Es wird wie folgt berechnet:<\/span><\/p>\n AIC = 2K \u2013 2 ln<\/em> (L)<\/span><\/p>\n Gold:<\/span><\/p>\n AIC soll das Modell finden, das die gr\u00f6\u00dfte Variation in den Daten erkl\u00e4rt, und gleichzeitig Modelle bestrafen, die eine \u00fcberm\u00e4\u00dfige Anzahl von Parametern verwenden.<\/span><\/p>\n Nachdem Sie mehrere Regressionsmodelle angepasst haben, k\u00f6nnen Sie<\/span> den AIC-Wert jedes Modells vergleichen. Je niedriger der AIC, desto geeigneter ist das Modell.<\/span><\/p>\n Das folgende Beispiel zeigt, wie der AIC f\u00fcr verschiedene Regressionsmodelle in SAS berechnet wird.<\/span><\/p>\n Angenommen, wir m\u00f6chten drei verschiedene multiple lineare Regressionsmodelle<\/a> anpassen, um die Pr\u00fcfungsnote vorherzusagen, die Sch\u00fcler in einer Klasse erreichen werden.<\/span><\/p>\n Hier sind die Pr\u00e4diktorvariablen, die wir in jedem Modell verwenden werden:<\/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 jedes dieser Regressionsmodelle anzupassen, und verwenden die aic-Anweisung \u201eselection=adjrsq sse\u201c,<\/strong> um die AIC-Werte f\u00fcr jedes Modell zu berechnen:<\/span> <\/p>\n Aus dem Ergebnis k\u00f6nnen wir die AIC-Werte f\u00fcr jedes Modell sehen:<\/span><\/p>\n Das Modell mit dem niedrigsten AIC-Wert ist dasjenige, das nur Stunden als Pr\u00e4diktorvariable enth\u00e4lt.<\/span><\/p>\n Daher erkl\u00e4ren wir, dass das folgende Modell am besten zu den Daten passt:<\/span><\/p>\n Punktzahl = \u03b2 0<\/sub> + \u03b2 1<\/sub> (Studienstunden)<\/span><\/p>\n Sobald wir dieses Modell als das beste Modell identifiziert haben, k\u00f6nnen wir es anpassen und die Ergebnisse analysieren, einschlie\u00dflich des R-Quadrat-Werts und der Beta-Koeffizienten, um die genaue Beziehung zwischen den Lernstunden und der Sch\u00fclernote zu bestimmen. ‚Abschlusspr\u00fcfung.<\/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> Das Akaike Information Criterion (AIC) ist eine Metrik, die zum Vergleich der Passung mehrerer Regressionsmodelle verwendet wird. Es wird wie folgt berechnet: AIC = 2K \u2013 2 ln (L) Gold: K: Die Anzahl der Modellparameter. Der Standardwert von K ist 2, sodass ein Modell mit nur einer Pr\u00e4diktorvariablen einen K-Wert von 2+1 = 3 hat. […]<\/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
Beispiel: So berechnen Sie AIC in SAS<\/strong><\/span><\/h2>\n
\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 \/*fit multiple linear regression models and calculate AIC for each model*\/<\/span>\nproc reg<\/span> data<\/span> =exam_data;\n model<\/span> score = hours prep_exams \/ selection=adjrsq sse aic;\nrun<\/span> ;<\/strong> <\/pre>\n![\"Berechnen](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/aic1.png\")
<\/p>\n\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h2>\n
So f\u00fchren Sie eine multiple lineare Regression in SAS durch<\/a>
So berechnen Sie das R-Quadrat in SAS<\/a>
So berechnen Sie RMSE in SAS<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"