在各行業的統計工作中，經常會在不同的維度上對因變量和自變量的關系進行研究分析。比如我們要統計上海和北京在不同的時間維度上（上午、下午、晚上）的車流量，這種研究，它們之間的數據是非獨立的，彼此之間具有一定的關系。

【資料圖】

針對這種數據的研究，我們就不可采用普通的線性回歸、邏輯回歸，而需要使用廣義估算方程來進行其他模型的擬合計算,下面使用SPSS軟件來為大家演示如何針對此情況進行統計分析。

一、流程步驟

本文中演示的數據如圖1，第一列表示街道ID；第二列表示車流量；第三列表示是否堵塞（1表示堵塞，0表示不堵塞）；第四列表示天氣（0表示天氣下雨；1表示天氣良好或晴朗）；第五列表示城市（1為上海，2為北京）。

第一步：點擊【分析】–【廣義線性模型】–【廣義估算方程】，在“重復”項中，輸入主體變量（選擇街道ID）和主體內變量（選擇車流量），然后在下方的工作相關性矩陣中，本演示數據中需選擇“可交換”。

工作相關性矩陣可選項有5個，其中“自變量”表示各數據間相互獨立；“AR（1）”表示自相關，相鄰數據間時間相距越大，則相關性越小；“可交換”表示等相關，相鄰數據間的相關性是相等的；“M相關”表示相鄰相關，即相鄰的M+1個數據有相關性，其他數據沒有相關性；“非結構化”表示不限定相關結構。

第二步：由于本演示數據是二分類數據，因此接下來我們在“模型類型”中，選擇“二元Logistic”。

第三步：在“響應”菜單中，輸入因變量為“是否堵塞”，再點擊“參考類別”按鈕，設定參考類別為“第一個值”，表示設定不堵塞這個分類為參考分類。

第四步：在“預測變量”菜單的“協變量”中，填入“天氣”和“城市”作為模型的協變量，如圖6。

第五步：在“模型”菜單中，指定“天氣”和“城市”為模型效應，如圖7。

第六步：在“統計”菜單中，除了SPSS默認幫我們勾選的項目外，我們還需要再勾選上“包括指數參數估算值”這一項。最后點擊“確定”，生成統計結果。

二、結果分析

結果得到的多個表格，我們直接看“參數估算值”表格即可，見圖9，我們主要關注顯著性一列和Exp（B）一列，Exp（B）即上述我們勾選的“指數參數估算值”，也就是通常所說的OR值（比值比）。

在天氣這行中我們可以看到，顯著性為0.046，Exp（B）為0.341，這說明天氣晴朗造成堵塞的概率是天氣下雨造成堵塞的概率的0.341倍，且顯著性低于0.05，說明結論具有統計學意義；另外在城市一行中，我們可以看到顯著性為0.531，這說明城市這一自變量在此演示數據中不具有統計學意義。

通過上述IBM SPSS Statistics的講解，我們就完成了使用廣義估算方程，對非獨立的相關數據進行統計分析的目的，分析的結果也相對準確。對本模型感興趣的小伙伴們，可以自己動動手在SPSS軟件中進行嘗試哦。