如何在SAS Proc Mixed混合模型中针对临床试验数据实现MAR假设？

示例重复测量临床试验数据 #

以下是包含两个治疗组、5个时间点的重复测量临床试验数据，其中ResVal为响应变量：

data draft;
input subID baseline ResVal visits$ treat$ trtN;
datalines;
1 10 15 1 Active 1
1 10 20 2 Active 1
1 10 15 3 Active 1
1 10 25 4 Active 1
1 10 18 5 Active 1
2 12 14 1 Active 1
2 12 18 2 Active 1
2 12 20 3 Active 1
2 12 10 4 Active 1
2 12 15 5 Active 1
3 15 15 1 Placebo 0
3 15 20 2 Placebo 0
3 15 15 3 Placebo 0
3 15 25 4 Placebo 0
3 15 15 5 Placebo 0
4 10 14 1 Placebo 0
4 10 18 2 Placebo 0
4 10 20 3 Placebo 0
4 10 10 4 Placebo 0
4 10 20 5 Placebo 0
;
run;

原混合模型实现代码 #

proc mixed data=draft;
class treat visits;
model ResVal= treat baseline visits treat*visits;
repeated visits/subject=subID type=CS; 
lsmeans treat*visits/cl diffs ;
run;

如何在上述代码中实现缺失随机（MAR）假设 #

缺失随机（MAR）指数据的缺失仅与已观测到的变量相关，与未观测的响应值无关。在SAS Proc Mixed中，基于似然的估计方法（ML/REML）天然支持MAR假设，只需注意以下几点：

1. 保留含缺失值的观测行 #

确保数据为长格式（每个访视对应一行），即使某访视的ResVal缺失，也要保留该行（例如将某行的ResVal设为.）。Proc Mixed会自动利用所有可用的观测值进行MAR假设下的估计，不要手动删除缺失行或使用where ResVal not missing这类筛选条件。

2. 纳入所有与缺失相关的协变量 #

识别并将所有可能影响缺失机制的已观测变量加入模型。你的原模型已纳入baseline、treat、visits及交互项，若缺失还与之前时间点的响应值相关，需先创建滞后响应变量，再加入模型。

3. 使用正确的估计方法 #

Proc Mixed默认采用REML（限制极大似然）估计，该方法完全符合MAR假设；也可手动指定method=ML或method=REML明确估计方式，修改后的代码示例：

proc mixed data=draft method=REML;
class treat visits subID; /* 将subID纳入class语句，语法更规范 */
model ResVal= treat baseline visits treat*visits;
repeated visits/subject=subID type=CS; 
lsmeans treat*visits/cl diffs ;
run;

4. 避免错误选项 #

• 不要使用complete=only选项，该选项仅保留无缺失的完全病例，属于MCAR（完全随机缺失）假设下的分析，不符合MAR要求。
• 不要遗漏与缺失相关的协变量，比如治疗组缺失率存在差异时，必须在模型中保留treat变量，否则估计结果可能存在偏差。

内容的提问来源于stack exchange，提问作者MNU