In diesem Tutorial wird erl\u00e4utert, wie Sie in SAS eine multiple lineare Regression durchf\u00fchren.<\/span><\/p>\n Angenommen, wir m\u00f6chten ein multiples lineares Regressionsmodell anpassen, das die Anzahl der Lernstunden und die Anzahl der abgelegten \u00dcbungspr\u00fcfungen verwendet, um die Abschlussnote der Sch\u00fcler vorherzusagen:<\/span><\/p>\n Pr\u00fcfungsergebnis = \u03b2 0<\/sub> + \u03b2 1<\/sub> (Stunden) + \u03b2 2<\/sub> (Vorpr\u00fcfungen)<\/span><\/p>\n Zuerst verwenden wir den folgenden Code, um einen Datensatz mit diesen Informationen f\u00fcr 20 Sch\u00fcler zu erstellen:<\/span><\/p>\n Als N\u00e4chstes verwenden wir proc reg<\/strong> , um ein multiples lineares Regressionsmodell an die Daten anzupassen:<\/span> <\/p>\n So interpretieren Sie die relevantesten Zahlen in jeder Tabelle:<\/span><\/p>\n L\u00fcckenanalysetabelle:<\/strong><\/span><\/p>\n Der Gesamt- F-Wert<\/a> des Regressionsmodells betr\u00e4gt 23,46<\/b> und der entsprechende p-Wert ist <0,0001<\/strong> .<\/span><\/p>\n Da dieser p-Wert kleiner als 0,05 ist, schlie\u00dfen wir, dass das Regressionsmodell insgesamt statistisch signifikant ist.<\/span><\/p>\n Modellanpassungstabelle:<\/strong><\/span><\/p>\n Der R-Quadrat-<\/strong> Wert gibt uns den Prozentsatz der Variation in den Pr\u00fcfungsergebnissen an, der durch die Anzahl der Lernstunden und die Anzahl der abgelegten Vorbereitungspr\u00fcfungen erkl\u00e4rt werden kann.<\/span><\/p>\n Im Allgemeinen gilt: Je gr\u00f6\u00dfer der R-Quadrat-Wert<\/a> eines Regressionsmodells, desto besser k\u00f6nnen die Pr\u00e4diktorvariablen den Wert der Antwortvariablen vorhersagen.<\/span><\/p>\n In diesem Fall lassen sich 73,4 %<\/strong> der Abweichungen bei den Pr\u00fcfungsergebnissen durch die Anzahl der Lernstunden und die Anzahl der abgelegten Vorbereitungspr\u00fcfungen erkl\u00e4ren.<\/span><\/p>\n Es ist auch hilfreich, den Root-MSE-<\/strong> Wert zu kennen. Dies stellt den durchschnittlichen Abstand zwischen den beobachteten Werten und der Regressionsgeraden dar.<\/span><\/p>\n In diesem Regressionsmodell weichen die beobachteten Werte im Durchschnitt um 5,3657<\/strong> Einheiten von der Regressionsgeraden ab.<\/span><\/p>\n Tabelle der Parametersch\u00e4tzungen:<\/strong><\/span><\/p>\n Wir k\u00f6nnen die Parametersch\u00e4tzwerte in dieser Tabelle verwenden, um die angepasste Regressionsgleichung zu schreiben:<\/span><\/p>\n Pr\u00fcfungsergebnis = 67,674 + 5,556*(Stunden) \u2013 0,602*(prep_exams)<\/span><\/p>\n Mit dieser Gleichung k\u00f6nnen wir die gesch\u00e4tzte Pr\u00fcfungspunktzahl eines Studenten ermitteln, basierend auf der Anzahl der Lernstunden und der Anzahl der abgelegten \u00dcbungspr\u00fcfungen.<\/span><\/p>\n Beispielsweise sollte ein Student, der 3 Stunden lernt und 2 Vorbereitungspr\u00fcfungen ablegt, eine Pr\u00fcfungspunktzahl von 83,1<\/strong> erhalten:<\/span><\/p>\n Gesch\u00e4tztes Pr\u00fcfungsergebnis = 67,674 + 5,556*(3) \u2013 0,602*(2) = 83,1<\/strong><\/span><\/p>\n Der p-Wert f\u00fcr Stunden (<0,0001) liegt unter 0,05, was bedeutet, dass ein statistisch signifikanter Zusammenhang mit dem Pr\u00fcfungsergebnis besteht.<\/span><\/p>\n Allerdings betr\u00e4gt der p-Wert f\u00fcr Vorbereitungspr\u00fcfungen (0,5193) nicht weniger als 0,05, was bedeutet, dass er keinen statistisch signifikanten Zusammenhang mit dem Pr\u00fcfungsergebnis hat.<\/span><\/p>\n M\u00f6glicherweise entscheiden wir uns, vorbereitende Pr\u00fcfungen aus dem Modell zu entfernen, da sie statistisch nicht signifikant sind, und f\u00fchren stattdessen eine einfache lineare Regression<\/a> durch, wobei wir die untersuchten Stunden als einzige Pr\u00e4diktorvariable verwenden.<\/span><\/p>\n In den folgenden Tutorials wird erl\u00e4utert, wie Sie andere h\u00e4ufige Aufgaben in SAS ausf\u00fchren:<\/span><\/p>\n So berechnen Sie die Korrelation in SAS<\/a> Die multiple lineare Regression ist eine Methode, mit der wir die Beziehung zwischen zwei oder mehr Pr\u00e4diktorvariablen und einer Antwortvariablen verstehen k\u00f6nnen. In diesem Tutorial wird erl\u00e4utert, wie Sie in SAS eine multiple lineare Regression durchf\u00fchren. Schritt 1: Erstellen Sie die Daten Angenommen, wir m\u00f6chten ein multiples lineares Regressionsmodell anpassen, das die Anzahl der Lernstunden […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Schritt 1: Erstellen Sie die Daten<\/strong><\/span><\/h3>\n
\/*create dataset*\/\n<\/span>data<\/span> exam_data;\n input<\/span> hours prep_exams score;\n datalines<\/span> ;\n1 1 76\n2 3 78\n2 3 85\n4 5 88\n2 2 72\n1 2 69\n5 1 94\n4 1 94\n2 0 88\n4 3 92\n4 4 90\n3 3 75\n6 2 96\n5 4 90\n3 4 82\n4 4 85\n6 5 99\n2 1 83\n1 0 62\n2 1 76\n;\nrun<\/span> ;\n<\/strong><\/pre>\n Schritt 2: F\u00fchren Sie eine multiple lineare Regression durch<\/strong><\/span><\/h3>\n
\/*fit multiple linear regression model*\/<\/span>\nproc reg<\/span> data<\/span> =exam_data;\n model<\/span> score = hours prep_exams;\nrun<\/span> ;<\/strong> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/multsas1.jpg\")
<\/p>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So f\u00fchren Sie eine einfache lineare Regression in SAS durch<\/a>
So f\u00fchren Sie eine einfaktorielle ANOVA in SAS durch<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"