Contoh berikut menunjukkan bagaimana menggunakan pernyataan ini dalam praktik.<\/span><\/p>\n Misalkan kita ingin menyesuaikan model regresi linier berganda yang menggunakan (1)<\/strong> jumlah jam yang dihabiskan untuk belajar, (2)<\/strong> jumlah persiapan ujian yang diambil, dan (3)<\/strong> jenis kelamin untuk memprediksi nilai akhir ujian siswa.<\/span><\/p>\n Pertama, kita akan menggunakan kode berikut untuk membuat kumpulan data yang berisi informasi ini untuk 20 siswa:<\/span> <\/p>\n Selanjutnya, kita akan menggunakan pernyataan PROC GLMSELECT<\/strong> untuk mengidentifikasi subset variabel prediktor yang menghasilkan model regresi terbaik:<\/span><\/p>\n Catatan<\/strong> : Kami menyertakan gender<\/strong> dalam pernyataan kelas<\/strong> karena merupakan variabel kategori.<\/span><\/p>\n Kelompok tabel pertama pada keluaran menunjukkan gambaran umum prosedur GLMSELECT:<\/span> <\/p>\n Kita dapat melihat bahwa kriteria yang digunakan untuk menghentikan penambahan atau penghapusan variabel dari model adalah SBC<\/strong> , yang merupakan kriteria informasi Schwarz<\/em> , kadang-kadang disebut kriteria informasi Bayesian<\/em> .<\/span><\/p>\n Intinya, pernyataan PROC GLMSELECT<\/strong> terus menambahkan atau menghapus variabel dari model hingga menemukan model dengan nilai SBC terendah, yang dianggap sebagai model “terbaik”.<\/span><\/p>\n Kelompok tabel berikut memperlihatkan bagaimana pemilihan langkah demi langkah berakhir:<\/span> <\/p>\n Kita dapat melihat bahwa model yang hanya memiliki suku asli memiliki nilai SBC sebesar 93.4337<\/strong> .<\/span><\/p>\n Dengan menambahkan jam sebagai variabel prediktor dalam model, nilai SBC turun menjadi 70.4452<\/strong> .<\/span><\/p>\n Cara terbaik untuk menyempurnakan model adalah dengan menambahkan gender sebagai variabel prediktor, namun hal ini justru meningkatkan nilai SBC menjadi 71,7383.<\/strong><\/span><\/p>\n Dengan demikian, model akhir hanya mencakup suku intersep dan waktu yang dipelajari.<\/span><\/p>\n Bagian terakhir dari hasil menunjukkan ringkasan model regresi yang sesuai ini:<\/span> <\/p>\n Kita dapat menggunakan nilai dalam tabel Estimasi Parameter<\/strong> untuk menulis model regresi yang sesuai:<\/span><\/p>\n Nilai ujian = 67.161689 + 5.250257 (jam belajar)<\/strong><\/span><\/p>\n Kami juga dapat melihat berbagai metrik yang memberi tahu kami seberapa cocok model ini dengan data:<\/p>\n Nilai R-Square<\/strong> menunjukkan persentase variasi nilai ujian yang dapat dijelaskan oleh jumlah jam belajar dan jumlah persiapan ujian yang diambil.<\/span><\/p>\n Dalam hal ini, 72,73%<\/strong> variasi nilai ujian dapat dijelaskan oleh jumlah jam belajar dan jumlah persiapan ujian yang diambil.<\/span><\/p>\n Nilai Root MSE<\/strong> juga berguna untuk diketahui. Ini mewakili jarak rata-rata antara nilai yang diamati dan garis regresi.<\/span><\/p>\n Dalam model regresi ini, nilai yang diamati rata-rata menyimpang sebesar 5,28052<\/strong> satuan dari garis regresi.<\/span><\/p>\n Catatan<\/strong> : Lihat dokumentasi SAS<\/a> untuk daftar lengkap argumen potensial yang dapat Anda gunakan dengan PROC GLMSELECT<\/strong> .<\/span><\/p>\n Tutorial berikut menjelaskan cara melakukan tugas umum lainnya di SAS:<\/span><\/p>\n Cara melakukan regresi linier sederhana di SAS<\/a> Anda dapat menggunakan pernyataan PROC GLMSELECT di SAS untuk memilih model regresi terbaik berdasarkan daftar variabel prediktor potensial. Contoh berikut menunjukkan bagaimana menggunakan pernyataan ini dalam praktik. Contoh: Cara menggunakan PROC GLMSELECT di SAS untuk pemilihan model Misalkan kita ingin menyesuaikan model regresi linier berganda yang menggunakan (1) jumlah jam yang dihabiskan untuk belajar, (2) […]<\/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 Contoh: Cara menggunakan PROC GLMSELECT di SAS untuk pemilihan model<\/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 Sumber daya tambahan<\/strong><\/span><\/h2>\n
Cara melakukan regresi linier berganda di SAS<\/a>
Cara melakukan regresi polinomial di SAS<\/a>
Cara melakukan regresi logistik di SAS<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"