Exemple de démarrage 2 pour PROC NLMIXED

Ce script SAS^© est le deuxième exemple de démarrage pour l'utilisation de la PROC NLMIXED. Il met en œuvre un modèle logistique-normal pour analyser des données binomiales provenant d'un essai clinique multicentrique, comme décrit par Beitler et Landis (1985). Il démontre la spécification des paramètres, des effets fixes et aléatoires, et la prédiction de l'hétérogénéité inter-cliniques.

Analyse des données

Type : CREATION_INTERNE

Les données 'infection' sont créées directement dans le script SAS via un bloc DATALINES. Elles incluent les variables clinic, t, x, et n, représentant des informations d'un essai clinique.

1 Bloc de code

DATA STEP Data

Explication :
Ce bloc DATA STEP crée l'ensemble de données 'infection' en utilisant des données brutes intégrées (DATALINES). Chaque ligne représente une observation avec les variables 'clinic' (identifiant de la clinique), 't' (traitement), 'x' (nombre de succès) et 'n' (nombre total d'essais).

Copié !

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 Bloc de code

PROC NLMIXED

Explication :
Cette procédure PROC NLMIXED ajuste un modèle logistique à effets mixtes aux données 'infection'.
- `parms` initialise les paramètres du modèle : `beta0` (ordonnée à l'origine), `beta1` (effet du traitement 't') et `s2u` (variance de l'effet aléatoire).
- `eta`, `expeta`, et `p` définissent la partie linéaire du prédicteur (`eta`) et la probabilité de succès (`p`) selon un modèle logistique.
- `model x ~ binomial(n,p)` spécifie que la variable `x` (nombre de succès) suit une distribution binomiale avec `n` essais et la probabilité `p`.
- `random u ~ normal(0,s2u) subject=clinic` introduit un effet aléatoire `u` pour chaque `clinic`, supposé suivre une distribution normale avec une moyenne de 0 et une variance `s2u`. Cela permet de modéliser l'hétérogénéité entre les cliniques.
- `predict eta out=eta` calcule et sort les valeurs prédites pour `eta`.
- `estimate '1/beta1' 1/beta1` demande une estimation de l'inverse du paramètre `beta1`.

Copié !

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;

Ce matériel est fourni "tel quel" par We Are Cas. Il n'y a aucune garantie, expresse ou implicite, quant à la qualité marchande ou à l'adéquation à un usage particulier concernant le matériel ou le code contenu dans les présentes. We Are Cas n'est pas responsable des erreurs dans ce matériel tel qu'il existe maintenant ou existera, et We Are Cas ne fournit pas de support technique pour celui-ci.

Informations de Copyright : S A S S A M P L E L I B R A R Y

Retour à la liste