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。     

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。     

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。     

非独立多分类数据的统计分析方法及SAS程序

目的采用广义估计方程、广义线性混合模型、非线性混合模型分析非独立分类数据。方法以眼科临床试验资料为实例,采用SAS9.2软件中GENMOD、GLIMMIX、NLMIXED过程拟合广义估计方程、线性混合效应模型、非线性混合效应模型。结果广义估计方程将非独立观测间的协方差结构处理为多余参数,模型中不能容纳随机效应;广义线性混合模型可以拟合多个随机效应,但不能对其提供统计学检验;非线性混合效应模型中因变量的分布形式可以自己指定,可以提供真实的似然函数及随机效应的统计学检验结果。3种分析方法的统计分析结论一致。结论 3种分析方法都是分析非独立分类数据的有力工具,研究者根据数据的特征及研究目的选择合适的方法对资料进行分析。     

广义线性混合模型在煤工尘肺发病影响因素研究中的应用

目的研究广义线性混合模型在煤工尘肺发病影响因素的应用,为煤工尘肺及类似疾病的发病影响因素研究提供新的方法。方法收集煤矿集团所属8个煤矿所有接尘矿工的资料,用SAS进行卡方检验、Logistic回归进行尘肺发病影响因素研究,并与SAS nlmixed模块实现的广义混合现行模型结果进行比较。结果单因素分析、Logistic回归和广义线性混合模型显示:工龄、接尘时间和工种均为尘肺发病的影响因素,工作地点作为随机效应结果差异无统计学意义。结论广义线性混合模型因考虑了不同工人工作地点的不同和随机效应,结果虽然和其他方法一致,但是更有说服力,与其他方法相比是研究尘肺发病影响因素较好的方法。     

带时依协变量的重复测量资料的混合线性模型分析及其MIXED过程实现

目的 探讨混合线性模型在带有时依协变量的重复测量资料分析中的应用.方法 以治疗轻、中度原发性高血压病临床试验资料为例,考虑到给药方案在各个时间点随病情而变化,利用SAS中的MIXED过程,选择合适的协方差结构来实现带有时依协变量的重复测量资料的统计分析.结果 时依协变量(给药方案)对治疗轻、中度原发性高血压病有统计学意义(P＜0.05);时间因素有统计学意义(P＜0.05);给药方案与时间因素之间有交互效应(P＜0.05)、给药方案与处理因素之间有交互效应(P＜0.05).结论 采用混合线性模型对带有时依协变量的临床试验重复测量资料进行统计分析,可以更客观地进行药物疗效评价.     

混合线性模型在婴幼儿生长发育研究中的应用

目的应用混合线性模型,分析婴幼儿生长发育轨迹的影响因素,建立生长发育轨迹的预测模型。方法采用SAS软件MIXED过程分析456例足月健康新生儿的生长发育资料,建立基于混合线性模型的0~12月龄婴儿体重生长轨迹预测模型。结果 0~12月龄婴儿体重发育轨迹主要受出生体重、性别、喂养方式、母亲文化程度、家庭经济状况的影响。拟合的混合线性模型不仅考虑了个体内和个体间变异,还可方便地加入个体效应与其他因素的交互项,更客观地解释各因素对婴儿生长发育的影响。结论混合线性模型是研究婴幼儿生长发育规律的一种有效、实用的方法。     

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。     

三水平线性回归模型软件实现及实例应用

目的：通过对具有层次结构的实例数据进行分析,给出重复测量和非重复测量数据三水平线性回归模型在 SPSS 和 SAS 中的实现方法。方法以持续近距离工作对幼年恒河猴眼球发育影响研究的实验数据为例,阐述三水平线性回归模型的应用条件及软件实现方法。结果如果三水平零模型中水平2和水平3的随机项方差有统计学意义,则说明有必要采用三水平线性回归分析方法。结论基于专业知识判断资料是否有层次结构并结合高水平随机项方差的假设检验,判断是否有必要考虑高水平随机效应。 SPSS MIXED 模块可实现三水平线性回归模型,相对容易操作;SAS中可以用 PROC MIXED 实现,需注意正确指定高水平单位。 SPSS 和 SAS 软件计算结果相同,但是对统计量的自由度调整方法略有差异。     

有序多分类重复测量资料的广义线性混合效应模型分析

目的 探讨广义线性混合效应模型在有序多分类重复测量资料分析中的应用及SAS9.1的GLIMMIX和NLMIXED过程实现.方法 为了评价某新药治疗糖尿病神经病变的临床疗效,采用以安慰剂为对照的随机双盲临床试验.在各个随访时间记录各受试者的神经病变主觉症状总分,并根据减分率评定疗效.建立广义线性混合效应模型,并分别用线性化法和数值法积分近似法进行参数估计,利用SAS中的GLIMMIX和NLMIXED过程得以实现.结果 2种参数估计方法 结果 很接近.疗效的组间差别有统计学意义（P〈0.000 1）,试验组疗效优于安慰剂组;各个疗程间的疗效差别有统计学意义（P〈0.000 1）,且疗程越大疗效越好; 治疗前神经病变主觉症状总分对疗效有影响（P=0.061 3,接近显著性水平）,其值越高,越容易治愈,提示病情严重的患者相比病情轻微的患者治愈效果更好.另外用数值法积分近似法还给出了随机截距和随机斜率的统计显著性检验.结论 采用广义线性混合效应模型对有序多分类重复测量临床资料进行统计分析,可以更客观的进行药物疗效评价.     

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。     

广义线性混合效应模型在分类重复测量资料中的应用

目的探讨分类重复测量资料广义线性混合效应模型(GLMMs)建模及SAS8.0的GLIMMIX宏实现。方法利用GLIMMIX宏ERROR和LINK语句来指示反应变量的分布及连接函数,通过REPEATED和RANDOM语句的TYPE选项选择合适的方差-协方差结构矩阵来模拟数据的相关性,采用基于线性的伪似然函数进行模型参数估计。结果GLMMs是在广义线性固定效应模型的基础上引入随机效应,反应变量可以是指数家族中任意分布(连续分布包括正态分布,beta分布,卡方分布等;离散分布包括二项分布,泊松分布,负二项分布等),可以通过连接函数将观测的均数向量与模型参数联系起来,根据重复测量资料的特点选择合适的方差-协方差结构矩阵。结论GLMMs应用范围广,建模灵活,可以为相关或非常量方差数据建模,能提供客观正确的统计结论。     

交叉设计资料的混合效应模型分析

目的 放宽交叉设计方差分析对残留效应假定和探讨交叉设计混合效应分析模型。方法 建立三个模型以适应残留效应的不同假定，即残留效应为零、相等或不等，通过构造对数似然函数以及利用Fisher记分迭代算法可求得卢和口的极大似然估计与限制极大似然估计。结果 用SAS程序实现了交叉设计混合效应模型分析，得到了有关参数的估计值和直接处理效应的比较结果，实例分析表明，混合效应模型能够提供更多的有效信息。结论 混合效应模型较一般方差分析有更强的适应性，可完善和丰富交叉设计资料的分析方法。     

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。