SAS Proc Mixed：重复测量与随机效应模型选择咨询

1. 先明确Timepoint的变量类型选择 #

• 分类变量：如果认为随访时间的效应不是线性的（比如12个月到24个月的评分变化幅度，和48到60个月的变化幅度不同），或者需要单独观测每个时间点的效应，就把timepoint设为分类变量。但要注意，分类变量会消耗更多自由度，时间点较多时需谨慎。
• 定量变量：如果临床理论支持残疾评分随时间呈线性趋势，或数据探索发现趋势近似线性，把timepoint作为定量变量更高效，能简洁捕捉时间的整体变化趋势。可以先绘制每个受试者的残疾评分随timepoint的折线图，直观判断趋势是否符合线性假设。

2. 重复测量模型的正确设定 #

你的数据属于典型的纵向重复测量数据，同一个受试者的多次观测存在相关性，必须在模型中考虑这一点，否则会导致标准误计算错误，得出误导性的显著性结论。

针对timepoint为分类变量的模型优化 #

你最初的模型使用了默认的复合对称（CS）协方差结构，但对于有序时间点的纵向数据，自回归（AR(1)）结构通常更贴合实际——相邻时间点的观测相关性更高。调整后的代码：

proc mixed data=modelling plots=none;
    class sid implant timepoint condition;
    model disability_score = implant condition timepoint condition*timepoint;
    repeated timepoint / subject=sid type=ar(1); /* 改用AR(1)协方差结构，更适配有序时间点 */
run;

另外，condition是有序量表，当前设为分类变量是合理的；若假设condition每升高1级，残疾评分的变化是固定的，也可以尝试将其设为定量变量，通过AIC/BIC值比较两种设定的拟合效果。

针对timepoint为定量变量的模型修正 #

你之前的第二个模型只加入了受试者的随机截距，但纵向数据中不同受试者的评分随时间的变化斜率往往存在差异，必须加入随机斜率才能准确捕捉个体差异。修正后的代码：

proc mixed data=modelling plots=none;
    class sid implant;
    model disability_score = implant condition timepoint condition*timepoint / solution; /* solution参数输出固定效应的具体估计值 */
    random int timepoint / subject=sid type=un; /* 同时加入随机截距和随机斜率，无结构协方差更灵活 */
run;

之前结果差异极大的核心原因就是未加入随机斜率，导致模型无法捕捉个体间的时间趋势差异，拟合偏差明显。

3. 模型选择与验证的关键步骤 #

• 拟合优度对比：用AIC、BIC值判断模型优劣，数值越小说明模型拟合越好。可以对比timepoint分类/定量、不同协方差结构的模型差异。
• 残差诊断：将plots=none改为plots=all，查看残差的正态性、独立性散点图，确保模型的残差假设（正态、独立、方差齐）满足。
• 临床合理性校验：结合研究背景判断结果是否符合预期，比如condition恶化是否真的与残疾评分升高相关，timepoint的效应是否符合临床病程规律。

4. 紧扣核心目标的模型要点 #

你的核心目标是控制植入尺寸、时间、个体差异后，分析设备状态与残疾评分的关联，所以必须确保：

• implant作为固定效应纳入（基线静态变量，每个受试者唯一值）；
• 保留condition和timepoint的交互项，因为设备状态对评分的影响可能随时间推移发生变化；
• 必须通过repeated语句或随机效应（截距+斜率）控制受试者内的相关性，这是纵向数据建模的核心要求。

内容的提问来源于stack exchange，提问作者SASsy pants