1 Overview
1.1 簡介
SAS的 NLMIXED 過程適用於非線性混合模型——that is， models in which both fixed and random effects enter nonlinearly. 這些模型有很廣的應用，最常見的是葯物動力學和過離散的二項數據（overdispersed binomial data）。PROC NLMIXED使你能夠讓你的數據參數服從一種條件分布（隨機效應），這種條件既可以是標准分布（正態，二項，泊松），也可以是你使用SAS編程的分布。
PROC NLMIXED 通過最大化隨機效應的聯合似然值來擬合非線性混合模型。有不同的積分逼近方法可以使用，主要包括自適應高斯積分（adaptive Gaussian quadrature）和一階泰勒級數積分（a first-order Taylor series approximation）。很多可供選擇的技術可用來計算最大似然值。默認的是對偶擬牛頓算法（dual quasi-Newton algorithm）。
PROC NLMIXED 使你能夠使用估計模型通過經驗貝葉斯估計的隨機參數來構建任何函數的預測模型。你也可以預估非隨機參數的任意函數，PROC NLMIXED通過使用delta method來他們的計算漸進標准誤
1.2 非線性混合模型綜述
詳見SAS幫助文檔http://support.sas.com/documentation/cdl/en/statug/63033/HTML/default/viewer.htm#statug_nlmixed_sect003.htm
1.3 PROC NLMIXED 與其他SAS方法和宏的比較
使用NLMIXED方法擬合的模型可以看做是使用MIXED過程擬合的隨機參數模型的一般化。這就允許隨機參數使得模型非線性化，而在MIXED過程中是線性的。在PROC MIXED中你可以使用最大似然法和受約束最大似然法，而在PRCO MIXED中你只能使用最大似然法，這是因為NLMIXED中REML的模擬包括所有固定參數的高維積分，這種積分在解析形式中一般不可用。最后，MIXED假設數據是正態分布的，NLMIXED使你能夠分析任何分布的數據。
GLIMMIX過程也適用於非正態數據with非線性條件均值函數（The GLIMMIX procedure also fits mixed models for nonnormal data with nonlinearity in the conditional mean function. ）。相對於NLMIXED過程，PROC GLIMMIX假設模型包含一個將協變量和條件均值聯系起來的線性predictor。NLMIXED過稱被設計為解決廣義條件均值函數，無論他們是否包括線性成分。GLIMMIX procedure默認采用pseudo-likelihood techniques來預估廣義線性混合模型，而PROC NLMIXED默認采用adaptive Gauss-Hermite quadrature來進行最大似然估計。該估計方法也適用於GLIMMIX procedure(METHOD=QUAD in the PROC GLIMMIX statement)
2 getstrat
分為兩類
Nonlinear Growth Curves with Gaussian Data
Logistic-Normal Model with Binomial Data
重點介紹logistic模型