Sas တွင် aic တွက်ချက်နည်း (ဥပမာနှင့်အတူ)

Akaike Information Criterion (AIC) သည် များစွာသော ဆုတ်ယုတ်မှုပုံစံများ၏ အံကိုက်ကို နှိုင်းယှဉ်ရန် အသုံးပြုသည့် မက်ထရစ်တစ်ခုဖြစ်သည်။

အောက်ပါအတိုင်း တွက်ချက်သည်။

AIC = 2K – 2 ln (L)

ရွှေ-

• K- မော်ဒယ် ကန့်သတ်ချက်များ အရေအတွက်။ K ၏ မူရင်းတန်ဖိုးသည် 2 ဖြစ်သည်၊ ထို့ကြောင့် ခန့်မှန်းသူကိန်းရှင်တစ်ခုသာရှိသော မော်ဒယ်တွင် K တန်ဖိုး 2+1 = 3 ရှိပါမည်။
• ln (L) : မော်ဒယ်၏ မှတ်တမ်းဖြစ်နိုင်ခြေ။ စာရင်းအင်းဆော့ဖ်ဝဲအများစုသည် သင့်အတွက် ဤတန်ဖိုးကို အလိုအလျောက်တွက်ချက်ပေးနိုင်ပါသည်။

AIC သည် ကန့်သတ်နံပါတ်များ အလွန်အကျွံသုံးသည့် မော်ဒယ်များကို အပြစ်ပေးစဉ်တွင် ဒေတာ၏ ကွဲလွဲမှုကို ရှင်းပြသည့် မော်ဒယ်ကို ရှာဖွေရန် ဒီဇိုင်းထုတ်ထားသည်။

သင်သည် များစွာသော ဆုတ်ယုတ်မှုပုံစံများကို တပ်ဆင်ပြီးသည်နှင့်၊ သင်သည် မော်ဒယ်တစ်ခုစီ၏ AIC တန်ဖိုးကို နှိုင်းယှဉ်နိုင်သည်။ AIC နိမ့်လေ၊ မော်ဒယ်က ပိုသင့်တော်လေဖြစ်သည်။

အောက်ပါဥပမာသည် SAS ရှိ မတူညီသော ဆုတ်ယုတ်မှုပုံစံများအတွက် AIC တွက်ချက်နည်းကို ပြသထားသည်။

ဥပမာ- SAS တွင် AIC တွက်ချက်နည်း

အတန်းတစ်တန်းတွင် စာမေးပွဲအဆင့် ကျောင်းသားများ အောင်မြင်မည်ဟု ခန့်မှန်းရန် မတူညီသော မျဉ်းကြောင်းအတိုင်း ဆုတ်ယုတ်မှု ပုံစံ သုံးမျိုးနှင့် ကိုက်ညီလိုသည်ဆိုပါစို့။

ဤသည်မှာ မော်ဒယ်တစ်ခုစီတွင် ကျွန်ုပ်တို့အသုံးပြုမည့် ခန့်မှန်းကိန်းရှင်များဖြစ်သည်-

• မော်ဒယ် 1 ရှိ ခန့်မှန်းကိန်းရှင်များ- လေ့လာချိန် နာရီများ
• မော်ဒယ် 2 တွင် ကိန်းရှင်များ- ယခင်လက်တွေ့ စာမေးပွဲများ
• Model 3 ရှိ ကြိုတင်ခန့်မှန်းကိန်းရှင်များ- စာကျက်ချိန် နာရီပေါင်းများစွာနှင့် ဖြေဆိုထားသော စာမေးပွဲများကို လေ့ကျင့်ပါ။

ပထမဦးစွာ၊ ကျောင်းသား 20 အတွက် ဤအချက်အလက်ပါရှိသော ဒေတာအတွဲကို ဖန်တီးရန် အောက်ပါကုဒ်ကို အသုံးပြုပါမည်။

 /*create dataset*/
data exam_data;
    input hours prep_exams score;
    datalines ;
1 1 76
2 3 78
2 3 85
4 5 88
2 2 72
1 2 69
5 1 94
4 1 94
2 0 88
4 3 92
4 4 90
3 3 75
6 2 96
5 4 90
3 4 82
4 4 85
6 5 99
2 1 83
1 0 62
2 1 76
;
run ;

ထို့နောက်၊ ကျွန်ုပ်တို့သည် ဤဆုတ်ယုတ်မှုပုံစံတစ်ခုစီနှင့်ကိုက်ညီရန် proc reg ကို အသုံးပြုမည်ဖြစ်ပြီး၊ မော်ဒယ်တစ်ခုစီအတွက် AIC တန်ဖိုးများကိုတွက်ချက်ရန် selection=adjrsq sse aic ထုတ်ပြန်ချက်ကို အသုံးပြုပါမည်။

 /*fit multiple linear regression models and calculate AIC for each model*/
proc reg data =exam_data;
    model score = hours prep_exams / selection=adjrsq sse aic;
run ; 

ရလဒ်မှ မော်ဒယ်တစ်ခုစီအတွက် AIC တန်ဖိုးများကို ကျွန်ုပ်တို့ မြင်တွေ့နိုင်သည်-

• ခန့်မှန်းသူ variable အဖြစ် နာရီများပါရှိသော AIC: 68.4537
• ကြိုတင်ခန့်မှန်းကိန်းရှင်များအဖြစ် နာရီနှင့် စာမေးပွဲများပါရှိသော AIC – 69.9507
• ကြိုတင်ခန့်မှန်းကိန်းရှင်အဖြစ် စာမေးပွဲများပါရှိသော AIC – 91.4967

AIC တန်ဖိုးအနည်းဆုံး မော်ဒယ်သည် ကြိုတင်ခန့်မှန်းကိန်းရှင်အဖြစ် နာရီများသာ ပါဝင်သည့် ပုံစံဖြစ်သည်။

ထို့ကြောင့်၊ အောက်ပါမော်ဒယ်သည် ဒေတာနှင့် အသင့်တော်ဆုံးဖြစ်ကြောင်း ကျွန်ုပ်တို့ ကြေညာပါသည်။

ရမှတ် = β ₀ + β ₁ (လေ့လာမှု နာရီ)

ကျွန်ုပ်တို့သည် ဤမော်ဒယ်ကို အကောင်းဆုံးအဖြစ် ခွဲခြားသတ်မှတ်လိုက်သည်နှင့်၊ ကျွန်ုပ်တို့သည် ၎င်းကို အံဝင်ခွင်ကျဖြစ်စေပြီး R-squared value နှင့် beta coefficients များအပါအဝင် ရလဒ်များကို ခွဲခြမ်းစိတ်ဖြာနိုင်သည်၊ လေ့လာသည့်နာရီနှင့် ကျောင်းသားတန်းကြား အတိအကျဆက်စပ်မှုကို ဆုံးဖြတ်ရန်။ ‘နောက်ဆုံးစာမေးပွဲ။

ထပ်လောင်းအရင်းအမြစ်များ

အောက်ဖော်ပြပါ သင်ခန်းစာများသည် SAS တွင် အခြားဘုံအလုပ်များကို မည်သို့လုပ်ဆောင်ရမည်ကို ရှင်းပြသည်-

SAS တွင် ရိုးရှင်းသော linear regression လုပ်ဆောင်နည်း
SAS တွင် မျဉ်းကြောင်းပြန်ဆုတ်ခြင်းများစွာကို မည်သို့လုပ်ဆောင်ရမည်နည်း။
SAS တွင် R-squared တွက်ချက်နည်း
SAS တွင် RMSE တွက်ချက်နည်း