Exemple 9 pour PROC GLM : Analyse de mesures répétées doublement multivariées

Ce script illustre l'utilisation de la procédure GLM pour analyser des données où les sujets sont mesurés à plusieurs reprises (facteur temps) sur plusieurs variables de réponse. Il démontre l'utilisation de l'instruction REPEATED pour définir les facteurs intra-sujets (Response et Time) et l'alternative avec l'instruction MANOVA pour tester spécifiquement les effets principaux du temps via des contrastes.

Analyse des données

Type : CREATION_INTERNE

Les données sont créées via un pas DATA 'Trial' utilisant des lignes de données (datalines) incluses dans le script.

1 Bloc de code

DATA STEP Data

Explication :
Création du jeu de données 'Trial' contenant les traitements et les mesures répétées (Pre, Post, Follow) pour deux variables de réponse (Y1, Y2).

Copié !

1	DATA Trial;
2	INPUT Treatment $ Repetition PreY1 PostY1 FollowY1
3	PreY2 PostY2 FollowY2;
4	DATALINES;
5	A 1 3 13 9 0 0 9
6	A 2 0 14 10 6 6 3
7	A 3 4 6 17 8 2 6
8	A 4 7 7 13 7 6 4
9	A 5 3 12 11 6 12 6
10	A 6 10 14 8 13 3 8
11	B 1 9 11 17 8 11 27
12	B 2 4 16 13 9 3 26
13	B 3 8 10 9 12 0 18
14	B 4 5 9 13 3 0 14
15	B 5 0 15 11 3 0 25
16	B 6 4 11 14 4 2 9
17	Control 1 10 12 15 4 3 7
18	Control 2 2 8 12 8 7 20
19	Control 3 4 9 10 2 0 10
20	Control 4 10 8 8 5 8 14
21	Control 5 11 11 11 1 0 11
22	Control 6 1 5 15 8 9 10
23	;

2 Bloc de code

PROC GLM

Explication :
Exécution de PROC GLM avec l'instruction REPEATED pour analyser les facteurs intra-sujets. 'Response' a 2 niveaux (Y1, Y2) et 'Time' a 3 niveaux (Pre, Post, Follow). L'option 'nouni' supprime les analyses univariées individuelles.

Copié !

1	PROC GLM DATA=Trial;
2	class Treatment;
3	model PreY1 PostY1 FollowY1
4	PreY2 PostY2 FollowY2 = Treatment / nouni;
5	repeated Response 2 identity, Time 3;
6	RUN;

3 Bloc de code

PROC GLM

Explication :
Utilisation de l'instruction MANOVA pour tester l'effet principal du temps de manière globale (Intercept dans l'espace transformé M). Les transformations M calculent les différences entre les temps pour chaque variable de réponse.

Copié !

1	PROC GLM DATA=Trial;
2	class Treatment;
3	model PreY1 PostY1 FollowY1
4	PreY2 PostY2 FollowY2 = Treatment / nouni;
5	manova h=intercept m=prey1 - posty1,
6	prey1 - followy1,
7	prey2 - posty2,
8	prey2 - followy2 / summary;
9	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

Le Conseil de l'Expert

Simon

Expert SAS et fondateur.

« L'analyse de mesures répétées "doublement multivariées" est l'un des défis les plus complexes en biostatistique : elle traite des cas où plusieurs variables dépendantes (ex: $Y1, Y2$) sont suivies simultanément à travers le temps. La puissance de PROC GLM réside dans sa capacité à structurer ces dimensions via l'instruction REPEATED. En définissant à la fois un facteur pour les réponses (Response) et un pour le temps (Time), vous permettez à SAS de tester non seulement les effets principaux, mais aussi l'interaction cruciale "Réponse * Temps". Si votre objectif est d'isoler des évolutions spécifiques entre deux moments précis, l'alternative via l'instruction MANOVA avec des contrastes personnalisés reste la méthode la plus rigoureuse pour décomposer la variance intra-sujet. »