SAS中PROC NLMIXED的应用
1 Overview
1.1 简介
SAS的 NLMIXED 过程适用于非线性混合模型——that is, models in which both fixed and random effects enter nonlinearly. 这些模型有很广的应用,最常见的是药物动力学和过离散的二项数据(overdispersed binomial data)。PROC NLMIXED使你能够让你的数据参数服从一种条件分布(随机效应),这种条件既可以是标准分布(正态,二项,泊松),也可以是你使用SAS编程的分布。
PROC NLMIXED 通过最大化随机效应的联合似然值来拟合非线性混合模型。有不同的积分逼近方法可以使用,主要包括自适应高斯积分(adaptive Gaussian quadrature)和一阶泰勒级数积分(a first-order Taylor series approximation)。很多可供选择的技术可用来计算最大似然值。默认的是对偶拟牛顿算法(dual quasi-Newton algorithm)。
PROC NLMIXED 使你能够使用估计模型通过经验贝叶斯估计的随机参数来构建任何函数的预测模型。你也可以预估非随机参数的任意函数,PROC NLMIXED通过使用delta method来他们的计算渐进标准误
1.2 非线性混合模型综述
详见SAS帮助文档http://support.sas.com/documentation/cdl/en/statug/63033/HTML/default/viewer.htm#statug_nlmixed_sect003.htm
1.3 PROC NLMIXED 与其他SAS方法和宏的比较
使用NLMIXED方法拟合的模型可以看做是使用MIXED过程拟合的随机参数模型的一般化。这就允许随机参数使得模型非线性化,而在MIXED过程中是线性的。在PROC MIXED中你可以使用最大似然法和受约束最大似然法,而在PRCO MIXED中你只能使用最大似然法,这是因为NLMIXED中REML的模拟包括所有固定参数的高维积分,这种积分在解析形式中一般不可用。最后,MIXED假设数据是正态分布的,NLMIXED使你能够分析任何分布的数据。
GLIMMIX过程也适用于非正态数据with非线性条件均值函数(The GLIMMIX procedure also fits mixed models for nonnormal data with nonlinearity in the conditional mean function. )。相对于NLMIXED过程,PROC GLIMMIX假设模型包含一个将协变量和条件均值联系起来的线性predictor。NLMIXED过称被设计为解决广义条件均值函数,无论他们是否包括线性成分。GLIMMIX procedure默认采用pseudo-likelihood techniques来预估广义线性混合模型,而PROC NLMIXED默认采用adaptive Gauss-Hermite quadrature来进行最大似然估计。该估计方法也适用于GLIMMIX procedure(METHOD=QUAD in the PROC GLIMMIX statement)
2 getstrat
分为两类
Nonlinear Growth Curves with Gaussian Data
Logistic-Normal Model with Binomial Data
重点介绍logistic模型