表76 SPSS翰出的例1模型的整体检验结果——简略模型 Goodness-of-Fit test statistics Likelihood Ratio Chi Square 0.28400 P=.001 Pearson Chi square 10.25762DF=1 P=,001 由于例1简略模型是从饱和模型中去掉一个交互项形成的,便会使简略模型 整体检验的自由度变成1。正如前面已经分析过的,这一交互项的自由度等于1 (即只要其四个参数中已知一个,其他参数都可以计算出来)。并且,简化模型的 L2从0增加到10.284,显著水平a为0.001(在SPSS输出中标注为P)。这 检验结果说明简略模型与饱和模型之间存在十分显著的差别,或者说简略模型的 拟合程度太差。而其原因就在于简略模型简略掉的交互项对于估计频数的作用很 大,不考虑这一交互影响就会严重地损失拟合程度 在一个效应项很多的复杂饱和模型中有可能删减多个效应项来形成简略模 在实际研究中,当研究者删除一些预计为不重要的效应项时,实际上期望简 略模型的统计检验不显著(即α>0.05),因为删除这些项目以后的简略模型仍 然能够很好地解释实际观测情况,意味着简约性的取得。而当研究者在模型测试 中撤消的是其所感兴趣的效应项时,则期望整体统计检验显著(即α≤0.05), 标志着简化模型与饱和模型有显著差异,即精简的效应项有很重要的影响作用 但是,在精简多个效应项时整体检验显著只是说明撤消的效应项中起码有一项是 有显著作用的,并不能说明哪一项显著。所以,整体检验在实际对数线性模型分 析中,主要服务于整个检验模型的检验情况,而确定各项效应时则是通过单项效 应的检验。对于一个多阶多项效应的复杂模型,釆用整体检验方式精简模型,就 意味着逐项效应的删除测试,那分析过程的效率就太低了。这时,分层检验分析 更为高效。 (2)分层效应检验 例1模型是最简单的对数线性模型。但是,在实际研究中一般涉及的因素较 多,因此不仅主效应项会增加,并且交互项增加得更快。比如,一个涉及四个因 素的模型(如后面的例2)中,除了4个主效应外,还有二阶交互效应6项、 阶交互效应4项、四阶交互效应1项。从这么多的效应中通过一项一项检验筛选 出重要的项目来,就太繁琐了。并且,在一般情况下,高阶交互效应不太容易显 著。所以,在对数线性模型分析中釆用按阶次集体检验交互效应项的方法来精简 不重要的效应,是十分简捷有效的。 228