方差分析和混合线性模型在重复测量数据中的应用探讨

[目的]通过混合效应线性模型与重复测量的方差分析在重复测量资料中的应用比较,说明两种方法右处理重复测量资料时的特点.[方法]对四川大学华西医院精神科就诊的139名患者进行随访调查研究,对调查表中的抑郁量袭分数分别运用重复测量的方差分析模型和混合线性模型处理.[结果]混合效应模型和重复测量的方差分析都是处理重复测量资科的重要的统计方法,前者在选择协方差结构下可对重复测量资料的固定效应和随机效应参数及协方差矩阵进行参数估计和统计检验,后者只能对重复测量资料的固定效应做出统计推断.[结论]混合效应模型在处理临床中的重复测量的资料比重复测量的方差分析,对资料的要求更宽松,所得的结果更加客观.     

混合模型在临床试验重复测量资料中的应用

目的探讨临床试验重复测量资料的统计分析方法。方法通过实例说明并比较各种固定效应模型和混合模型的优缺点。结果临床试验研究资料常为重复测量资料,比较各处理组的测量值差别是否有显著性,可以采用传统的统计方法如t检验、方差分析和协方差分析等;也可以采用混合模型对整个研究过程中所有时点的测量值进行分析。结论由于在重复测量资料中,同一受试者的不同观测值之间具有相关性特点,故对其指定协方差结构尤其重要。Mixed过程提供了丰富的协方差结构,可以充分利用重复测量资料的信息,又能处理缺失值,是重复测量资料最优的统计分析方法。     

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。     

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。     

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。     

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.     

脱落率加权调整在医学重复测量资料敏感性分析中的应用及其SAS程序实现

目的 探讨脱落率加权调整在医学重复测量资料敏感性分析中的应用和SAS实现过程。方法 运用SAS 9.4软件编写SAS程序,采用重复测量混合效应模型对多变量重复测量资料进行协方差分析;同时,分别引入试验总体脱落率和各组脱落率,构建基于脱落率加权调整的模式混合模型进行敏感性分析。结果 重复测量资料安慰剂组、低剂量组和高剂量组的脱落率分别为8.77%、11.79%和16.15%,各组脱落率之间的差异有统计学意义（P=0.025）;混合效应模型结果显示,试验高、低剂量组与安慰剂组疗效指标较基线改变量之间的差异均有统计学意义（P=0.008和P=0.002）;使用试验各组脱落率进行加权调整的模式混合模型敏感性分析结果与重复测量混合效应模型结果一致。结论 基于脱落率加权调整的模式混合模型可应用于医学重复测量资料敏感性分析中;SAS程序编写可为脱落率加权调整在医学重复测量资料敏感性分析中的推广应用提供实践依据。     

重复测量诊断试验的ROC曲线广义线性混合效应模型北大核心CSCD

目的针对重复测量诊断数据,为同时考虑协变量对诊断试验准确性评价的影响,度量重复测量数据间的相关性,本文探索新的ROC曲线的建模方法。方法通过广义线性混合效应模型对ROC曲线进行模拟,并采用贝叶斯参数估计方法,利用Win BUGS软件予以实现,进而计算不同协变量取值下的ROC曲线下面积(AUC)以对诊断试验结果进行评价。结果实例数据分析结果表明,基于广义线性混合效应模型的ROC曲线建模方法可以有效地刻画重复测量诊断试验数据,给出更有解释意义的回归参数,提供临床分析的参考依据。结论基于广义线性混合效应的ROC曲线模型在解决重复测量诊断试验的准确度评价问题起着至关重要的作用。     

重复测量资料非线性混合效应模型应用与实现

目的探讨重复测量资料非线性分析技术、SAS软件NLMIXED过程及在群体药动学的应用.方法结合重复测量数据特点,采用最大似然原理进行参数估计,建立非线性混合效应参数模型.结果该模型不仅考虑了个体内和个体间变异,而且也考虑了参数间的非线性,允许固定效应和随机效应进入模型的非线性部分;可方便地分析随机缺失等非均衡数据;有助于引入其他解释变量时最佳模型的选择,更客观地解释其对代谢过程的影响.结论当重复测量资料不满足线性条件时,使用非线性混合效应模型能更客观地反映原数据特征,挖掘资料蕴藏的信息,弥补线性理论分析非线性重复测量资料之不足.     

重复测量诊断试验的ROC曲线广义线性混合效应模型

目的针对重复测量诊断数据,为同时考虑协变量对诊断试验准确性评价的影响,度量重复测量数据间的相关性,本文探索新的ROC曲线的建模方法。方法通过广义线性混合效应模型对ROC曲线进行模拟,并采用贝叶斯参数估计方法,利用Win BUGS软件予以实现,进而计算不同协变量取值下的ROC曲线下面积(AUC)以对诊断试验结果进行评价。结果实例数据分析结果表明,基于广义线性混合效应模型的ROC曲线建模方法可以有效地刻画重复测量诊断试验数据,给出更有解释意义的回归参数,提供临床分析的参考依据。结论基于广义线性混合效应的ROC曲线模型在解决重复测量诊断试验的准确度评价问题起着至关重要的作用。     

广义线性混合效应模型及其应用

[目的]探讨广义线性混合效应模型在医学研究领域中的作用。[方法]通过实例分析说明模型的实际应用。[结果]将实例中的多中心临床实验数据中不能直观观测到的中心的效应以随机应项纳入型来解决由于来自同一中心可能造成的观测间不独立的问题，模型很好地处理了此类数据。[结论]广义线性混合效应模型可以分析观测间相关、因变量为非正态分布的非独立数据。     

Model comparison of generalized linear mixed models

Generalized linear mixed models (GLMMs) have been widely appreciated in biological and medical research. Maximum likelihood estimation has received a great deal of attention. Comparatively, not much has been done on model comparison or hypotheses testing. In this article, we propose a path sampling procedure to compute the observed-data log-likelihood function, so that the Bayesian information criterion (BIC) can be applied to model comparison or hypothesis testing. Advantages of the proposed path sampling procedure are discussed. Two medical data sets are analysed for providing illustrative examples of the proposed methodology.     

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。     

Statistical tests with accurate size and power for balanced linear mixed models

The convenience of linear mixed models for Gaussian data has led to their widespread use. Unfortunately, standard mixed model tests often have greatly inflated test size in small samples. Many applications with correlated outcomes in medical imaging and other fields have simple properties which do not require the generality of a mixed model. Alternately, stating the special cases as a general linear multivariate model allows analysing them with either the univariate or multivariate approach to repeated measures (UNIREP, MULTIREP). Even in small samples, an appropriate UNIREP or MULTIREP test always controls test size and has a good power approximation, in sharp contrast to mixed model tests. Hence, mixed model tests should never be used when one of the UNIREP tests (uncorrected, Huynh-Feldt, Geisser-Greenhouse, Box conservative) or MULTIREP tests (Wilks, Hotelling-Lawley, Roy's, Pillai-Bartlett) apply. Convenient methods give exact power for the uncorrected and Box conservative tests. Simulations demonstrate that new power approximations for all four UNIREP tests eliminate most inaccuracy in existing methods. In turn, free software implements the approximations to give a better choice of sample size. Two repeated measures power analyses illustrate the methods. The examples highlight the advantages of examining the entire response surface of power as a function of sample size, mean differences, and variability.     

样本选择模型的似然估计与两步估计

[目的]介绍样本选择模型及其估计方法。[方法]应用样本选择模型对模拟数据进行分析,并与传统线性回归模型进行比较。[结果]对于特定条件下的缺失数据,样本选择模型比传统的线性回归模型更合理,并可以提高模型参数估计的效率。[结论]样本选择模型在医学研究中拥有广泛的应用前景。     

An R2 statistic for fixed effects in the linear mixed model

Statisticians most often use the linear mixed model to analyze Gaussian longitudinal data. The value and familiarity of the R(2) statistic in the linear univariate model naturally creates great interest in extending it to the linear mixed model. We define and describe how to compute a model R(2) statistic for the linear mixed model by using only a single model. The proposed R(2) statistic measures multivariate association between the repeated outcomes and the fixed effects in the linear mixed model. The R(2) statistic arises as a 1-1 function of an appropriate F statistic for testing all fixed effects (except typically the intercept) in a full model. The statistic compares the full model with a null model with all fixed effects deleted (except typically the intercept) while retaining exactly the same covariance structure. Furthermore, the R(2) statistic leads immediately to a natural definition of a partial R(2) statistic. A mixed model in which ethnicity gives a very small p-value as a longitudinal predictor of blood pressure (BP) compellingly illustrates the value of the statistic. In sharp contrast to the extreme p-value, a very small R(2) , a measure of statistical and scientific importance, indicates that ethnicity has an almost negligible association with the repeated BP outcomes for the study.     

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.     

Extended information criterion (EIC) approach for linear mixed effects models under restricted maximum likelihood (REML) estimation

In clinical data analysis, the restricted maximum likelihood (REML) method has been commonly used for estimating variance components in the linear mixed effects model. Under the REML estimation, however, it is not straightforward to compare several linear mixed effects models with different mean and covariance structures. In particular, few approaches have been proposed for the comparison of linear mixed effects models with different mean structures under the REML estimation. We propose an approach using extended information criterion (EIC), which is a bootstrap-based extension of AIC, for comparing linear mixed effects models with different mean and covariance structures under the REML estimation. We present simulation studies and applications to two actual clinical data sets.     

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。