L’esempio seguente mostra come utilizzare questa affermazione nella pratica.<\/span><\/p>\n Supponiamo di voler adattare un modello di regressione lineare multipla che utilizza (1)<\/strong> il numero di ore trascorse a studiare, (2)<\/strong> il numero di esami preparatori sostenuti e (3)<\/strong> il genere per prevedere il voto finale dell’esame degli studenti.<\/span><\/p>\n Innanzitutto, utilizzeremo il seguente codice per creare un set di dati contenente queste informazioni per 20 studenti:<\/span> <\/p>\n Successivamente, utilizzeremo l’istruzione PROC GLMSELECT<\/strong> per identificare il sottoinsieme di variabili predittive che produce il miglior modello di regressione:<\/span><\/p>\n Nota<\/strong> : abbiamo incluso il genere<\/strong> nella dichiarazione della classe<\/strong> perch\u00e9 \u00e8 una variabile categoriale.<\/span><\/p>\n Il primo gruppo di tabelle nell’output mostra una panoramica della procedura GLMSELECT:<\/span> <\/p>\n Possiamo vedere che il criterio utilizzato per smettere di aggiungere o rimuovere variabili dal modello era SBC<\/strong> , che \u00e8 il criterio informativo di Schwarz<\/em> , a volte chiamato criterio informativo bayesiano<\/em> .<\/span><\/p>\n In sostanza, l’istruzione PROC GLMSELECT<\/strong> continua ad aggiungere o rimuovere variabili dal modello finch\u00e9 non trova il modello con il valore SBC pi\u00f9 basso, che \u00e8 considerato il modello “migliore”.<\/span><\/p>\n Il seguente gruppo di tabelle mostra come si \u00e8 conclusa la selezione passo passo:<\/span> <\/p>\n Possiamo vedere che un modello con solo il termine originale aveva un valore SBC di 93.4337<\/strong> .<\/span><\/p>\n Aggiungendo le ore come variabile predittiva nel modello, il valore SBC \u00e8 sceso a 70,4452<\/strong> .<\/span><\/p>\n Il modo migliore per migliorare il modello era aggiungere il sesso come variabile predittrice, ma ci\u00f2 in realt\u00e0 ha aumentato il valore SBC a 71,7383.<\/strong><\/span><\/p>\n Pertanto, il modello finale include solo il termine dell’intercetta e i tempi studiati.<\/span><\/p>\n L’ultima parte del risultato mostra il riepilogo di questo modello di regressione adattata:<\/span> <\/p>\n Possiamo utilizzare i valori nella tabella Stime dei parametri<\/strong> per scrivere il modello di regressione adattato:<\/span><\/p>\n Punteggio esame = 67.161689 + 5.250257 (ore studiate)<\/strong><\/span><\/p>\n Possiamo anche vedere vari parametri che ci dicono quanto bene questo modello si adatta ai dati:<\/p>\n Il valore R-Square<\/strong> ci dice la percentuale di variazione nei punteggi degli esami che pu\u00f2 essere spiegata dal numero di ore studiate e dal numero di esami preparatori sostenuti.<\/span><\/p>\n In questo caso, il 72,73%<\/strong> della variazione dei punteggi degli esami \u00e8 spiegabile dal numero di ore studiate e dal numero di esami preparatori sostenuti.<\/span><\/p>\n \u00c8 utile conoscere anche il valore Root MSE<\/strong> . Questo rappresenta la distanza media tra i valori osservati e la retta di regressione.<\/span><\/p>\n In questo modello di regressione, i valori osservati si discostano in media di 5,28052<\/strong> unit\u00e0 dalla retta di regressione.<\/span><\/p>\n Nota<\/strong> : fare riferimento alla documentazione SAS<\/a> per un elenco completo dei potenziali argomenti che \u00e8 possibile utilizzare con PROC GLMSELECT<\/strong> .<\/span><\/p>\n I seguenti tutorial spiegano come eseguire altre attivit\u00e0 comuni in SAS:<\/span><\/p>\n Come eseguire una regressione lineare semplice in SAS<\/a> \u00c8 possibile utilizzare l’istruzione PROC GLMSELECT in SAS per selezionare il miglior modello di regressione in base a un elenco di potenziali variabili predittive. L’esempio seguente mostra come utilizzare questa affermazione nella pratica. Esempio: come utilizzare PROC GLMSELECT in SAS per la selezione del modello Supponiamo di voler adattare un modello di regressione lineare multipla […]<\/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 Esempio: come utilizzare PROC GLMSELECT in SAS per la selezione del modello<\/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 Risorse addizionali<\/strong><\/span><\/h2>\n
Come eseguire la regressione lineare multipla in SAS<\/a>
Come eseguire la regressione polinomiale in SAS<\/a>
Come eseguire la regressione logistica in SAS<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"