基础模型的建立应尽量简洁，其中可以包括基本的药代动力学参数以及个体间差异（IIV）以及残留误差。
当这些参数符合模型诊断图后，基本上就可以认为达到稳定的基础结构模型。（base structural model）
一般来说，基础模型不应该包括协变量。但对于那些显著影响药代动力学参数（parameter）的协变量，在基础模型中就应该引入（比如儿童群体的体重）。
那么，该如何确定你的基础模型建立的是合适的呢？
一、通过结果表格
Stderr:
CV%:
CI置信区间：不要经过0
一、模型诊断图
几个概念：
DV：一个数据集中因变量（dependent）的数值。
PRED: 模型根据DV模拟的数值。
RES：DV与PRED的绝对差值。
WRES：加权后的DV与PRED的相对差值，一般可以认为加权后为均值为0方差为1的正态分布。一个好的模型WRES应该在-3到+3之间。
1. PRED vs. DV
图形点应该在截距为0，斜率为1的单位线的两侧对称随机分布。
像这个图就显示点在线两边的随机分布，但是线的斜率不为1，且横纵坐标不是一样的。当把坐标改为一样时就会发现预测值并不能全部覆盖真实值。预测值只覆盖了0到200，而真实值到了接近400。如下图。
2. WRES vs. PRED
当误差模型合理时，点应该在WRES=0的线上匀称分布。
拟合良好的的误差图
当出现U字型时，说明模型需要增加一个房室
表明数据最好用对数残留误差模型
3. RES vs. PRED
RES是预测值与实际值的实际差异，数据点应该在零位线的两侧均匀分布。由比例型误差模型得到的数据往往允许数据较大的点的误差大一些，这样算出来的相对误差才能一致化的最小，因此呈现出扇形。
用比例型误差模型的图
4. WRES vs. TIME
可以了解这些残留误差是否随时间而变化。
模拟良好的图
二、随机效应的估计
选择个体间随机效应的原则是一开始先选择这个数据集可以描述的较小的参数的随机效应，然后再根据情况逐一加入其它的随机效应。即由少到多逐一添加。
比如说：如果一个数据集在谷浓度的点相对于峰浓度来得多，那么就应该先加入的是清除率的个体间差异η。
残留误差与随机效应可能会相互影响。有时候错误的残差模型的估计会导致ETA没有办法被合理估计，但是一旦残差模型设置合理后，这个ETA就可以成功估计了，以下是一些随机效应的诊断图。
几个概念：
IPRED：个体预测值，计算时包括了η。
IRES：个体预测值与实际值的差值。
IWRES：加权后的IRES。
1. IPRED vs. DV
由于考虑到了个体间差异η，因此图形拟合的会比 PRED vs. DV 好。图形差不多，就不放这里了
2. IWRES vs. IPRED and |IWRES| vs. IPRED
下面是一张|IWRES| vs. IPRED的图，由于是绝对值，因此纵坐标大于0，模拟良好的图应该是那条模拟的线基本呈一条水平光滑的直线，且大部分点落于小于3的位置上。
模拟良好的图
而在模型拟合中，加和型误差模型能够反映差值的绝对值。如果数据集的跨度范围过大，对于数据小的点来说，由于数值小，因此误差也会小，而对于数值大的点来说，由于本身的点就大，因此数值大的点误差也会大，导致加和型残留误差模型不足以解决这么大的差异，就会呈现出下图的模样。此时最好用比例型误差模型，即每个误差的绝对值再除以本身的值。这样就能形成相对误差。
需要比例误差模型却用了加和模型
错误的比例型误差模型应用时，由于小的数值的分母小，造成算出来的相对误差会增大，在图上显示出小的误差相对大的误差来得大，此时可能用加和型的误差模型会更好。
需要用加和模型却用了比例模型
2. 推测参数估计的准确度
当协方差步骤完成后，THETA，OMEGA，SIGMA的标准误都可以得到。这个标准误除以估计值得到的是percent standard error of the mean(%SEM)或者是 percent relative standard error(%RSE)。
一般来说，对于固定效应参数的RSE应当在30%以下，而随机效应的参数应该在40~50%之间。
随机效应OMEGA or SIGMA也有其他的计算方法，比如OMEGA的RSE的计算通常是？完成。
一般来说，所有参数的相关性应该要小于0.9 ,这样的话每个估计值才能是独立的。
网友评论