診斷型統合分析實作－以SAS為例（2/2）－晨晰統計林星帆顧問整理 @ 晨晰統計部落格新站（統計、SPSS、BIG DATA討論園地）

上篇文章中筆者示範了雙變量模型（Bivariate model），這篇文章我們進一步示範階層模型（Hierarchical model）的 SAS 操作。如以下SAS語法所示，唯一差別只有在第四列的「method=h」，h 即代表 hierarchical。

階層模型的報表裡頭所列的參數定義可以參考筆者之前的簡介文章（https://reurl.cc/Q96YQ2），「alpha」是 accuracy parameter，用來衡量真陽性與偽陽性之間的差異；「theta」是 cutpoint parameters 或稱為 positivity criteria，用來估計真陽性與偽陽性之間的消長（tradeoff）；「beta」是 scale parameter，用來允許標記或檢驗為陽性與陰性的兩個族群在結果變項具有變異，且為固定效果。

最後一張表則是真正需要抄寫到論文的數據，包括合併過後的敏感度、特異度、診斷勝算比的估計值以及其 95％信賴區間。前一篇文章以雙變項模型所得到的診斷勝算比為 12.4017，而階層模型的 DOR 為 12.4018，兩者數字幾乎一樣，這是因為當階層模型不包含共變數效應時，此兩模型具有等價關係。

接著示範在模式中加進共變數效應，如筆者之前文章提過，這兩種模型的共變數效果探討的事情不一樣，雙變量模型要看共變數對於合併後敏感度/特異度/診斷勝算比的效果，然而在階層模型則是看 HSROC 在考慮共變數之前與之後的落點位置與形狀的差異。

通常研究人員比較感興趣的是共變數對於合併後敏感度/特異度/診斷勝算比的效應，因此筆者以雙變項模型作為示範。語法第四列「covariate=S_M」將收案族群（手術 vs. 非手術）當成是解釋變項。

「cvref='M'」是指定以非手術族群為參考類別；「sortcv=d」則是指類別型解釋變項的排序方式，d 代表 descending，也就是除了參考類別會出現在第一筆之外，其餘按照字母的遞減排序呈現；「cvtype=cat」代表共變數是類別型，cat 是指 categorical。

「cveffect=sesp」這邊要注意一下，有三種選擇，分別是se、sp 以及 sesp，也就是依變項分別為單獨的敏感度、特異度以及兩者，通常都是選擇兩者，這部分的說明可以參考筆者之前的簡介文章（https://reurl.cc/Q96YQ2）。

第一張報表會列出共變數的資訊，由於我們剛剛選擇「M」（medical）為參考類別，因此它的 level 被設為 0，會出現在第一個。假設此共變數是具有多個類別的變項，level 1 之後的順序會按照字母的遞減排序呈現。

接著報表會分別呈現不同共變數水準之下單獨的雙變量模型估計結果，也就是手術組與非手術組各自的報表。以診斷勝算比（DOR）而言，非手術組（cv level 0）為13.7087，手術組（cv level 1）為10.4959。

再來是最重要的報表，列出「cv level 1 vs 0」的比較結果，Relative sensitivity、Relative specificity 以及 RDOR（Relative DOR）都是手術組「除以」非手術組的數據，由結果可知無論是敏感度、特異度或是診斷勝算比，手術組與非手術組均無顯著差異。