Het volgende voorbeeld laat zien hoe u deze verklaring in de praktijk kunt gebruiken.<\/span><\/p>\n Stel dat we een meervoudig lineair regressiemodel willen toepassen dat (1)<\/strong> het aantal uren besteed aan studeren, (2)<\/strong> het aantal afgelegde voorbereidende examens en (3)<\/strong> geslacht gebruikt om het eindcijfer van het examen van studenten te voorspellen.<\/span><\/p>\n Eerst gebruiken we de volgende code om een dataset te maken met deze informatie voor 20 studenten:<\/span> <\/p>\n Vervolgens zullen we de PROC GLMSELECT<\/strong> -instructie gebruiken om de subset van voorspellende variabelen te identificeren die het beste regressiemodel oplevert:<\/span><\/p>\n Opmerking<\/strong> : we hebben geslacht<\/strong> in de klasse-<\/strong> instructie opgenomen omdat het een categorische variabele is.<\/span><\/p>\n De eerste groep tabellen in de uitvoer toont een overzicht van de GLMSELECT-procedure:<\/span> <\/p>\n We kunnen zien dat het criterium dat werd gebruikt om te stoppen met het toevoegen of verwijderen van variabelen uit het model SBC<\/strong> was, wat het Schwarz-informatiecriterium<\/em> is, ook wel het Bayesiaanse informatiecriterium<\/em> genoemd.<\/span><\/p>\n In wezen gaat de PROC GLMSELECT<\/strong> -instructie door met het toevoegen of verwijderen van variabelen uit het model totdat het model met de laagste SBC-waarde wordt gevonden, wat als het „beste“ model wordt beschouwd.<\/span><\/p>\n De volgende groep tabellen laat zien hoe de stapsgewijze selectie eindigde:<\/span> <\/p>\n We kunnen zien dat een model met alleen de oorspronkelijke term een SBC-waarde van 93,4337<\/strong> had.<\/span><\/p>\n Door uren toe te voegen als voorspellende variabele in het model daalde de SBC-waarde naar 70,4452<\/strong> .<\/span><\/p>\n De beste manier om het model te verbeteren was door geslacht als voorspellende variabele toe te voegen, maar hierdoor steeg de SBC-waarde feitelijk naar 71,7383.<\/strong><\/span><\/p>\n Het uiteindelijke model omvat dus alleen de interceptterm en de bestudeerde tijden.<\/span><\/p>\n Het laatste deel van het resultaat toont de samenvatting van dit gepaste regressiemodel:<\/span> <\/p>\n We kunnen de waarden in de tabel Parameterschattingen<\/strong> gebruiken om het gepaste regressiemodel te schrijven:<\/span><\/p>\n Examenscore = 67,161689 + 5,250257 (uren gestudeerd)<\/strong><\/span><\/p>\n We kunnen ook verschillende statistieken zien die ons vertellen hoe goed dit model bij de gegevens past:<\/p>\n De R-Square-<\/strong> waarde vertelt ons het percentage variatie in examenscores dat kan worden verklaard door het aantal gestudeerde uren en het aantal afgelegde voorbereidende examens.<\/span><\/p>\n In dit geval kan 72,73%<\/strong> van de variatie in examenscores worden verklaard door het aantal gestudeerde uren en het aantal afgelegde voorbereidende examens.<\/span><\/p>\n Ook de Root MSE-<\/strong> waarde is handig om te weten. Dit vertegenwoordigt de gemiddelde afstand tussen de waargenomen waarden en de regressielijn.<\/span><\/p>\n In dit regressiemodel wijken de waargenomen waarden gemiddeld 5,28052<\/strong> eenheden af van de regressielijn.<\/span><\/p>\n Opmerking<\/strong> : Raadpleeg de SAS-documentatie<\/a> voor een volledige lijst met mogelijke argumenten die u kunt gebruiken met PROC GLMSELECT<\/strong> .<\/span><\/p>\n In de volgende zelfstudies wordt uitgelegd hoe u andere veelvoorkomende taken in SAS kunt uitvoeren:<\/span><\/p>\n Hoe u eenvoudige lineaire regressie uitvoert in SAS<\/a> U kunt de PROC GLMSELECT- instructie in SAS gebruiken om het beste regressiemodel te selecteren op basis van een lijst met potenti\u00eble voorspellende variabelen. Het volgende voorbeeld laat zien hoe u deze verklaring in de praktijk kunt gebruiken. Voorbeeld: hoe u PROC GLMSELECT in SAS gebruikt voor modelselectie Stel dat we een meervoudig lineair regressiemodel […]<\/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-4597","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n Voorbeeld: hoe u PROC GLMSELECT in SAS gebruikt voor modelselectie<\/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 Aanvullende bronnen<\/strong><\/span><\/h2>\n
Hoe u meerdere lineaire regressie uitvoert in SAS<\/a>
Hoe polynomiale regressie uit te voeren in SAS<\/a>
Hoe logistische regressie uit te voeren in SAS<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"