统计百科 ·
广义估计方程GEE的APA报告怎么写？β、Wald χ²与工作相关矩阵格式全解
统计百科：专攻"GEE结果怎么写进论文"——β系数、Wald χ²格式、工作相关结构选择与QIC准则、纵向/聚类数据的APA 7th完整报告模板，盘点审稿人最常挑的GEE格式错误。
GEE（Generalized Estimating Equations，广义估计方程）的格式难点不在于跑通模型，而在于：β要不要汇报标准误还是95%CI、Wald χ²自由度写几个、工作相关结构怎么交代、QIC是什么指标要不要写进论文……这篇文章专攻"GEE纵向/聚类数据结果怎么规范写进论文"这一具体格式点，给出APA 7th所有常见场景的完整模板，逐一盘点审稿人最常挑的格式错误。
你的GEE报告有这些问题吗？
审稿人或导师关于GEE结果报告最常见的反馈：
- "请注明工作相关矩阵（working correlation structure）的类型，如独立、可交换、非结构化等"
- "β系数要同时汇报标准误（SE）或95%置信区间，只写p值不够"
- "Wald χ²要写自由度，格式是χ²(df) = X.XX，不是单写χ² = X.XX"
- "为什么选这个工作相关结构？建议说明QIC选模依据"
- "GEE是边际模型，方法章节要说明与混合效应模型的区别和选用理由"
- "聚类单元数（number of clusters）和每簇平均观测数要在描述统计中交代"
这些格式问题集中在APA Publication Manual第七版关于纵向与聚类数据报告的多个章节，但专门针对GEE汇总的中文实操指南极为稀少。本文只讲一件事：GEE模型结果到底怎么规范写进论文的每一种场景。
如果你还没看过姊妹篇 F值的APA 7th报告写法，建议先读那篇了解参数检验基础，本文默认你已知道p值不加前导零（.032而非0.032）等基础格式规则，不再重复。
一、GEE是什么，与普通回归有什么区别
边际模型的直觉含义
GEE是处理纵向数据（longitudinal data）和聚类数据（clustered data）的主流方法之一。与普通回归（OLS/Logistic）最根本的区别在于：
| 问题 | 普通回归 | GEE |
|---|---|---|
| 数据假设 | 每条观测独立 | 同一主体/簇内的观测存在相关性 |
| 估计目标 | 个体条件效应 | 总体边际效应 |
| 相关结构 | 不建模 | 通过工作相关矩阵显式设定 |
| 推断稳健性 | 依赖模型正确 | 即使相关结构设错，β估计仍一致 |
GEE的核心优势是：即便工作相关矩阵（working correlation matrix）设定不完全正确，只要均值模型（即自变量与因变量的关系）设定正确，β系数的估计仍然是一致的（得益于三明治方差估计/robust SE）。这使GEE在纵向研究中比混合效应模型对模型误设更为宽容。
GEE适用的典型场景
| 场景 | 说明 |
|---|---|
| 患者随时间重复测量 | 同一患者多次随访，结局为连续/二分/计数变量 |
| 学校-学生聚类抽样 | 同班学生成绩非独立，以学校为聚类单元 |
| 家庭内多成员数据 | 同一家庭成员共享遗传/环境因素 |
| 多中心临床试验 | 不同医院为聚类，分析治疗效果的整体边际效应 |
二、GEE关键输出指标解读
β系数（回归系数）
GEE的β系数是边际效应：表示在总体层面，自变量每增加一单位，因变量的期望值（或log-odds等）的平均变化量。
- 连续型因变量（Identity link）：β直接是均值差异
- 二分类结局（Logit link）：β是log-odds，exp(β)是比值比（OR）
- 计数结局（Log link）：β是log-RR，exp(β)是率比（RR）
标准误（SE）与稳健SE
GEE默认输出三明治稳健标准误（robust SE / empirical SE），这正是GEE对相关结构误设的保护机制来源。方法章节应明确说明使用了稳健SE。
Wald χ²统计量
GEE对每个预测变量的显著性检验使用Wald卡方检验：
$\chi^2_{Wald} = \left(\frac{\hat{\beta}}{SE(\hat{\beta})}\right)^2$
- 单个连续变量（df = 1）：χ²(1) = Z²，Z为标准化β/SE
- 分类变量（k个水平，df = k-1）：联合Wald检验，df = k-1
- 多个变量同时检验：df = 被检验系数的个数
工作相关矩阵（Working Correlation Structure）
这是GEE特有的、必须在方法章节说明的内容：
| 工作相关结构 | 英文名 | 适用场景 |
|---|---|---|
| 独立 | Independence | 相关性很小，或作为基准模型 |
| 可交换 | Exchangeable | 簇内任意两次测量相关程度相等（最常用） |
| 自回归AR(1) | Autoregressive | 时间序列，相邻测量相关性更强 |
| 非结构化 | Unstructured | 不对相关结构做假设，参数最多 |
| M相关 | M-dependent | 只有相距≤M时间点的测量相关 |
QIC准则（用于模型比较）
QIC（Quasi-likelihood under the Independence model Criterion）是GEE的模型选择指标，类似AIC：
- QIC越小，模型拟合越好
- 用于在不同工作相关结构或不同自变量组合间选模
- QICu变体用于选择协变量（固定相关结构，比较不同变量集）
三、APA 7th格式规范：GEE报告必须包含的要素
必报要素清单
| 要素 | 格式要求 | 示例 |
|---|---|---|
| 聚类信息 | 簇数N_cluster、平均每簇观测数 | 共152个患者，平均随访4.3次 |
| 工作相关结构 | 明确类型 + 选用依据（QIC/理论） | 可交换相关结构，QIC = 423.7 |
| β系数 | 两位小数，含SE或95%CI | β = 0.47，SE = 0.12 |
| Wald χ²（含df） | χ²(df) = X.XX | χ²(1) = 15.32 |
| p值 | 三位小数，不加前导零 | p < .001 |
| 标准误类型 | 说明是稳健SE还是模型SE | 采用三明治稳健标准误 |
| 二分类结局额外报告 | OR = exp(β)，含95%CI | OR = 1.60，95% CI [1.24, 2.07] |
p值精度要求
与其他APA检验相同：
- 精确到三位小数：p = .032
- 不加前导零：p = .032（不写p = 0.032）
- p = .000改为p < .001
四、各场景完整APA报告模板
场景一：连续型因变量GEE（Identity link，纵向设计）
情形：152名慢性病患者，4个时间点测量血压（连续变量），评估治疗干预效果。
方法章节描述模板：
采用广义估计方程（GEE）分析治疗方案对血压的纵向效应。
GEE以患者为聚类单元（N = 152），使用恒等连接函数（Identity link），
工作相关结构设定为可交换结构（Exchangeable），
由QIC准则确认（QIC_exchangeable = 423.7 < QIC_independent = 498.2）。
所有标准误均采用三明治稳健标准误（empirical SE）估计。
统计显著性水平设为α = .05，统计分析使用ChatSRS（R引擎，geepack包）。
结果段落模板：
GEE分析结果显示（见表X），在控制[协变量]后，
[自变量]对[因变量]具有显著[正向/负向]影响，
β = X.XX，SE = X.XX，χ²(1) = X.XX，p [= .XXX / < .001]，
95% CI [X.XX, X.XX]。
时间效应显著，β = X.XX，SE = X.XX，χ²(1) = X.XX，p [值]，
表明[因变量]随时间呈[上升/下降]趋势。
[不显著变量]的主效应未达统计显著，
β = X.XX，SE = X.XX，χ²(1) = X.XX，p = .XXX。
填入数值的示例：
GEE分析结果显示，在控制年龄和基线血压后，治疗方案对收缩压具有显著降低效应，β = −8.43，SE = 1.72，χ²(1) = 24.02，p < .001，95% CI [−11.80，−5.06]。时间效应显著，β = −2.14，SE = 0.63，χ²(1) = 11.52，p < .001，表明收缩压随随访时间呈线性下降趋势（每时间点降低2.14 mmHg）。治疗方案×时间交互效应未达显著，β = −0.87，SE = 0.91，χ²(1) = 0.91，p = .340，两组收缩压的时间变化率无统计学差异。工作相关结构采用可交换结构（rho = 0.62，95% CI [0.51，0.71]），QIC = 423.7。
场景二：二分类结局GEE（Logit link，报告OR）
情形：320名学生嵌套于40所学校（聚类），结局为是否通过考试（0/1），评估教学方法效果。
结果段落模板：
以学校为聚类单元（N_cluster = 40，平均每簇8.0名学生），
采用Logit连接函数的GEE分析教学方法对考试通过率的边际效应，
工作相关结构为可交换结构（QIC = 312.4）。
[自变量]对考试通过率的效应显著，
β = X.XX，SE = X.XX，χ²(1) = X.XX，p [值]，
OR = X.XX，95% CI [X.XX, X.XX]，
表明[自变量]每增加一单位/与参照组相比，考试通过的比值比增加/降低XX%。
填入数值的示例：
以学校为聚类单元（N = 40个学校，平均每校8.0名学生），采用Logit连接函数的GEE分析教学方法对考试通过率的边际效应，工作相关结构为可交换结构（rho = 0.38，QIC = 312.4）。结果显示，项目式教学对比传统讲授的效应显著，β = 0.74，SE = 0.19，χ²(1) = 15.32，p < .001，OR = 2.10，95% CI [1.45，3.04]，表明接受项目式教学的学生考试通过的比值是传统讲授学生的2.10倍。性别（β = 0.21，SE = 0.18，χ²(1) = 1.39，p = .239）的主效应未达显著。整体模型显著，χ²(2) = 28.74，p < .001。
场景三：工作相关结构比较与QIC选模
当比较多种工作相关结构时，以表格形式呈现QIC：
表格模板（APA三线表格式）：
表X 不同工作相关结构下的GEE模型QIC比较
相关结构 相关参数估计 QIC QICu
----------------------------------------------------------------
独立 — 498.2 487.3
可交换 rho = 0.62 423.7* 412.1*
AR(1) rho = 0.58 431.6 419.8
非结构化 矩阵估计 448.3 –
----------------------------------------------------------------
注. *表示最优模型（QIC最小）。QICu用于协变量选择，QIC用于相关结构选择。
文字描述：
通过QIC准则比较四种工作相关结构（独立、可交换、AR(1)、非结构化），可交换结构的QIC值最小（QIC = 423.7），优于独立结构（QIC = 498.2）和AR(1)结构（QIC = 431.6），因此最终模型采用可交换工作相关矩阵。可交换相关结构假设同一患者任意两次随访间的相关程度相等（rho = 0.62），与本研究纵向数据的理论预期相符。
场景四：分类自变量（多水平）的联合Wald检验
当自变量为多水平分类变量时（如三种治疗方案），需报告联合Wald检验：
报告格式：
治疗方案（3个水平：对照/低剂量/高剂量）的联合效应显著，
χ²(2) = X.XX，p [值]（联合Wald检验）。
各水平与参照组（对照）的比较：
低剂量：β = X.XX，SE = X.XX，χ²(1) = X.XX，p [值]，OR = X.XX（95% CI [X.XX, X.XX]）
高剂量：β = X.XX，SE = X.XX，χ²(1) = X.XX，p [值]，OR = X.XX（95% CI [X.XX, X.XX]）
注意：分类变量联合Wald检验df = 水平数−1（参照类不计）。
五、在ChatSRS一句话获得规范GEE报告
打开 chatsrs.com，上传数据后输入：
"对重复测量的连续型结局变量做GEE分析，聚类单元为patient_id，自变量为treatment（分类：对照/干预）、time（连续）及其交互项，协变量为age和baseline，连接函数用Identity，先比较独立/可交换/AR(1)三种工作相关结构的QIC，选最优结构拟合最终模型；输出每个系数的β、稳健SE、Wald χ²（含df）、p值和95%CI，最终给出符合APA 7th格式的完整方法与结果段落。"
ChatSRS会自动完成QIC选模、输出系数表和APA段落，数值直接可复制进论文。
如需二分类结局（Logit link），在指令中注明"结局为0/1的二分类变量，输出OR和95%CI"，ChatSRS自动切换连接函数并换算比值比。
六、方法章节标准描述
标准模板（连续型结局，纵向设计）
采用广义估计方程（Generalized Estimating Equations，GEE）
分析[自变量]对[因变量]的纵向效应。
GEE以[聚类单元，如患者/学校]为聚类单元（N_cluster = XX），
使用恒等连接函数（Identity link），
工作相关结构依据QIC准则确定为[可交换/AR(1)/其他]结构（QIC = XX.X）。
所有标准误均采用三明治稳健标准误（empirical SE）估计，
以保证在工作相关结构误设时系数估计的一致性。
统计显著性水平设为α = .05，统计分析使用ChatSRS（R引擎，geepack包）。
标准模板（二分类结局，聚类设计）
采用Logit连接函数的广义估计方程（GEE-Logit）
估计[自变量]对[二分类结局]的总体边际效应（population-averaged effect），
以[学校/医院/家庭]为聚类单元（N_cluster = XX，平均每簇XX名个体）。
结果以比值比（OR）及其95%置信区间报告。
工作相关结构通过QIC准则选定为[类型]，
标准误采用三明治稳健标准误估计。
七、GEE报告常见错误对照表
| 常见错误 | 正确写法 | 违反的规则 |
|---|---|---|
| 不写工作相关结构类型 | 明确说明Exchangeable/AR(1)/Independence等 | GEE方法的核心设定必须报告 |
| Wald χ²不写df：χ² = 15.32 | χ²(1) = 15.32 | df是推断信息的一部分 |
| 只报β不报SE或CI | β = 0.47，SE = 0.12 或 95% CI [0.24, 0.70] | 需提供推断精度信息 |
| 二分类结局只报β不报OR | OR = exp(β) = 1.60，95% CI [1.24, 2.07] | Logit链接下OR更易理解 |
| p = .000 | p < .001 | .000是舍入假值 |
| 未说明是稳健SE还是模型SE | 注明"采用三明治稳健标准误" | 影响推断的有效性声明 |
| 不报QIC或相关结构选用依据 | 给出QIC值并说明选模逻辑 | 审稿人需了解模型选择过程 |
| 忘写聚类单元数和每簇观测数 | "N = 152名患者，平均每人随访4.3次" | 聚类信息影响结果解读 |
| 多水平分类变量只报部分水平 | 先报联合Wald χ²(df = k-1)，再逐水平报告 | 缺少整体效应显著性依据 |
常见FAQ
Q：GEE和线性混合效应模型（LMM）都能处理重复测量数据，该选哪个？
A：两者的估计目标不同。GEE是边际模型（marginal model），估计的是总体平均效应，回答"在研究总体中，该自变量的平均效果是多少"；LMM是条件模型（conditional model），估计的是在控制个体随机效应后的效应，回答"对于某个特定个体，该自变量的效果是多少"。如果研究目标是政策或公共卫生领域的群体效应（如"这种教学方法对学生群体平均成绩的影响"），GEE更合适；如果需要描述个体间变异或预测具体个体的轨迹，LMM更合适。方法章节应明确说明选用GEE的理由。
Q：工作相关结构设错了会怎样？β估计还可信吗？
A：GEE最重要的优良特性就是对工作相关结构的误设稳健性。只要均值模型（自变量组合及连接函数）设定正确，即使工作相关结构设错，β系数的估计仍然是渐进一致的（consistent）——前提是使用三明治稳健标准误（empirical SE）。但要注意：相关结构越接近真实结构，估计效率（precision）越高，SE越小；设错只影响效率，不影响一致性。这就是为什么方法章节要说明使用了稳健SE。
Q：QIC和AIC有什么区别？GEE能用AIC吗？
A：GEE使用的是拟似然（quasi-likelihood），严格来说没有完整的似然函数，因此不能直接计算AIC或BIC。QIC（Pan，2001）是专为GEE设计的模型比较准则，其思路类似AIC：QIC越小模型越好，同时惩罚参数过多。实践中有两个变体：QIC用于选择工作相关结构（固定协变量，比较不同相关结构）；QICu用于协变量选择（固定相关结构，比较不同自变量集合）。两者均应在方法章节说明。
Q：GEE的Wald χ²和似然比检验（LRT）哪个更好？
A：GEE因为使用拟似然，不能进行似然比检验（LRT需要完整的对数似然值）。GEE的假设检验只有Wald检验（对单个系数用z/χ²，对多个系数用联合Wald χ²）。这是GEE框架的固有限制，不是使用错误。方法章节无需特别说明，按Wald χ²格式报告即可。如果需要检验多个系数的联合效应（如检验某分类变量所有哑变量是否整体显著），使用联合Wald χ²（df = 参数个数），在APA报告中写为χ²(df) = X.XX。
Q：GEE表格怎么呈现最符合APA 7th？
A：APA 7th推荐回归系数表使用三线表，GEE系数表的标准列应包含：变量名、β（非标准化系数）、SE（稳健标准误）、95% CI下限、95% CI上限、Wald χ²（df）、p值；二分类结局还应加OR列。表注说明连接函数、工作相关结构、rho估计值和QIC。示例表头：
变量 β SE 95% CI下 95% CI上 χ²(df) p
快速参考：GEE报告格式速查卡
[单个连续变量，df=1]
β = X.XX, SE = X.XX, χ²(1) = X.XX, p [= .XXX / < .001], 95% CI [X.XX, X.XX]
[二分类结局，额外报告OR]
β = X.XX, SE = X.XX, χ²(1) = X.XX, p [值], OR = X.XX, 95% CI [X.XX, X.XX]
[k水平分类变量，联合Wald检验]
联合效应: χ²(k-1) = X.XX, p [值]
各水平vs参照: β = X.XX, SE = X.XX, χ²(1) = X.XX, p [值]
[工作相关结构说明]
工作相关结构: 可交换（Exchangeable）, rho = X.XX, QIC = X.XX
[方法章节三要素]
1. 连接函数（Identity/Logit/Log）
2. 工作相关结构类型 + QIC依据
3. 三明治稳健标准误
[注意事项]
- β保留两位小数, SE和CI下限/上限保留两位小数
- p值三位小数，不加前导零，p = .000改为p < .001
- 分类变量先报联合Wald χ²(df=k-1)，再逐水平报告系数
- 必须报告聚类单元数（N_cluster）和平均每簇观测数
相关阅读
- F值的APA 7th报告写法 — F(df1,df2)格式、效应量eta平方、报告模板全解
- Kruskal-Wallis检验的APA报告怎么写？H值、事后Dunn比较格式全解
- 重复测量ANOVA的APA报告怎么写？
本文首发于ChatSRS官方博客。如有问题或反馈，欢迎在ChatSRS站内 [用户中心 -> 帮助与反馈] 联系我们。