À l`aide de la même technique illustrée dans l`exemple de modèle de temps indépendant, la prochaine boucle DO calcule le terme de régression et S correspondant pour chaque observation, prétendant qu`il n`y a pas de liens dans le temps. Cela signifie que le risque défini pour l`observation n`implique que l`observation. Les termes de correction sont ajoutés au S [i] correspondant dans la deuxième boucle DO, à condition que la variable d`arrêt soit supérieure au nombre d`observations lui-même. Le symbole JL ajoute cumulativement la probabilité du journal pour l`ensemble de données, et l`instruction MODEL spécifie la fonction de log-vraisemblance conjointe. La macro% RESHAPE est définie dans l`exemple de modèle d`effets aléatoires de régression logistique. Les densités postérieures sont presque identiques les unes aux autres. Therneau, TM, Grambsch, PM. (2000). Modélisation des données de survie: extension du modèle Cox. Springer: New York.

Note: il s`agit de la principale référence utilisée pour ce séminaire. Il contient de nombreux exemples dans SAS et R. Une alternative à l`utilisation de la fonction LAG est d`utiliser l`option PROC JOINTMODEL. Avec cette option, la fonction log-vraisemblable que vous spécifiez ne s`applique pas à une seule observation mais à l`ensemble de données complet. Voir modélisation de la probabilité conjointe pour plus de détails sur la façon d`utiliser correctement cette option. L`idée de base est que vous stockez toutes les variables de jeu de données nécessaires dans les tableaux et que vous n`utilisez que les tableaux pour construire la probabilité du journal de l`ensemble de données. Cette approche fonctionne ici parce que pour chaque observation, vous pouvez utiliser l`index pour accéder à différentes valeurs de tableaux pour construire l`ensemble de risques S. Pour utiliser l`option JOINTMODEL, vous devez effectuer une manipulation de données supplémentaire. Vous voulez créer une variable d`arrêt pour chaque observation, qui indique le numéro d`observation qui doit être inclus dans S pour cette observation. Par exemple, si les observations 4, 5, 6 ont toutes le même temps de survie, la valeur d`arrêt pour chacun d`eux est de 6. Les graphiques sont particulièrement utiles pour interpréter les interactions.

Nous pouvons tracer des graphiques distincts pour chaque combinaison de valeurs des covariables comprenant les interactions. Ci-dessous nous placons des courbes de survivant sur plusieurs âges pour chaque sexe à travers les étapes follwing: [dfbeta_j approx hat{beta} – hat{beta_j}] les courbes de survie des femelles sont légèrement plus élevées que la courbe pour les mâles, ce qui suggère que l`expérience de survie est peut-être un peu mieux (si significatif) pour les femelles, après avoir contrôlé pour l`âge.