{"id":4231,"date":"2023-07-12T16:42:36","date_gmt":"2023-07-12T16:42:36","guid":{"rendered":"https:\/\/statorials.org\/nl\/stap-voor-stap-regressie\/"},"modified":"2023-07-12T16:42:36","modified_gmt":"2023-07-12T16:42:36","slug":"stap-voor-stap-regressie","status":"publish","type":"post","link":"https:\/\/statorials.org\/nl\/stap-voor-stap-regressie\/","title":{"rendered":"Stapsgewijze regressie uitvoeren in sas (met voorbeeld)"},"content":{"rendered":"

<\/p>\n

\n

Stapsgewijze regressie<\/a> is een procedure die we kunnen gebruiken om een regressiemodel op te bouwen uit een reeks voorspellende variabelen door voorspellers stapsgewijs in het model in te voeren en te verwijderen totdat er geen statistisch geldige reden meer is om voorspellers in te voeren of te verwijderen. verwijder meer.<\/span><\/p>\n

Het doel van stapsgewijze regressie is het cre\u00ebren van een regressiemodel dat alle voorspellende variabelen omvat die statistisch significant gerelateerd zijn aan de responsvariabele<\/a> .<\/span><\/p>\n

Als u stapsgewijze regressie in SAS wilt uitvoeren, kunt u PROC REG<\/strong> gebruiken met de instructie SELECTION<\/strong> .<\/span><\/p>\n

In het volgende voorbeeld ziet u hoe u in de praktijk stapsgewijze regressie in SAS kunt uitvoeren.<\/span><\/p>\n

Voorbeeld: een stapsgewijze regressie uitvoeren in SAS<\/span><\/strong><\/h2>\n

Stel dat we de volgende gegevensset in SAS hebben die vier voorspellende variabelen (x1, x2, x3, x4) en \u00e9\u00e9n responsvariabele (y) bevat:<\/span> <\/p>\n

 \/*create dataset*\/\n<\/span>data<\/span> my_data;\n    input<\/span> x1 x2 x3 x4 y;\n    datalines<\/span> ;\n1 4 10 13 78\n2 4 12 14 81\n5 3 7 10 75\n8 2 13 9 97\n10 5 12 5 95\n14 7 8 6 90\n17 8 10 6 86 \n19 5 15 5 90\n20 5 12 4 93\n21 4 10 3 95\n;\nrun<\/span> ;\n\n\/*view dataset*\/\n<\/span>proc print<\/span> data<\/span> =my_data;\n<\/strong><\/pre>\n
\"\"<\/p>\n
 Als we het hebben over het \u2018beste\u2019 regressiemodel, bedoelen we het model dat bepaalde metingen maximaliseert of minimaliseert.<\/span><\/p>\n
 Er zijn twee statistieken die we vaak gebruiken om te evalueren welk regressiemodel het beste is uit een groep potenti\u00eble modellen:<\/span><\/p>\n
 1. Aangepaste R-kwadraat<\/strong> : De aangepaste R-kwadraatwaarde<\/a> vertelt ons het nut van een model, aangepast op basis van het aantal voorspellers in een model. Het model met de hoogste aangepaste R-kwadraatwaarde wordt als het beste beschouwd.<\/span><\/p>\n
 2. AIC<\/strong> : Het Akaike Informatiecriterium<\/a> (AIC) is een maatstaf die wordt gebruikt om de fit van verschillende regressiemodellen te vergelijken. Het model met de laagste AIC-waarde wordt als het beste beschouwd.<\/span><\/p>\n
 Gelukkig kunnen we zowel de aangepaste R-kwadraat- als de AIC-waarden voor regressiemodellen in SAS berekenen met behulp van PROC REG<\/strong> met de SELECTION-<\/strong> instructie.<\/span><\/p>\n
 De volgende code laat zien hoe u dit doet:<\/span> <\/p>\n
 \/*perform stepwise multiple linear regression*\/\n<\/span>proc reg<\/span> data<\/span> =my_data outest<\/span> =est;\n    model<\/span> y=x1 x2 x3 x4 \/ selection=adjrsq aic ;\n    output out<\/span> =out p=pr=r;\nrun<\/span> ;\nquit<\/span> ; \n<\/strong><\/pre>\n
\"stapsgewijze<\/p>\n
 De uitvoer toont de aangepaste R-kwadraat- en AIC-waarden voor elk mogelijk meervoudig lineair regressiemodel.<\/span><\/p>\n
 Uit het resultaat kunnen we zien dat de waarde met de hoogste aangepaste R-kwadraatwaarde en<\/em> de laagste AIC-waarde het regressiemodel is dat alleen x3 en x4 als voorspellende variabelen gebruikt.<\/span><\/p>\n
 Daarom verklaren wij dat het volgende model „het beste“ is van alle mogelijke modellen:<\/span><\/p>\n
 y = b0<\/sub> + b1<\/sub> (x3) + b2<\/sub> (x4)<\/span><\/p>\n
 Dit specifieke regressiemodel heeft de volgende statistieken:<\/span><\/p>\n
 Stel nu dat we willen bepalen welke combinatie van voorspellende variabelen het beste meervoudige lineaire regressiemodel<\/a> zal opleveren.<\/span><\/p>\n