Logistische regressie maakt gebruik van een methode die bekend staat als maximale waarschijnlijkheidsschatting<\/em> om een vergelijking van de volgende vorm te vinden:<\/span><\/p>\n log[p(X) \/ (1 –<\/sub> p(X))] = \u03b2 0<\/sub> + \u03b2 1<\/sub> X 1<\/sub> + \u03b2 2<\/sub> X 2<\/sub> + \u2026 + \u03b2 p<\/sub><\/strong><\/span><\/p>\n Goud:<\/span><\/p>\n De formule aan de rechterkant van de vergelijking voorspelt de logkans<\/strong> dat de responsvariabele de waarde 1 aanneemt.<\/span><\/p>\n In het volgende stapsgewijze voorbeeld ziet u hoe u een logistisch regressiemodel in SAS kunt passen.<\/span><\/p>\n Eerst zullen we voor 18 studenten een dataset maken met informatie over de volgende drie variabelen:<\/span><\/p>\n Vervolgens zullen we proc-logistiek<\/strong> gebruiken om in het logistische regressiemodel te passen, waarbij we „acceptatie“ gebruiken als de responsvariabele en „gpa“ en „act“ als de voorspellende variabelen.<\/span><\/p>\n Opmerking<\/strong> : SAS moet afnemend<\/strong> worden opgegeven om de waarschijnlijkheid te voorspellen dat de responsvariabele de waarde 1 zal aannemen. SAS voorspelt standaard de waarschijnlijkheid dat de responsvariabele de waarde 0 zal aannemen.<\/span> <\/p>\n De eerste interessante tabel is getiteld Model Fit Statistics<\/strong> .<\/span><\/p>\n Uit deze tabel kunnen we de AIC-waarde van het model zien, die 16.595<\/strong> blijkt te zijn. Hoe lager de AIC-waarde, hoe beter het model in de gegevens kan passen.<\/span><\/p>\n Er is echter geen drempel voor wat als een „goede“ AIC-waarde<\/a> wordt beschouwd. In plaats daarvan gebruiken we AIC om de fit van meerdere modellen met dezelfde dataset te vergelijken. Het model met de laagste AIC-waarde wordt over het algemeen als het beste beschouwd.<\/span><\/p>\n De volgende interessante tabel is getiteld Testing the Global Null Hypothesis: BETA=0<\/strong> .<\/span><\/p>\n Uit deze tabel kunnen we de chi-kwadraatwaarde van de waarschijnlijkheidsratio van 13,4620<\/strong> zien met een overeenkomstige p-waarde van 0,0012<\/strong> .<\/span><\/p>\n Omdat deze p-waarde kleiner is dan 0,05, vertelt dit ons dat het logistische regressiemodel als geheel statistisch significant is.<\/span><\/p>\n Vervolgens kunnen we de co\u00ebffici\u00ebntschattingen analyseren in de tabel met de titel Analyse van maximale waarschijnlijkheidsschattingen<\/strong> .<\/span><\/p>\n Uit deze tabel kunnen we de co\u00ebffici\u00ebnten voor gpa en act zien, die de gemiddelde verandering aangeven in de logkans om toegelaten te worden tot de universiteit bij een stijging van \u00e9\u00e9n eenheid in elke variabele.<\/span><\/p>\n Bijvoorbeeld:<\/span><\/p>\n De overeenkomstige p-waarden in het resultaat geven ons ook een idee van hoe effectief elke voorspellende variabele is bij het voorspellen van de waarschijnlijkheid van acceptatie:<\/span><\/p>\n Dit vertelt ons dat GPA een statistisch significante voorspeller lijkt te zijn van acceptatie door een universiteit, terwijl de ACT-score niet statistisch significant lijkt te zijn.<\/span><\/p>\n In de volgende zelfstudies wordt uitgelegd hoe u andere regressiemodellen in SAS kunt passen:<\/span><\/p>\n Hoe u eenvoudige lineaire regressie uitvoert in SAS<\/a> Logistische regressie is een methode die we kunnen gebruiken om een regressiemodel te fitten wanneer de responsvariabele binair is. Logistische regressie maakt gebruik van een methode die bekend staat als maximale waarschijnlijkheidsschatting om een vergelijking van de volgende vorm te vinden: log[p(X) \/ (1 – p(X))] = \u03b2 0 + \u03b2 1 X 1 + […]<\/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":[],"class_list":["post-2600","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n\n
Stap 1: Maak de gegevensset<\/strong><\/span><\/h3>\n
\n
\/*create dataset*\/\n<\/span>data<\/span> my_data;\n input<\/span> acceptance gpa act;\n datalines<\/span> ;\n1 3 30\n0 1 21\n0 2 26\n0 1 24\n1 3 29\n1 3 34\n0 3 31\n1 2 29\n0 1 21\n1 2 21\n0 1 15\n1 3 32\n1 4 31\n1 4 29\n0 1 24\n1 4 29\n1 3 21\n1 4 34\n;\nrun<\/span> ;\n\n\/*view dataset*\/\n<\/span>proc print<\/span> data<\/span> =my_data;\n<\/strong><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/journalsas1.jpg\")
<\/p>\n Stap 2: Pas het logistische regressiemodel aan<\/strong><\/span><\/h3>\n
\/*fit logistic regression model*\/\n<\/span>proc logistic<\/span> data<\/span> =my_data descending<\/span> ;\n model<\/span> acceptance = gpa act;\nrun<\/span> ;<\/strong><\/span>\n<\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/logsas2.jpg\")
<\/p>\n\n
\n
Aanvullende bronnen<\/strong><\/span><\/h3>\n
Hoe u meerdere lineaire regressie uitvoert in SAS<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"