Beispiel 2 für PROC NLMIXED

Dieses SAS^©-Skript ist das zweite Startbeispiel für die Verwendung von PROC NLMIXED. Es implementiert ein logistisch-normales Modell zur Analyse von Binomialdaten aus einer multizentrischen klinischen Studie, wie von Beitler und Landis (1985) beschrieben. Es demonstriert die Spezifikation von Parametern, festen und zufälligen Effekten sowie die Vorhersage der interklinischen Heterogenität.

Datenanalyse

Type : CREATION_INTERNE

Die Daten 'infection' werden direkt im SAS-Skript über einen DATALINES-Block erstellt. Sie enthalten die Variablen clinic, t, x und n, die Informationen aus einer klinischen Studie darstellen.

1 Codeblock

DATA STEP Data

Erklärung :
Dieser DATA STEP-Block erstellt den Datensatz 'infection' unter Verwendung integrierter Rohdaten (DATALINES). Jede Zeile stellt eine Beobachtung mit den Variablen 'clinic' (Klinik-ID), 't' (Behandlung), 'x' (Anzahl der Erfolge) und 'n' (Gesamtzahl der Versuche) dar.

Kopiert!

1	DATA infection;
2	INPUT clinic t x n;
3	DATALINES;
4	1 1 11 36
5	1 0 10 37
6	2 1 16 20
7	2 0 22 32
8	3 1 14 19
9	3 0 7 19
10	4 1 2 16
11	4 0 1 17
12	5 1 6 17
13	5 0 0 12
14	6 1 1 11
15	6 0 0 10
16	7 1 1 5
17	7 0 1 9
18	8 1 4 6
19	8 0 6 7
20	;

2 Codeblock

PROC NLMIXED

Erklärung :
Diese PROC NLMIXED-Prozedur passt ein logistisches Modell mit gemischten Effekten an die 'infection'-Daten an.
- `parms` initialisiert die Modellparameter: `beta0` (Achsenabschnitt), `beta1` (Effekt der Behandlung 't') und `s2u` (Varianz des Zufallseffekts).
- `eta`, `expeta` und `p` definieren den linearen Teil des Prädiktors (`eta`) und die Erfolgswahrscheinlichkeit (`p`) gemäß einem logistischen Modell.
- `model x ~ binomial(n,p)` spezifiziert, dass die Variable `x` (Anzahl der Erfolge) einer Binomialverteilung mit `n` Versuchen und der Wahrscheinlichkeit `p` folgt.
- `random u ~ normal(0,s2u) subject=clinic` führt einen Zufallseffekt `u` für jede `clinic` ein, der einer Normalverteilung mit einem Mittelwert von 0 und einer Varianz `s2u` folgt. Dies ermöglicht die Modellierung der Heterogenität zwischen den Kliniken.
- `predict eta out=eta` berechnet und gibt die vorhergesagten Werte für `eta` aus.
- `estimate '1/beta1' 1/beta1` fordert eine Schätzung des Kehrwerts des Parameters `beta1` an.

Kopiert!

1	PROC NLMIXED DATA=infection;
2	parms beta0=-1 beta1=1 s2u=2;
3	eta = beta0 + beta1*t + u;
4	expeta = exp(eta);
5	p = expeta/(1+expeta);
6	model x ~ binomial(n,p);
7	random u ~ normal(0,s2u) subject=clinic;
8	predict eta out=eta;
9	estimate '1/beta1' 1/beta1;
10	RUN;

Dieses Material wird von We Are Cas "wie besehen" zur Verfügung gestellt. Es gibt keine ausdrücklichen oder stillschweigenden Garantien hinsichtlich der Marktgängigkeit oder Eignung für einen bestimmten Zweck in Bezug auf die hierin enthaltenen Materialien oder Codes. We Are Cas ist nicht verantwortlich für Fehler in diesem Material, wie es jetzt existiert oder existieren wird, noch bietet We Are Cas technischen Support dafür an.

Urheberrechtsinformationen : S A S S A M P L E L I B R A R Y

Retour à la liste