W tym samouczku wyja\u015bniono, jak przeprowadzi\u0107 wielokrotn\u0105 regresj\u0119 liniow\u0105 w SAS-ie.<\/span><\/p>\n Za\u0142\u00f3\u017cmy, \u017ce chcemy dopasowa\u0107 model regresji liniowej wielokrotnej, kt\u00f3ry wykorzystuje liczb\u0119 godzin sp\u0119dzonych na nauce i liczb\u0119 zdanych egzamin\u00f3w praktycznych, aby przewidzie\u0107 ko\u0144cow\u0105 ocen\u0119 uczni\u00f3w z egzaminu:<\/span><\/p>\n Wynik egzaminu = \u03b2 0<\/sub> + \u03b2 1<\/sub> (godziny) + \u03b2 2<\/sub> (egzaminy przygotowawcze)<\/span><\/p>\n Najpierw u\u017cyjemy nast\u0119puj\u0105cego kodu, aby utworzy\u0107 zbi\u00f3r danych zawieraj\u0105cy te informacje dla 20 uczni\u00f3w:<\/span><\/p>\n Nast\u0119pnie u\u017cyjemy proc reg<\/strong> , aby dopasowa\u0107 model regresji liniowej do danych:<\/span> <\/p>\n Oto jak interpretowa\u0107 najbardziej odpowiednie liczby w ka\u017cdej tabeli:<\/span><\/p>\n Tabela analizy luk:<\/strong><\/span><\/p>\n Og\u00f3lna warto\u015b\u0107 F<\/a> modelu regresji wynosi 23,46<\/b> , a odpowiadaj\u0105ca jej warto\u015b\u0107 p wynosi <0,0001<\/strong> .<\/span><\/p>\n Poniewa\u017c ta warto\u015b\u0107 p jest mniejsza ni\u017c 0,05, dochodzimy do wniosku, \u017ce model regresji jako ca\u0142o\u015b\u0107 jest istotny statystycznie.<\/span><\/p>\n Tabela dopasowania modelu:<\/strong><\/span><\/p>\n Warto\u015b\u0107 R-Square<\/strong> informuje nas o procentowym zr\u00f3\u017cnicowaniu wynik\u00f3w egzaminu, kt\u00f3re mo\u017cna wyt\u0142umaczy\u0107 liczb\u0105 godzin nauki i liczb\u0105 zdanych egzamin\u00f3w przygotowawczych.<\/span><\/p>\n Og\u00f3lnie rzecz bior\u0105c, im wi\u0119ksza warto\u015b\u0107 R-kwadrat<\/a> modelu regresji, tym lepiej zmienne predykcyjne przewiduj\u0105 warto\u015b\u0107 zmiennej odpowiedzi.<\/span><\/p>\n W tym przypadku 73,4%<\/strong> r\u00f3\u017cnic w wynikach egzamin\u00f3w mo\u017cna wyt\u0142umaczy\u0107 liczb\u0105 przepracowanych godzin i liczb\u0105 zdanych egzamin\u00f3w przygotowawczych.<\/span><\/p>\n Warto\u015b\u0107 Root MSE<\/strong> jest r\u00f3wnie\u017c przydatna. Stanowi to \u015bredni\u0105 odleg\u0142o\u015b\u0107 mi\u0119dzy obserwowanymi warto\u015bciami a lini\u0105 regresji.<\/span><\/p>\n W tym modelu regresji zaobserwowane warto\u015bci odbiegaj\u0105 \u015brednio o 5,3657<\/strong> jednostki od linii regresji.<\/span><\/p>\n Tabela szacunk\u00f3w parametr\u00f3w:<\/strong><\/span><\/p>\n Mo\u017cemy u\u017cy\u0107 warto\u015bci szacunkowych parametr\u00f3w w tej tabeli, aby zapisa\u0107 dopasowane r\u00f3wnanie regresji:<\/span><\/p>\n Wynik egzaminu = 67,674 + 5,556*(godziny) \u2013 0,602*(prep_exams)<\/span><\/p>\n Mo\u017cemy u\u017cy\u0107 tego r\u00f3wnania, aby znale\u017a\u0107 szacowany wynik egzaminu studenta na podstawie liczby godzin nauki i liczby egzamin\u00f3w praktycznych, kt\u00f3re zdawa\u0142.<\/span><\/p>\n Przyk\u0142adowo student studiuj\u0105cy 3 godziny i przyst\u0119puj\u0105cy do 2 egzamin\u00f3w przygotowawczych powinien uzyska\u0107 ocen\u0119 83,1<\/strong> :<\/span><\/p>\n Szacowany wynik egzaminu = 67,674 + 5,556*(3) \u2013 0,602*(2) = 83,1<\/strong><\/span><\/p>\n Warto\u015b\u0107 p dla godzin (<0,0001) jest mniejsza ni\u017c 0,05, co oznacza, \u017ce ma statystycznie istotny zwi\u0105zek z wynikiem badania.<\/span><\/p>\n Natomiast warto\u015b\u0107 p dla egzamin\u00f3w przygotowawczych (0,5193) jest nie mniejsza ni\u017c 0,05, co oznacza, \u017ce nie ma ona istotnego statystycznie zwi\u0105zku z wynikiem egzaminu.<\/span><\/p>\n Mo\u017cemy zdecydowa\u0107 si\u0119 na usuni\u0119cie bada\u0144 przygotowawczych z modelu, poniewa\u017c nie s\u0105 one statystycznie istotne, i zamiast tego przeprowadzi\u0107 prost\u0105 regresj\u0119 liniow\u0105<\/a> , wykorzystuj\u0105c badane godziny jako jedyn\u0105 zmienn\u0105 predykcyjn\u0105.<\/span><\/p>\n Poni\u017csze samouczki wyja\u015bniaj\u0105, jak wykonywa\u0107 inne typowe zadania w SAS-ie:<\/span><\/p>\n Jak obliczy\u0107 korelacj\u0119 w SAS-ie<\/a> Wielokrotna regresja liniowa to metoda, kt\u00f3r\u0105 mo\u017cemy wykorzysta\u0107 do zrozumienia zwi\u0105zku mi\u0119dzy dwiema lub wi\u0119ksz\u0105 liczb\u0105 zmiennych predykcyjnych azmienn\u0105 odpowiedzi . W tym samouczku wyja\u015bniono, jak przeprowadzi\u0107 wielokrotn\u0105 regresj\u0119 liniow\u0105 w SAS-ie. Krok 1: Utw\u00f3rz dane Za\u0142\u00f3\u017cmy, \u017ce chcemy dopasowa\u0107 model regresji liniowej wielokrotnej, kt\u00f3ry wykorzystuje liczb\u0119 godzin sp\u0119dzonych na nauce i liczb\u0119 zdanych egzamin\u00f3w […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-2561","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n Krok 1: Utw\u00f3rz dane<\/strong><\/span><\/h3>\n
\/*create dataset*\/\n<\/span>data<\/span> exam_data;\n input<\/span> hours prep_exams score;\n datalines<\/span> ;\n1 1 76\n2 3 78\n2 3 85\n4 5 88\n2 2 72\n1 2 69\n5 1 94\n4 1 94\n2 0 88\n4 3 92\n4 4 90\n3 3 75\n6 2 96\n5 4 90\n3 4 82\n4 4 85\n6 5 99\n2 1 83\n1 0 62\n2 1 76\n;\nrun<\/span> ;\n<\/strong><\/pre>\n Krok 2: Wykonaj wielokrotn\u0105 regresj\u0119 liniow\u0105<\/strong><\/span><\/h3>\n
\/*fit multiple linear regression model*\/<\/span>\nproc reg<\/span> data<\/span> =exam_data;\n model<\/span> score = hours prep_exams;\nrun<\/span> ;<\/strong> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/multsas1.jpg\")
<\/p>\n Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Jak wykona\u0107 prost\u0105 regresj\u0119 liniow\u0105 w SAS-ie<\/a>
Jak wykona\u0107 jednokierunkow\u0105 ANOVA w SAS<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"