以下為簡易的Dummy variable(虛擬變項)的建立，在回歸分析中，當解釋變數為類別型資料，例如藥物的濃度分為4類，其中一類為參考組，則每一組將與參考組作比較，比較的組數有3組。在回歸模式中不能直接放該類別變項(CON_GRP)，否則會視同連續型資料。
因此需要設3個Dummy variable，例如以下程式的CON_1~CON_3，當3個變項為0時(0,0,0)，該組為參考組，當CON_1為1時(1,0,0)，為第一組與參考組間的比較，其他以此類推。而Dummy variable的程式語法如[程式一]，CON_GRP=1時，CON_1=1；CON_GRP=2時，CON_2=1；CON_GRP=3時，CON_3=1，其他非1的數值，自動生成為0。
[程式一]
data aa1;
set aa;
CON_1=(CON_GRP=1); /*Dummy variable*/
CON_2=(CON_GRP=2);
CON_3=(CON_GRP=3);
run;
在臨床上要分析藥物與不良反應(Adverse Event; AE)的劑量效應 ，若想觀察AE是在不同劑量發生的機率是否相同，可利用chi-square test for contingency table analysis分析AE與劑量是否有線性的關係( linear association)，但檢定的效力(POWER)可能會被自由度分掉。COCHRAN-ARMITAGE TREND TEST( Cochran, 1954; Armitage, 1955)是比較Powerful的統計方法，虛無假設為AE與劑量無線性的關係(或不同劑量發生AE的機率相同)，檢定公式如下：
SAS程式如下
proc freq data=ae_doseresp;
tables dose*outcome/ TREND;
weight count;
ods output TrendTest=TrendTest;
Logistic Regression與線性迴歸最大的不同是依變項性質的不同，使得兩者在參數估計與假設上也有所不同，前者的結果變項(outcome)為類別型資料(categorical data)，後者為數值型資料(numeric data)。Logistic Regression分析的假定：觀察值樣本在依變項上的機率分配呈S型分佈，此分佈又稱Logistic分配。
Logistic Regression最常應用在流行病學的Case-Control study，常見的指標是勝算比(Odds Ratio)，其意義為得病的人有暴露與未暴露的比值(勝算; odd)相對於未得病的人有暴露與未暴露的比值，該值=1表示疾病與暴露間的相關性不高。由exp(β)可求得Odds Ratio，β為Logistic Regression的估計參數。
SAS的程式如下：以proc logistic程序分析，dependent為結果變項, 通常1為有病，0為沒病，Group為解釋變數，在此為組別，通常為有暴露(EXPOSURE)或沒暴露(NON- EXPOSURE)於特定風險的兩個組別。descending為設定dependent=0為參考組，RISKLIMITS為列出95%信賴區間。以SAS的ODS功能(Output Delivery System)將parameterestimates(參數估計值)存成SAS檔，包含p value也一起存出來，存成檔案pp；以ODS 將oddsratio及其95%信賴區間存出，存成檔案qq。
最後利用merge指令將參數估計值與oddsratio的結果合併成一個檔案，即可直接整理至發表要用的表格上，如表格所示。
[程式一]
在很多醫學及流行病學的研究中，多以建立大型的世代(cohort)來對個體進行研究。在分析感興趣的結果(outcome)時，常需要進立迴歸模式(regression model)，以控制干擾因子(confounding factors)，得到較爲正確結論。然而，由於並非所有個體的干擾因子皆可很容易的取得，尤其在研究世代樣本較大的情形下，此現象更爲明顯。正因如此，有學者提出了二階段的抽樣設計方法(two stage sampling)以解決這種問題；簡單的來說，即爲在第一階段先對研究世代中的個體收集結果變項(outcome variables)及較易取得的干擾變項，例如常見的性別，年齡等，接下來，再由第一階段中的個體，抽出部份對象，來收集不易得到的干擾因子(例如有無特定疾病史，有無抽煙習慣，通常大多以問卷調查來得到此類的資料)，再以整個第一，二階段收集到的資料來分析。
至於第二階段樣本的抽取方式，有許多不同的選擇，以常見的二元結果變項(binary outcome)爲例，假設研究問題爲探討學齡前兒童氣喘發生的主要因子。在第二階段的抽樣的常見方法爲：隨機抽樣(random sampling)，個案病例對照設計(case-control design)，平衡設計(balanced design)等。其中，以平衡設計對估計值(OR)而言，最爲有效率(efficient)。在進行統計分析步驟，須自行撰寫程式(SAS, R….)，以完成繁雜的運算。
Reference:
Neyman, J. (1938). Contribution to the theory of sampling from human populations. Journal of the American Statistical Association 33, 101-116.
如果收回的問卷，在日期部份將年、月、日各別輸入資料檔中，但當要計算時間或年齡時卻不知所措，該怎麼辦？SAS的MDY(month,day,year)函數可以將年月日重新組成一個新的日期，如此就可進一步計算了。
以下建立一個資料檔為AA，輸入(INPUT) YEAR, MONTH, DAY等變數。利用MDY()產生一個新變項BIRTHDAY，這個變數是透過YEAR, MONTH, DAY所組成，年月日變數依MDY()中的MONTH,DAY, YEAR順序依序放入，再以FORMAT指令將BIRTHDAY變數轉成YYMMDD10.的格式，即西元年-月-日，就完成日期的組合。(參見程式與結果)
[ 程式 ]
data aa;
input year month day;
birthday=mdy(month,day,year);
format birthday yymmdd10.;
典型的存活分析方法僅能用於資料之間爲獨立的情形下，然而，在臨床研究上，常收集到的資料是具有相關性的；例如，同一個體(subject)中的雙眼，腎臟，或是其它有兩個以上的器官所收集到的存活資料。此外，同一家庭內的兩個不同個體的存活資料，亦可視爲此種資料型態。
就統計分析而言，配對型存活資料常見的分析方法爲分層Cox模式(Stratified Cox model)以及脆弱模式(Frailty model)。分層Cox模式的做法是將”每一對”，當成是分層的變數，此做法在實際分析上有其便利性，因爲幾乎所有統計軟體皆可操作(SAS, STATA, R, SPSS….)，而其缺點在於分層的層數多時，參數估計的檢定力(power)較低。另外，脆弱模式則以脆弱效果(frailty effect)來處理”每一對”內資料的相關性，要先對脆弱效果做機率分配的假設，最常見的脆弱模式爲Gamma frailty model，即假設脆弱效果爲Gamma分配。目前較常見用來分析脆弱模式的統計軟體爲SAS, R。
Reference:
Aalen, O. O. and Tretli, S. (1999). Analyzing incidence of testis cancer by means of a
frailty model. Cancer causes and control 10, 285 - 292.
時間間隔的計算，在許多研究中是很重要的，包括用藥時間、存活時間、居住時間、曝露在特定污染環境的時間、住院時間等。所使用的SAS函數為INTCK('interval',from,to)。'INTERVAL'為起迄時間的時間間隔，單位可以是day, week, month, quarter, year等。FROM與TO各是「起」與「迄」的時間。
[程式一] 建立一組起迄時間，依序是start_date, end_date，日期格式是yymmdd10.，即西元年-月-日的格式。
[程式二] 在程式二中產生了5個變項(VARIABLE)，DAY, MONTH1, MONTH2, YEAR1, YEAR2。DAY為介於起迄間的天數；MONTH1為以SAS預設的MONTH計算起迄間的月數，從結果可知，SAS將取整數的月數(128個月)，小數點會被捨去(即無條件捨去)；MONTH2為以DAY除以30.475計算精準的月數(128.263個月)；同樣地YEAR1為以SAS預設的YEAR計算的起迄間的年數，從結果可知，SAS將取整數的年數(10年)，小數點會被捨去(即無條件捨去)；YEAR2為以DAY除以365.25(每4年潤年一次)計算精準的年數(10.6886年)。
[程式一];
data aa;
input id $ start_date yymmdd10. end_date yymmdd10.;
SAS的Libraries/Maps下有一個檔案Taiwan, 記錄了台灣各縣市的經緯度，透過SAS的proc gmap，我們可以將表格內容地圖化，以民國100年各縣市之標準化死亡率為例，透過地圖化，可以很快地看出死亡率的高低與各縣市的都市化程度有關。[參見台灣地圖]
[程式一] 建立民國100年各縣市之標準化死亡率資料檔，SDR為標準化死亡率。[註: 因為各縣市人口結果不同，故以2000年世界標準人口調整後的標準化率作比較]
[程式二] 為不同等級的死亡率設定在地圖上的色塊，例如 pattern5 v=ms c=brown; 其中V=MS指明區塊為實心，c=brown指明區塊顏色為棕色。
[程式三] 以 PROC FORMAT/VALUE介定區塊對應的標準化率值，並形成一個格式化名稱degfmt，任何一個變項套用這個格式，數值在300-400間的就被定義為'350-400'，其他以此類推。
[程式四] 以proc gmap畫地圖，map=maps.taiwan說明引用的地圖經緯來自目錄館為MAPS下的資料檔TAIWAN，繪圖的來源檔為data=aa。以各縣市(ID)標示區塊，並將將SDR以degfmt. 格式套用。
長期追蹤資料(Longitudinal data)常見於各領域研究中，由於對同一個體(subject)，在不同時間點所收集到觀察值具有關聯性，所以依照研究目的不同(比較不同處置方式(treatment)的效果，找出影響因子，隨時間變化的趨勢(trend analysis))在分析上多使用廣義估計方程式(GEE), 混合模式(Mixed model), 廣義線性混合模式(GLMM)等方法。此外，長期追踨資料常出現的狀況爲：不同個體間，response隨時間變化的情形相差很多，以固定(fixed effect)效果來探討，分析結果並不恰當；較爲合適的處理是考慮隨機效果(random effect)。
而群組化軌跡模式(Group-Based Trajectory Modeling, GBTM)即是先將response隨時間變化的情形分成幾大類，以使研究者可以了解主要的變化形態有哪幾種？每種所佔的比例爲何？更可以進一步地找出危險因子(risk factors)，就分析的目的而言，與前述的方法是不一樣的。分析軟體部份，目前大都使用SAS來進行GBTM, 另外，Mplus, STATA, 以及R也都有可以分析GBTM的相關套件。
Reference:
Daniel S. Nagin, Candice L. Odgers(2010). Group-Based Trajectory Modeling in Clinical Research. Annu. Rev. Clin. Psychol., 6, 109–38.
在很多研究當中，探討影響個體(subject)結果變項(outcome)的因子時，除了要考慮到個體自身收集到的解釋變數，同時也要考慮與個體存在高度相關的人，所收集到的解釋變數；例如常見的夫-妻，照顧者-被照顧者，此種資料稱之爲對偶資料(dyadic data)。很明顯的，對偶資料之間具有相關性，而且會影響對結果變項的解釋或預測。(舉例來說，結果變項爲：夫生活品質滿意度，解釋變項爲：夫社經地位高低，妻社經地位高低)。
APIM在統計分析方面，如果使用傳統的多元迴歸分析(multiple linear regression)，無法將解釋變數之間的相關性納入分析，所以並不恰當，原因在於多元迴歸分析中，解釋變數是假設爲獨立的。取而代之的，APIM多用多層次模型(Multi-Level Model: MLM)方法來分析，亦有人稱之爲階層線性模式法(Hierarchical Linear Model: HLM)。另外，也可以將”每一對”設定爲隨機效果(random effect)以混合模式(Mixed model)來分析之。
Reference:
Kenny, D. A. (1996a). Models of nonindependence in dyadic research. Journal of
Social and Personal Relationships, 13, 279–294.
