Das Ziel der schrittweisen Regression besteht darin, ein Regressionsmodell zu erstellen, das alle Pr\u00e4diktorvariablen umfasst, die statistisch signifikant mit der Antwortvariablen<\/a> zusammenh\u00e4ngen.<\/span><\/p>\n Um eine schrittweise Regression in SAS durchzuf\u00fchren, k\u00f6nnen Sie PROC REG<\/strong> mit der SELECTION-<\/strong> Anweisung verwenden.<\/span><\/p>\n Das folgende Beispiel zeigt, wie man in der Praxis eine schrittweise Regression in SAS durchf\u00fchrt.<\/span><\/p>\n Angenommen, wir haben den folgenden Datensatz in SAS, der vier Pr\u00e4diktorvariablen (x1, x2, x3, x4) und eine Antwortvariable (y) enth\u00e4lt:<\/span> <\/p>\n Nehmen wir nun an, wir m\u00f6chten bestimmen, welche Kombination von Pr\u00e4diktorvariablen das beste multiple lineare Regressionsmodell<\/a> ergibt.<\/span><\/p>\n Wenn wir vom \u201ebesten\u201c Regressionsmodell sprechen, meinen wir das Modell, das bestimmte Ma\u00dfe maximiert oder minimiert.<\/span><\/p>\n Es gibt zwei Metriken, die wir \u00fcblicherweise verwenden, um zu bewerten, welches Regressionsmodell aus einer Gruppe potenzieller Modelle das beste ist:<\/span><\/p>\n 1. Angepasstes R-Quadrat<\/strong> : Der angepasste R-Quadrat-Wert<\/a> sagt uns die N\u00fctzlichkeit eines Modells, angepasst basierend auf der Anzahl der Pr\u00e4diktoren in einem Modell. Das Modell mit dem h\u00f6chsten angepassten R-Quadrat-Wert gilt als das beste.<\/span><\/p>\n 2. AIC<\/strong> : Das Akaike Information Criterion<\/a> (AIC) ist eine Metrik, die zum Vergleich der Passung verschiedener Regressionsmodelle verwendet wird. Das Modell mit dem niedrigsten AIC-Wert gilt als das beste.<\/span><\/p>\n Gl\u00fccklicherweise k\u00f6nnen wir mithilfe von PROC REG<\/strong> mit der SELECTION-<\/strong> Anweisung sowohl die angepassten R-Quadrat- als auch die AIC-Werte f\u00fcr Regressionsmodelle in SAS berechnen.<\/span><\/p>\n Der folgende Code zeigt, wie das geht:<\/span> <\/p>\n Die Ausgabe zeigt die angepassten R-Quadrat- und AIC-Werte f\u00fcr jedes m\u00f6gliche multiple lineare Regressionsmodell an.<\/span><\/p>\n Aus dem Ergebnis k\u00f6nnen wir ersehen, dass der Wert mit dem h\u00f6chsten angepassten R-Quadrat-Wert und<\/em> dem niedrigsten AIC-Wert das Regressionsmodell ist, das nur x3 und x4 als Pr\u00e4diktorvariablen verwendet.<\/span><\/p>\n Daher erkl\u00e4ren wir, dass das folgende Modell \u201edas Beste\u201c unter allen m\u00f6glichen Modellen ist:<\/span><\/p>\n y = b 0<\/sub> + b 1<\/sub> (x3) + b 2<\/sub> (x4)<\/span><\/p>\n Dieses spezielle Regressionsmodell weist die folgenden Metriken auf:<\/span><\/p>\n Beachten Sie, dass das Modell mit dem h\u00f6chsten angepassten R-Quadrat-Wert manchmal nicht immer auch den niedrigsten AIC-Wert aufweist.<\/span><\/p>\n Wenn es um die Entscheidung geht, welches Regressionsmodell das beste ist, dienen das angepasste R-Quadrat und der AIC als Vorschl\u00e4ge, aber in der realen Welt m\u00fcssen Sie m\u00f6glicherweise Dom\u00e4nenexpertise nutzen, um zu bestimmen, welches Modell das beste ist.<\/span><\/p>\n Es kann auch sinnvoll sein, ein sparsames Modell<\/a> zu w\u00e4hlen, also ein Modell, das mit m\u00f6glichst wenigen Pr\u00e4diktorvariablen den gew\u00fcnschten Grad an Anpassung erreicht.<\/span><\/p>\n Der Grundgedanke hinter diesem Modelltyp geht auf die Idee von Occams Rasiermesser<\/a> (manchmal auch \u201eSparsamkeitsprinzip\u201c genannt) zur\u00fcck, die besagt, dass die einfachste Erkl\u00e4rung wahrscheinlich die richtige ist.<\/span><\/p>\n Auf die Statistik angewendet sollte ein Modell, das \u00fcber wenige Parameter verf\u00fcgt, aber ein zufriedenstellendes Ma\u00df an Anpassung erreicht, einem Modell vorgezogen werden, das \u00fcber viele Parameter verf\u00fcgt und nur ein geringf\u00fcgig h\u00f6heres Ma\u00df an Anpassung erreicht.<\/span><\/p>\n In den folgenden Tutorials wird erl\u00e4utert, wie Sie andere h\u00e4ufige Aufgaben in SAS ausf\u00fchren:<\/span><\/p>\n So f\u00fchren Sie eine einfache lineare Regression in SAS durch<\/a> Schrittweise Regression ist ein Verfahren, mit dem wir ein Regressionsmodell aus einer Reihe von Pr\u00e4diktorvariablen erstellen k\u00f6nnen, indem wir Pr\u00e4diktoren Schritt f\u00fcr Schritt in das Modell eingeben und entfernen, bis es keinen statistisch g\u00fcltigen Grund mehr f\u00fcr die Eingabe von oder gibt mehr l\u00f6schen. Das Ziel der schrittweisen Regression besteht darin, ein Regressionsmodell zu erstellen, […]<\/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 Beispiel: Durchf\u00fchren einer schrittweisen Regression in SAS<\/span><\/strong><\/h2>\n
\/*create dataset*\/\n<\/span>data<\/span> my_data;\n input<\/span> x1 x2 x3 x4 y;\n datalines<\/span> ;\n1 4 10 13 78\n2 4 12 14 81\n5 3 7 10 75\n8 2 13 9 97\n10 5 12 5 95\n14 7 8 6 90\n17 8 10 6 86 \n19 5 15 5 90\n20 5 12 4 93\n21 4 10 3 95\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\/pas-a-pas1.jpg\")
<\/p>\n \/*perform stepwise multiple linear regression*\/\n<\/span>proc reg<\/span> data<\/span> =my_data outest<\/span> =est;\n model<\/span> y=x1 x2 x3 x4 \/ selection=adjrsq aic ;\n output out<\/span> =out p=pr=r;\nrun<\/span> ;\nquit<\/span> ; \n<\/strong><\/pre>\n![\"Schritt-f\u00fcr-Schritt-Regression](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/pas-a-pas2.jpg\")
<\/p>\n\n
Hinweise zur Auswahl des \u201ebesten\u201c Regressionsmodells<\/strong><\/span><\/h2>\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h2>\n
So f\u00fchren Sie eine multiple lineare Regression in SAS durch<\/a>
So f\u00fchren Sie eine Polynomregression in SAS durch<\/a>
So f\u00fchren Sie eine logistische Regression in SAS durch<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"