Das folgende Beispiel zeigt, wie diese Anweisung in der Praxis verwendet wird.<\/span><\/p>\n Angenommen, wir m\u00f6chten ein multiples lineares Regressionsmodell anpassen, das (1)<\/strong> die Anzahl der Lernstunden, (2)<\/strong> die Anzahl der abgelegten Vorbereitungspr\u00fcfungen und (3)<\/strong> das Geschlecht verwendet, um die Abschlussnote der Pr\u00fcfung der Sch\u00fcler vorherzusagen.<\/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 die PROC GLMSELECT<\/strong> -Anweisung, um die Teilmenge der Pr\u00e4diktorvariablen zu identifizieren, die das beste Regressionsmodell erzeugt:<\/span><\/p>\n Hinweis<\/strong> : Wir haben das Geschlecht<\/strong> in die Klassenanweisung<\/strong> aufgenommen, da es sich um eine kategoriale Variable handelt.<\/span><\/p>\n Die erste Tabellengruppe in der Ausgabe zeigt einen \u00dcberblick \u00fcber die GLMSELECT-Prozedur:<\/span> <\/p>\n Wir k\u00f6nnen sehen, dass das Kriterium, das zum Stoppen des Hinzuf\u00fcgens oder Entfernens von Variablen aus dem Modell verwendet wurde, SBC<\/strong> war, das Schwarz-Informationskriterium<\/em> , manchmal auch Bayes’sches Informationskriterium<\/em> genannt.<\/span><\/p>\n Im Wesentlichen f\u00fcgt die PROC GLMSELECT-<\/strong> Anweisung dem Modell so lange Variablen hinzu oder entfernt sie, bis sie das Modell mit dem niedrigsten SBC-Wert findet, das als \u201ebestes\u201c Modell gilt.<\/span><\/p>\n Die folgende Tabellengruppe zeigt, wie die schrittweise Auswahl endete:<\/span> <\/p>\n Wir k\u00f6nnen sehen, dass ein Modell, das nur den urspr\u00fcnglichen Term enthielt, einen SBC-Wert von 93,4337<\/strong> hatte.<\/span><\/p>\n Durch das Hinzuf\u00fcgen von Stunden als Pr\u00e4diktorvariable im Modell sank der SBC-Wert auf 70,4452<\/strong> .<\/span><\/p>\n Der beste Weg, das Modell zu verbessern, bestand darin, das Geschlecht als Pr\u00e4diktorvariable hinzuzuf\u00fcgen, aber dadurch erh\u00f6hte sich der SBC-Wert tats\u00e4chlich auf 71,7383.<\/strong><\/span><\/p>\n Somit umfasst das endg\u00fcltige Modell nur den Intercept-Term und die untersuchten Zeiten.<\/span><\/p>\n Der letzte Teil des Ergebnisses zeigt die Zusammenfassung dieses angepassten Regressionsmodells:<\/span> <\/p>\n Wir k\u00f6nnen die Werte in der Tabelle \u201eParametersch\u00e4tzungen\u201c<\/strong> verwenden, um das angepasste Regressionsmodell zu schreiben:<\/span><\/p>\n Pr\u00fcfungsergebnis = 67,161689 + 5,250257 (Studienstunden)<\/strong><\/span><\/p>\n Wir k\u00f6nnen auch verschiedene Metriken sehen, die uns sagen, wie gut dieses Modell zu den Daten passt:<\/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 In diesem Fall lassen sich 72,73 %<\/strong> der Abweichungen in 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 5,28052<\/strong> Einheiten von der Regressionsgeraden ab.<\/span><\/p>\n Hinweis<\/strong> : Eine vollst\u00e4ndige Liste potenzieller Argumente, die Sie mit PROC GLMSELECT<\/strong> verwenden k\u00f6nnen, finden Sie in der SAS-Dokumentation<\/a> .<\/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> Sie k\u00f6nnen die PROC GLMSELECT- Anweisung in SAS verwenden, um das beste Regressionsmodell basierend auf einer Liste potenzieller Pr\u00e4diktorvariablen auszuw\u00e4hlen. Das folgende Beispiel zeigt, wie diese Anweisung in der Praxis verwendet wird. Beispiel: Verwendung von PROC GLMSELECT in SAS zur Modellauswahl Angenommen, wir m\u00f6chten ein multiples lineares Regressionsmodell anpassen, das (1) 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 Beispiel: Verwendung von PROC GLMSELECT in SAS zur Modellauswahl<\/strong><\/span><\/h2>\n
\/*create dataset*\/\n<\/span>data<\/span> exam_data;\n input<\/span> hours prep_exams gender $score;\n datalines<\/span> ;\n1 1 0 76\n2 3 1 78\n2 3 0 85\n4 5 0 88\n2 2 0 72\n1 2 1 69\n5 1 1 94\n4 1 0 94\n2 0 1 88\n4 3 0 92\n4 4 1 90\n3 3 1 75\n6 2 1 96\n5 4 0 90\n3 4 0 82\n4 4 1 85\n6 5 1 99\n2 1 0 83\n1 0 1 62\n2 1 0 76\n;\nrun<\/span> ;\n\n\/*view dataset*\/<\/span>\nproc print<\/span> data<\/span> =exam_data;\n<\/strong><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/glm1.png\")
<\/p>\n \/*perform model selection*\/\n<\/span>proc glmselect<\/span> data<\/span> =exam_data;\n classgender<\/span> ;\n model<\/span> score = hours prep_exams gender;\nrun<\/span> ;\n<\/strong><\/span><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/glm2.png\")
<\/p>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/glm3.png\")
<\/p>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/glm4.png\")
<\/p>\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":"