each = t), czas = rep(0:3, K),
                grupa = rep(rep(0:1, each = K / 2), each = t))
d$y <- 50 + 3 * d$grupa + 1 * d$czas + rep(rnorm(K, sd = 6), each = t) + rnorm(K * t, sd = 4)
# GEE z roboczą macierzą niezależności = glm + kanapkowy błąd odporny na klastrowanie
m <- glm(y ~ grupa + czas, data = d)
V <- vcovCL(m, cluster = ~id, type = "HC0", cadjust = FALSE)
# sprawdzenie: wzór kanapkowy Liang–Zeger policzony ręcznie
X <- model.matrix(m); e <- residuals(m, type = "response")
B <- solve(crossprod(X)); M <- Reduce(`+`, lapply(split(seq_len(nrow(d)), d$id),
       function(i) tcrossprod(crossprod(X[i, , drop = FALSE], e[i]))))
cat("vcovCL = wzór ręczny:", isTRUE(all.equal(unname(V), unname(B %*% M %*% B))), "\n")
# model brzegowy z macierzą wymienną (odpowiednik GEE "exchangeable" dla wyniku ciągłego)
g <- gls(y ~ grupa + czas, data = d, correlation = corCompSymm(form = ~ 1 | id))
tab <- rbind(
  naiwny  = c(coef(m)["grupa"], SE = sqrt(vcov(m)["grupa", "grupa"])),
  odporny = c(coef(m)["grupa"], SE = sqrt(V["grupa", "grupa"])),
  gls_wym = c(coef(g)["grupa"], SE = sqrt(vcov(g)["grupa", "grupa"])))
tab <- cbind(tab, z = tab[, 1] / tab[, 2], p = 2 * pnorm(-abs(tab[, 1] / tab[, 2])))
print(round(tab, 3))
cat("SE czasu: naiwny", round(sqrt(vcov(m)["czas", "czas"]), 3),
    "odporny", round(sqrt(V["czas", "czas"]), 3), "\n")
cat("korelacja wymienna (rho):", round(coef(g$modelStruct$corStruct, unconstrained = FALSE), 2), "\n")
Wynik w R
vcovCL = wzór ręczny: TRUE 
        grupa    SE     z     p
naiwny  3.937 1.176 3.348 0.001
odporny 3.937 1.988 1.981 0.048
gls_wym 3.937 2.039 1.931 0.054
SE czasu: naiwny 0.526 odporny 0.298 
korelacja wymienna (rho): 0.65 

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (pakiety sandwich i nlme; kod rysunku 1 także ggplot2, patchwork i lme4). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  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. sandwich (wersja 3.1.1): Zeileis, A., Köll, S., & Graham, N. (2020). Various versatile variances: An object-oriented implementation of clustered covariances in R. Journal of Statistical Software, 95(1), 1–36. https://doi.org/10.18637/jss.v095.i01
  3. 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
  4. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  5. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork
  6. 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

Najczęstsze pytania

Którą roboczą macierz korelacji wybrać w GEE?

Przy pomiarach w czasie często wymienną lub AR(1), przy klastrach – wymienną. Zła macierz nie psuje zgodności oszacowań ani odpornego SE, ale obniża ich precyzję.

Czym różni się iloraz szans z GEE od ilorazu szans z modelu mieszanego?

GEE daje iloraz szans uśredniony w populacji, a model mieszany – warunkowy, dla osoby o danym efekcie losowym. W modelu logistycznym ten drugi jest zwykle dalej od 1.

Jak policzyć GEE w R bez pakietu geepack?

Dla macierzy niezależności: glm i sandwich::vcovCL(m, cluster = ~id, type = "HC0", cadjust = FALSE). Dla wyniku ciągłego i macierzy wymiennej: nlme::gls z corCompSymm(form = ~1 | id).

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Hubbard, A. E., Ahern, J., Fleischer, N. L., Van der Laan, M., Lippman, S. A., Jewell, N., Bruckner, T., & Satariano, W. A. (2010). To GEE or not to GEE: Comparing population average and mixed models for estimating the associations between neighborhood risk factors and health. Epidemiology, 21(4), 467–474. https://doi.org/10.1097/ede.0b013e3181caeb90
  2. Liang, K.-Y., & Zeger, S. L. (1986). Longitudinal data analysis using generalized linear models. Biometrika, 73(1), 13–22. https://doi.org/10.1093/biomet/73.1.13
  3. Zeger, S. L., Liang, K.-Y., & Albert, P. S. (1988). Models for longitudinal data: A generalized estimating equation approach. Biometrics, 44(4), 1049–1060. https://doi.org/10.2307/2531734

Cytowania BibTeX

@article{hubbard2010gee, author={Hubbard, Alan E. and Ahern, Jennifer and Fleischer, Nancy L. and Van der Laan, Mark and Lippman, Sheri A. and Jewell, Nicholas and Bruckner, Tim and Satariano, William A.}, title={{To GEE or not to GEE: Comparing population average and mixed models for estimating the associations between neighborhood risk factors and health}}, journal={Epidemiology}, year={2010}, volume={21}, number={4}, pages={467--474}, doi={10.1097/ede.0b013e3181caeb90}}
@article{liang1986longitudinal, author={Liang, Kung-Yee and Zeger, Scott L.}, title={{Longitudinal data analysis using generalized linear models}}, journal={Biometrika}, year={1986}, volume={73}, number={1}, pages={13--22}, doi={10.1093/biomet/73.1.13}}
@article{zeger1988models, author={Zeger, Scott L. and Liang, Kung-Yee and Albert, Paul S.}, title={{Models for longitudinal data: A generalized estimating equation approach}}, journal={Biometrics}, year={1988}, volume={44}, number={4}, pages={1049--1060}, doi={10.2307/2531734}}
R