SAS MIXED怎么估计常数项和一次项系数的CI？

shiyiming

我最近读一篇老外的论文，上面有这样一个模型：

[quote:0920f]ln(PKij)=(β0 + ηi) + β1 ln(doseij) + εij
β0，β1 为固定效应，ηi服从N(0,ξ^2)分布。εij服从N(0,σ^2)分布。[/quote:0920f]

文中说运用MIXED过程的(ML方法)来估计β0，β1 的90%置信区间。可是，我查了参考文档，却没有查到用什么statement来实现。

而且，对于Mixed过程，也就是混合线性模型，我也还有些不明白。我自己理解，线性模型中，如果进行回归分析，研究的是自变量与因变量之间的数量关系。而如果进行方差分析，则应该是考察自变量对于因变量的效应是否存在。那么在进行方差分析的时候（基本是分类变量），自变量的系数应该没有太多的实际意义，它是不能反映自变量与因变量的数量关系的。那么，对这些系数进行估计又有什么用处呢？

在这篇文章中，dose的取值是离散的数值。ηi是指个体间的随机差异。那么有一个问题就是，为什么不把它作为一个单独的因素，或者是归到随机误差当中去呢。而是放在了常数项中？我感觉这恐怕是混合线性模型的核心，但是我目前还不明白。[/quote]

shiyiming

对研究问题而言，统计模型的选择无非是我们想利用数据处理更好地揭示问题的本质信息，某些问题可能更适合采用混合线性模型。回归分析和方差分析是从不同角度研究变量间的因果关系，系数的估计有无用处视研究目的和想说明的问题而定。假定我们想检验dose的效应，客观上试材很难做到均匀一致，试材对试验结果存在随机效应，此时若将ηi归到随机误差中会产生两个问题：（1）若随机效应ηi引起的响应方差较大，而因素dose引起的响应方差较小，很容易导致dose效应的存在性被检验否定，也就是弱的因素效应被随机效应淹没，检验不出来；（2）若dose引起的响应方差较大，且效应的存在性被检验肯定，即便如此，对dose效应的评价也会因不可忽视的随机效应存在而大打折扣。

shiyiming

谢谢解释