Beispiel 12 für PROC MIANALYZE: MNAR-Sensitivitätsanalyse

Schwierigkeitsgrad

Anfänger

Veröffentlicht am : 25/09/2022

Das Skript generiert zunächst einen simulierten Datensatz (Mono1) mit willkürlichen fehlenden Werten. Anschließend werden zwei separate Analysen durchgeführt, um die Ergebnisse zu vergleichen: eine erste standardmäßige multiple Imputation (MAR - Missing At Random) gefolgt von einer linearen Regression und einer kombinierten Analyse, und dann ein zweiter Ansatz, der eine MNAR-Anpassung verwendet, um nicht zufällig fehlende Daten zu modellieren, ebenfalls gefolgt von einer Regression und einer Ergebnissynthese über PROC MIANALYZE.

Datenanalyse

Type : CREATION_INTERNE

Der Datensatz 'Mono1' wird vollständig im ersten DATA-Schritt mithilfe von Schleifen und Zufallsfunktionen (rannor, ranuni) generiert.

1 Codeblock

DATA STEP Data

Erklärung :
Erstellung des Datensatzes 'Mono1', der klinische Studiendaten mit zwei Behandlungsgruppen (Trt) simuliert. Fehlende Werte werden künstlich in die Variable y1 eingefügt.

Kopiert!

1	DATA Mono1;
2	DO Trt=0 to 1;
3	DO j=1 to 5;
4	y0=10 + rannor(999);
5	y1= y0 + Trt + rannor(999);
6	IF (ranuni(999) < 0.3) THEN y1=.;
7	OUTPUT;
8	END; END;
9
10	DO Trt=0 to 1;
11	DO j=1 to 45;
12	y0=10 + rannor(999);
13	y1= y0 + Trt + rannor(999);
14	IF (ranuni(999) < 0.3) THEN y1=.;
15	OUTPUT;
16	END; END;
17	drop j;
18	RUN;

2 Codeblock

PROC PRINT

Erklärung :
Anzeige der ersten 10 Beobachtungen zur Überprüfung der generierten Daten.

Kopiert!

1	PROC PRINT DATA=Mono1(obs=10);
2	var Trt Y0 Y1;
3	title 'First 10 Obs in the Trial Data';
4	RUN;

3 Codeblock

PROC MI Data

Erklärung :
Erste Durchführung der multiplen Imputation (20 Imputationen) unter Annahme eines monotonen Schemas und einer Standard-Regressionsmethode. Die imputierten Daten werden in 'outex12a' gespeichert.

Kopiert!

1	PROC MI DATA=Mono1 seed=14823 nimpute=20 out=outex12a;
2	class Trt;
3	monotone reg;
4	var Trt y0 y1;
5	RUN;

4 Codeblock

PROC REG Data

Erklärung :
Ausführung eines linearen Regressionsmodells für jeden imputierten Datensatz (über die BY-Gruppe _Imputation_). Die Parameterschätzungen werden in die Tabelle 'regparms' exportiert.

Kopiert!

1	ods select none;
2	PROC REG DATA=outex12a;
3	model y1= Trt y0;
4	BY _Imputation_;
5	ods OUTPUT parameterestimates=regparms;
6	RUN;
7	ods select all;

5 Codeblock

PROC MIANALYZE

Erklärung :
Kombination der Ergebnisse der 20 Regressionen zur Erzeugung gültiger statistischer Inferenzen (Rubin's Regeln) für den ersten Ansatz.

Kopiert!

1
2	PROC MIANALYZE parms=regparms;
3	modeleffects Trt;
4	RUN;
5

6 Codeblock

PROC MI Data

Erklärung :
Zweite Durchführung der multiplen Imputation. Diesmal wird die MNAR-Anweisung verwendet, um ein Modell für nicht zufällig fehlende Daten in der Variablen y1 zu spezifizieren, speziell für die Gruppe Trt=0.

Kopiert!

1	PROC MI DATA=Mono1 seed=14823 nimpute=20 out=outex12b;
2	class Trt;
3	monotone reg;
4	mnar model( y1 /modelobs=(Trt='0'));
5	var y0 y1;
6	RUN;

7 Codeblock

PROC REG Data

Erklärung :
Lineare Regression auf den aus der MNAR-Imputation stammenden Daten, pro Imputation wiederholt.

Kopiert!

1	ods select none;
2	PROC REG DATA=outex12b;
3	model y1= Trt y0;
4	BY _Imputation_;
5	ods OUTPUT parameterestimates=regparms;
6	RUN;
7	ods select all;

8 Codeblock

PROC MIANALYZE

Erklärung :
Endgültige Kombination der Ergebnisse für den MNAR-Ansatz.

Kopiert!

1
2	PROC MIANALYZE parms=regparms;
3	modeleffects Trt;
4	RUN;
5

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 : SAS SAMPLE LIBRARY

Zugehörige Dokumentation

Aucune documentation spécifique pour cette catégorie.