SAS与统计模型的选择

shiyiming

模型是对客观现实世界的一种近似。没有完美的模型。所有的模型都命中注定要被修正、改进以至于被替代。只要没有被新的证据所否定，任何假定的模型都可以应用，直到被更好的模型代替为止。理想的、唯一绝对说得出是非对错的世界可能只存在于纯粹数学之中。

在临床试验中，选择合适的统计模型是至关重要的，如果模型选择不当，会造成统计分析的失败。

例. 某降血压药物的临床试验中的舒张压(mmHg)(苏炳华，新药临床试验统计分析新进展，P11例)。
用药组
用药前 102 100 92 98 118 100 102 116 109 116 92 108 102 100 100 98
用药后90 90 85 90 114 95 86 84 98 103 88 100 88 86 95 80
对照组
用药前 98 103 110 110 110 94 104 92 108 110 112 92 104 90
用药后 100 94 100 105 110 96 94 100 104 109 100 95 100 85

现在的问题是如何选择合适的统计模型来考虑舒张压的差异？

可以考虑的模型有下面三种：

模型A：仅考虑治疗后的舒张压



data a;
do group=1 to 2;
input n;
do i=1 to n;
input treat@@;
output;
end;
end;
cards;
16
90 90 85 90 114 95 86 84 98 103 88 100 88 86 95 80
14
100 94 100 105 110 96 94 100 104 109 100 95 100 85
;
proc glm data=a;
class group;
model treat=group;
run;


Pr > F= 0.0133


模型B：考虑治疗后的舒张压之差


data b;
do group=1 to 2;
input n;
do i=1 to n;
input treat@@;
output;
end;
end;
cards;
16
12 10 7 8 4 5 16 32 11 13 4 8 14 14 5 18
14
-2 9 10 5 0 -2 10 -8 4 1 12 -3 4 5
;
proc glm data=b;
class group;
model treat=group;
run;


Pr > F= 0.0020

模型C：考虑治疗后的舒张压，将治疗前的舒张压作为控制变量。


data c;
input group before treat@@;
cards;
1 102 90
1 100 90
1 92 85
1 98 90
1 118 114
1 100 95
1 102 86
1 116 84
1 109 98
1 116 103
1 92 88
1 108 100
1 102 88
1 100 86
1 100 95
1 98 80
2 98 100
2 103 94
2 110 100
2 110 105
2 110 110
2 94 96
2 104 94
2 92 100
2 108 104
2 110 109
2 112 100
2 92 95
2 104 100
2 90 85
;
proc glm data=c;
class group;
model treat=before group;
run;


Pr > F<0.0001

通过P值的比较，我们可以发现模型B、C合适。