重复测量数据的混合模型及其MIXED过程实现—混合线性模型及其SAS软件实现（二）

目的：重复测量数据存在自相关及随机误差分布于不同层次,不宜使用常规分析方法,本文研讨使用混合线性模型及SAS软件实现的分析方法;方法：利用MIXED对多个处理组的重复测量数据进行混合模型分析。结果：通过固定效应与随机效应及对协方差矩阵的估计,使重复测量数据得以合理的分析。结论：MIXED可以有效地,全面地分析重复测量数据。     

二分类反应变量多水平模型及其软件实现

目的本文针对反应变量是二分类、且存在层次结构的数据,给出多水平模型的建模步骤及在软件SPSS、SAS中的实现方法指引,为医学研究者处理这类数据提供参考。方法以卫生服务调查数据为例说明二分类反应变量两水平logistic回归模型的拟合步骤及软件实现。结果如果两水平零模型的随机系数σ检验具有统计学意义,则有必要拟合多水平模型。结论结合专业知识或对σ进行检验判断有无必要考虑高水平效应。SPSS中实现要求19.0及以上版本,操作相对简单,适合初步使用者;SAS中实现建议使用Nlmixed过程语句,利用Glimmix过程语句拟合模型的参数估计结果,为其设定相应参数初始值提供依据。     

双反应变量重复测量资料分析及MIXED过程实现

目的探讨双反应变量重复测量资料的分析原理与方法及SAS软件PROCMIXED过程的应用。方法结合双反应变量重复测量数据的特点,采用SAS软件的MIXED过程对其进行分析,建立线性混合效应模型。结果该模型不仅考虑了每个变量多次重复测量结果之间的相关性,也考虑了两个变量之间的相关性,同时还引入固定效应和随机效应,结合数据特征分析,结果更为可信。结论对双反应变量非独立重复测量资料,可以把数据之间的相关性分解为重复测量间相关性和变量间相关性两部分,采用MIXED过程不仅可对其相关性做出明晰深入的分析,且可保证数据分析结果解释更符合实际。     

两水平方差成分模型与线性回归模型关系的探讨

目的 探讨对于具有两个水平层次结构的数据拟合方差成份模型与线性回归模型的关系。方法 通过三类传统线性回归模型与两水平方差成份模型参数估计的对比分析其内在联系,结果 线性回归模型参数的估计以及估计的稳定性与自变量在水平２单位间和水平２单位内的变异大小有关,线性回归模型与方差成分模型参数估计及其稳定性的关系与水平２残差方差或单位内相关系数大小有关。结论 当数据具有层次结构特征时,三类线性回归模型均存在     

一般混合线性模型SAS的MIXED过程实现——混合线性模型及其SAS软件实现（一）

目的 系统结构数据在医学领域广泛存在,其统计分析方法各异,可统称之为混合模型。本文研讨其实现方法。方法 以多水平模型例证一般混合线性模型的SAS MIXED实现过程。结果 以JSP数据为实例显示SAS的拟合结果与MLn相一致。结论 SAS MIXED可灵活地拟合包括多水平模型的各类混合模型。     

混合线性模型的应用

目的介绍混合线性模型的结构，固定效应项和随机效应的含义。对具有内部相关性的资料．宣选用混合线性模型进行配合。方法用一个具有聚集性结构的例子和一个重复测量的例子说明配合混合线性模型的方法和步骤。结果分析了资料的层次结构，识别不同层次上的协变量，讨论了模型中固定效应矩阵和随机效应矩阵的结构，使模型参数估计值更易于理解和解释。由于混合线性模型克服了一般线性模型对反应变量必须具有独立和等方差的要求，从而扩大了线性模型的应用范围。对于具有聚集性质的资料及重复测量资料具有很好的拟合效果。结论这一模型计算较复杂，应用SAS／STAT软件包中的PROMIXED过程能很好地解决计算问题。     

混合线性模型在军事训练重复测量资料中的应用

目的探讨混合线性模型在有关军事训练重复测量资料分析中的价值。方法采用SAS软件中的MIXED过程对部队士兵进行100m跑前后各时间点采集的心率、血氧饱和度进行分析。结果混合线性模型对数据的完整性、反应变量的独立性和方差齐性不作要求，从而扩大了线性模型的适用范围，而且能得到个体化的分析结果，大大提高了现有资料的利用效率。结论混合线性模型能对军事训练中获取的重复测量资料准确、全面地进行分析，为部队改进训练方法、增强战斗力服务，因此，具有很高的应用价值。     

混合效应模型在系统分组资料中的应用及SAS实现

目的 探讨系统分组资料的混合效应模型的建模及SAS程序实现.方法 以系统分组资料例证混合效应模型的SAS MIXED 实现过程,并与传统的广义线性模型结果作比较.结果 该实例显示SAS混合效应模型结果与广义线性结果一致.结论 SAS MIXED可以灵活地拟合和分析系统分组资料.     

有序分类重复测量数据的多水平模型分析

目的：探讨多水平模型理论在有序分类重复测量数据具有非独立性或误差分布于多个层次时的应用。方法：阐述了多水平模型的构造方法，及模型估计的实现，结果：对有序分类重复测量数据实例拟合方差成分模型及随机系数模型，并得到合理的解释。结论：采用多水平模型分析有序分类的重复测量数据。效果较好，建议采用RIGLS计算，参数估计采用PQL估计。     

析因设计重复测量资料的统计分析及SAS程序实例

目的探讨析因设计重复测量资料的统计分析方法。方法通过构造统计模型,并结合实例给出SAS程序来实现析因设计重复测量资料的统计分析。结果给出了一般线性模型和混合线性模型对处理因素和时间因素进行比较的具体做法。结论在数据之间相关性较为复杂时,混合线性模型更加适合于析因设计的重复测量资料的统计分析。     

配对四格表资料χ2检验在 SPSS 和 SAS 软件中的实现

目的：通过实例来介绍配对四格表资料的卡方检验在SPSS和SAS统计分析软件中如何操作,输出结果的区别及正确的解读,为临床及相关科研人员提供可以借鉴的方法。方法使用SPSS和SAS统计软件,对配对四格表资料的卡方检验进行操作和分析。结果本文以两种方法诊断肺癌的检测结果为例题,根据基本公式算得统计量χ2＝4．92,P＜0．05,得出两种诊断方法的诊断结果存在差异。在SPSS软件的分析结果中只有P值,SAS软件的分析结果可以给出统计量和P的确切值,但统计量χ2＝6．23,与基本公式计算的结果不同,经过自编程序运行后,我们得到了与基本公式相同的结果。结论 SPSS和SAS统计软件是医学统计学数据分析的常用教学软件,本文通过实例详解,得出在结果的输出方面两种软件有很大区别,但这并不影响我们得出相同的统计结论。 SPSS软件操作简便,SAS软件编程比较麻烦,以及SAS软件在处理此类资料上存在默认不校正的问题,因此,在实际应用中,我们可以根据情况自行选择。     

实现logistic与Cox回归相乘相加交互作用的临床实践宏程序

病例对照研究常采用条件或非条件logistic分析,生存资料分析常采用Cox比例模型,但多数文献仅纳入主效应模型,然而广义线性模型不同于一般线性模型,其交互作用分为相乘交互与相加交互作用,前者只有统计学意义而后者更符合生物学意义。笔者以SAS 9.4软件编写宏,在计算logistic与Cox相乘交互项同时计算交互对比度、归因比、交互作用指数指标及利用Wald、Delta、PL(profile likelihood) 3种方法的可信区间评价相加交互作用,便于临床流行病学与遗传学大数据分析相乘相加交互作用时参考。     

随机系数发展模型与协方差模式模型在纵向数据分析中的应用及R实现

目的 应用随机系数发展模型与协方差模式模型分析社区卫生服务中心纵向数据,探讨纵向数据分析的问题,为社区随访数据处理提供科学方法.方法 使用R软件对社区卫生服务中心糖尿病重复测量数据分别拟合随机系数发展模型,协方差模式模型以及传统线性回归模型,并比较3种模型的分析结果.结果 随机系数发展模型和协方差模式模型的分析结果与传统线性回归模型不同,2模型较传统线性回归更多的考虑了数据的变异来源.随机系数发展模型与协方差模式模型变量的估计系数结果相近,2者在固定效应的估计上区别往往不是很大,2模型相比,信息标准统计相差也不大.随机系数发展模型倾向于解释组间随机效应,协方差模式模型更关注组内观测之间的联系.R软件nlme package相比于SAS proc mixed,其相应的结果比较与可视化的函数使用更为灵活方便,同时GLS函数提供更多的组内方差协方差模式以供选择.结论 随机系数发展模型与协方差模式模型都能较好的处理重复观测数据组内相关性的问题.2者处理组内相关性的出发点不同,如果强调组内观测之间的联系性,则选择协方差模式模型.相反,如果更关注组间的异质性,强调组间的随机效应,则选择随机系数发展模型.R软件nlme是比较完善的处理混合结构数据的分析包.     

连续变量诊断试验数据的ROC分析

目的 介绍一种连续诊断变量的ROC回归模型，以及在独立和相关结构下的参数估计方法，给出参数误差估计的Bootstrap方法。方法 应用SAS软件中的GENMOD过程和SAS语言编写的程序实现上述过程，并通过实例说明其应用效果。结果 利用ROC曲线方程，可以扣除协变量对诊断试验结果评价的影响，并能够计算出在不同协变量取值下的ROC曲线下面积，提供更为丰富和可靠的信息。结论 文中给出的ROC回归模型可以有效地用于连续变量诊断试验数据的ROC分析。     

离散型二分类数据的广义混合线性模型分析——混合线性模型及其SAS软件实现（三）

目的 离散型系统结构数据若忽略其误差多层次的存在,采用广义线性模型分析会导致不实的结果。本文探讨了广义混合线性模型理论及其实现过程。方法 利用SAAS宏程序GLIMMIX实现了logit及loglog混合模型的分析。结果 各项结果均与MLN的分析结果一致。且进一步拟合了数据的logit随机系数模型。结论 GLIMMIX可分析多种离攻型系统结构数据。但还应注意算法和数据的误差分布。才能使广义混合线性模型得以合理地应用。     

高血压健康危险因素的logistic回归和对数线性模型分析

目的 了解南通市居民高血压危险因素,以期为高血压的早期防治、制定干预措施提供科学依据.方法 采用多级分层随机抽样的方法,抽取南通市6个街道和6个乡镇15岁及以上常住5年以上的自然人群作为调查对象,共调查6 000人,获取有效问卷5 800份.采用SPSS18.0统计软件进行描述性分析、x2检验、logistic回归以及对数线性模型.结果 多元logistic回归与对数线性模型分析结果表明,影响高血压发生的主要危险因素为年龄、高血压家族史、体质指数(BMI)和饮酒.结论 年龄偏大、有高血压家族史、饮酒和高BMI是南通市高血压患病人群的危险因素.