Анализ данных повторных измерений с использованием PROC GLIMMIX

Question

Я использую PROC GLIMMIX для анализа данных повторных измерений конкретных сексуальных событий. Исходные данные получены из еженедельного дневникового исследования около 400 человек. В течение каждой недели они сообщали о поведении из своего последнего сексуального контакта. У нас также есть базовые данные по их демографии. 12 недель наблюдения были собраны, и у нас был высокий уровень завершения.

Я хотел бы создать модель со смешанным эффектом, но я не уверен, как именно это делается в SAS. Я хочу проверить влияние факторов, зависящих от событий, а также некоторых демографических показателей на уровне человека, и хотел бы получить отношения шансов для каждого интересующего фактора. В результате выясняется, использовались ли наркотики во время мероприятия, и объясняющими факторами будут такие вещи, как возраст, пол и т. Д., А также характеристики события (т. Е. ВИЧ-статус партнера), был ли партнер постоянным сексуальным партнером, и т.д ..

Код, с которым я работаю, выглядит следующим образом:

PROC GLIMMIX DATA=work.dataset oddsratio; CLASS VISIT_NUMBER PARTICIPANT_ID BINARY_EVENTLEVEL_OUTCOME BINARY_EVENTLEVEL_EXPLANATORY_FACTOR CATEGORICAL_PERSONLEVEL_EXPLANATORY_FACTOR; MODEL BINARY_EVENTLEVEL_OUTCOME = BINARY_EVENTLEVEL_EXPLANATORY CATEGORICAL_PERSONLEVEL_EXPLANATORY_FACTOR /DIST=binary link=logit CL S ddfm=kr; RANDOM ?????; RUN;

• вариант 1 для ?????: остаток / subject = PARTICIPANT_ID
• вариант 2 для ?????: INTERCEPT / subject = PARTICIPANT_ID
• вариант 3 для ?????: VISIT_NUM / subject = PARTICIPANT_ID тип остатка = ar (1) INTERCEPT / subject = VISIT_NUM (PARTICIPANT_ID)
• вариант 4 для ?????: Другое?

Мне также неясно, должен ли я использовать ddfm = kr в моем модельном утверждении или method = laplace в моем операционном выражении - оба были рекомендованы в другом месте для такого рода анализа повторных измерений.

Я сталкивался с несколькими потенциальными вариантами моделирования этого, которые часто дают схожие результаты, но вариант 1 дает статистически значимый результат для уровня события, в то время как другие дают несущественные результаты. Включение ddfm = kr делает интересный результат более значимым. Метод = Лаплас не допускает вариант 1.

Answer 1

Возможно, я не отвечаю на ваш вопрос, но, возможно, смогу дать пару указаний:

Начнем с самой простой части: ваше утверждение MODEL выглядит для меня правильным, так как вы хотите проверить факторы уровня событий и демографические данные уровня человека , которые, таким образом, рассматриваются как фиксированные эффекты .

Теперь, что касается случайных эффектов :

• операторы RANDOM, которые вы предлагаете для параметров (1) и (2) :
  (1) RANDOM _residual_ / subject=PARTICIPANT_ID;
  или
  (2) RANDOM intercept / subject=PARTICIPANT_ID;
  моделируют две разные части случайных эффектов: R-сторона и G-сторона , соответственно.
  Если вы уже знакомы с PROC MIXED, вы можете заметить, что ваш вариант (1) использования RANDOM _residual_ в PROC GLIMMIX эквивалентен использованию оператора REPEATED в PROC MIXED, который сообщает, что вы повторили измерения для PARTICIPANT_ID, что явно соответствует вашему случаю (см .: «Сравнение процедур GLIMMIX и MIXED» )
• Что касается опции (3) :
  RANDOM VISIT_NUM / subject=PARTICIPANT_ID residual type=ar(1) INTERCEPT / subject=VISIT_NUM(PARTICIPANT_ID);
  здесь вы моделируете временную составляющую повторных измерений (visit_num) как случайный эффект, и это следует учитывать, если вы полагаете, что будет случайное изменение отклика в каждый из моментов измерения (т.е. в каждом событии) ). На первый взгляд, я не думаю, что это уместно в вашем случае, так как вы учитываете это уже по фиксированным эффектам ... но, конечно, я могу ошибаться, не видя ваших данных.

Я могу внести свой вклад в это время.

В качестве следующих шагов , чтобы вы лучше понимали, я бы посоветовал вам:

1. Прочитайте обзор документации PROC GLIMMIX, в частности, спецификацию математической модели и все 3 раздела в ней:
   The Basic Model
G-Side and R-Side Random Effects and Covariance Structures
Relationship with Generalized Linear Models
2. Если вы все еще не уверены, задайте свой вопрос по адресу community.sas.com , который может помочь вам лучше.

НТН