Die logistische Regression verwendet eine als Maximum-Likelihood-Sch\u00e4tzung<\/em> bekannte Methode, um eine Gleichung der folgenden Form zu finden:<\/span><\/p>\n log[p(X) \/ (1 –<\/sub> p(X))] = \u03b2 0<\/sub> + \u03b2 1<\/sub> X 1<\/sub> + \u03b2 2<\/sub> X 2<\/sub> + \u2026 + \u03b2 p<\/sub><\/strong><\/span><\/p>\n Gold:<\/span><\/p>\n Die Formel auf der rechten Seite der Gleichung sagt die logarithmische Wahrscheinlichkeit<\/strong> voraus, dass die Antwortvariable den Wert 1 annimmt.<\/span><\/p>\n Das folgende Schritt-f\u00fcr-Schritt-Beispiel zeigt, wie ein logistisches Regressionsmodell in SAS angepasst wird.<\/span><\/p>\n Zun\u00e4chst erstellen wir einen Datensatz mit Informationen zu den folgenden drei Variablen f\u00fcr 18 Studierende:<\/span><\/p>\n Als N\u00e4chstes verwenden wir die Proc-Logistik<\/strong> , um das logistische Regressionsmodell anzupassen, wobei wir \u201eAkzeptanz\u201c als Antwortvariable und \u201egpa\u201c und \u201eHandlung\u201c als Pr\u00e4diktorvariablen verwenden.<\/span><\/p>\n Hinweis<\/strong> : \u201eAbnehmend\u201c<\/strong> muss angegeben werden, damit SAS die Wahrscheinlichkeit vorhersagen kann, dass die Antwortvariable den Wert 1 annimmt. Standardm\u00e4\u00dfig sagt SAS die Wahrscheinlichkeit voraus, dass die Antwortvariable den Wert 0 annimmt.<\/span> <\/p>\n Die erste interessante Tabelle tr\u00e4gt den Titel \u201eModel Fit Statistics\u201c<\/strong> .<\/span><\/p>\n Aus dieser Tabelle k\u00f6nnen wir den AIC-Wert des Modells ersehen, der 16,595<\/strong> betr\u00e4gt. Je niedriger der AIC-Wert, desto besser kann das Modell die Daten anpassen.<\/span><\/p>\n Es gibt jedoch keinen Schwellenwert daf\u00fcr, was als \u201eguter\u201c AIC-Wert<\/a> gilt. Vielmehr verwenden wir AIC, um die Anpassung mehrerer Modelle an denselben Datensatz zu vergleichen. Das Modell mit dem niedrigsten AIC-Wert gilt allgemein als das beste.<\/span><\/p>\n Die n\u00e4chste interessante Tabelle tr\u00e4gt den Titel Testing the Global Null Hypothesis: BETA=0<\/strong> .<\/span><\/p>\n Aus dieser Tabelle k\u00f6nnen wir den Chi-Quadrat-Wert des Likelihood-Verh\u00e4ltnisses von 13,4620<\/strong> mit einem entsprechenden p-Wert von 0,0012<\/strong> ersehen.<\/span><\/p>\n Da dieser p-Wert kleiner als 0,05 ist, bedeutet dies, dass das logistische Regressionsmodell als Ganzes statistisch signifikant ist.<\/span><\/p>\n Als N\u00e4chstes k\u00f6nnen wir die Koeffizientensch\u00e4tzungen in der Tabelle mit dem Titel \u201eAnalyse der Maximum-Likelihood-Sch\u00e4tzungen\u201c<\/strong> analysieren.<\/span><\/p>\n Aus dieser Tabelle k\u00f6nnen wir die Koeffizienten f\u00fcr GPA und Act ersehen, die die durchschnittliche \u00c4nderung der logarithmischen Wahrscheinlichkeit einer Aufnahme ins College bei einer Erh\u00f6hung um eine Einheit in jeder Variablen angeben.<\/span><\/p>\n Zum Beispiel:<\/span><\/p>\n Die entsprechenden p-Werte im Ergebnis geben uns auch eine Vorstellung davon, wie effektiv jede Pr\u00e4diktorvariable bei der Vorhersage der Akzeptanzwahrscheinlichkeit ist:<\/span><\/p>\n Dies zeigt uns, dass der Notendurchschnitt (GPA) ein statistisch signifikanter Pr\u00e4diktor f\u00fcr die Hochschulakzeptanz zu sein scheint, w\u00e4hrend der ACT-Score statistisch nicht signifikant zu sein scheint.<\/span><\/p>\n In den folgenden Tutorials wird erl\u00e4utert, wie andere Regressionsmodelle in SAS angepasst werden:<\/span><\/p>\n So f\u00fchren Sie eine einfache lineare Regression in SAS durch<\/a> Die logistische Regression ist eine Methode, mit der wir ein Regressionsmodell anpassen k\u00f6nnen, wenn die Antwortvariable bin\u00e4r ist. Die logistische Regression verwendet eine als Maximum-Likelihood-Sch\u00e4tzung bekannte Methode, um eine Gleichung der folgenden Form zu finden: log[p(X) \/ (1 – p(X))] = \u03b2 0 + \u03b2 1 X 1 + \u03b2 2 X 2 + \u2026 […]<\/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\n
Schritt 1: Erstellen Sie den Datensatz<\/strong><\/span><\/h3>\n
\n
\/*create dataset*\/\n<\/span>data<\/span> my_data;\n input<\/span> acceptance gpa act;\n datalines<\/span> ;\n1 3 30\n0 1 21\n0 2 26\n0 1 24\n1 3 29\n1 3 34\n0 3 31\n1 2 29\n0 1 21\n1 2 21\n0 1 15\n1 3 32\n1 4 31\n1 4 29\n0 1 24\n1 4 29\n1 3 21\n1 4 34\n;\nrun<\/span> ;\n\n\/*view dataset*\/\n<\/span>proc print<\/span> data<\/span> =my_data;\n<\/strong><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/journalsas1.jpg\")
<\/p>\n Schritt 2: Passen Sie das logistische Regressionsmodell an<\/strong><\/span><\/h3>\n
\/*fit logistic regression model*\/\n<\/span>proc logistic<\/span> data<\/span> =my_data descending<\/span> ;\n model<\/span> acceptance = gpa act;\nrun<\/span> ;<\/strong><\/span>\n<\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/logsas2.jpg\")
<\/p>\n\n
\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So f\u00fchren Sie eine multiple lineare Regression in SAS durch<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"