Celem regresji krokowej jest utworzenie modelu regresji obejmuj\u0105cego wszystkie zmienne predykcyjne, kt\u00f3re s\u0105 statystycznie istotnie powi\u0105zane ze zmienn\u0105 odpowiedzi<\/a> .<\/span><\/p>\n Aby wykona\u0107 regresj\u0119 krokow\u0105 w SAS-ie, mo\u017cesz u\u017cy\u0107 PROC REG<\/strong> z instrukcj\u0105 SELECTION<\/strong> .<\/span><\/p>\n Poni\u017cszy przyk\u0142ad pokazuje, jak w praktyce przeprowadzi\u0107 regresj\u0119 krokow\u0105 w SAS-ie.<\/span><\/p>\n Za\u0142\u00f3\u017cmy, \u017ce mamy nast\u0119puj\u0105cy zbi\u00f3r danych w SAS-ie, kt\u00f3ry zawiera cztery zmienne predykcyjne (x1, x2, x3, x4) i jedn\u0105 zmienn\u0105 odpowiedzi (y):<\/span> <\/p>\n Za\u0142\u00f3\u017cmy teraz, \u017ce chcemy okre\u015bli\u0107, kt\u00f3ra kombinacja zmiennych predykcyjnych da najlepszy model regresji liniowej wielokrotnej<\/a> .<\/span><\/p>\n Kiedy m\u00f3wimy o \u201enajlepszym\u201d modelu regresji, mamy na my\u015bli model, kt\u00f3ry maksymalizuje lub minimalizuje pewne miary.<\/span><\/p>\n Istniej\u0105 dwie metryki, kt\u00f3rych powszechnie u\u017cywamy do oceny, kt\u00f3ry model regresji jest najlepszy spo\u015br\u00f3d grupy potencjalnych modeli:<\/span><\/p>\n 1. Skorygowana warto\u015b\u0107 R-kwadrat<\/strong> : Skorygowana warto\u015b\u0107 R-kwadrat<\/a> m\u00f3wi nam o u\u017cyteczno\u015bci modelu, skorygowanej na podstawie liczby predyktor\u00f3w w modelu. Model z najwy\u017csz\u0105 skorygowan\u0105 warto\u015bci\u0105 R-kwadrat jest uwa\u017cany za najlepszy.<\/span><\/p>\n 2. AIC<\/strong> : Kryterium informacyjne Akaike<\/a> (AIC) to metryka u\u017cywana do por\u00f3wnywania dopasowania r\u00f3\u017cnych modeli regresji. Za najlepszy uwa\u017ca si\u0119 model o najni\u017cszej warto\u015bci AIC.<\/span><\/p>\n Na szcz\u0119\u015bcie mo\u017cemy obliczy\u0107 zar\u00f3wno dopasowane warto\u015bci R-kwadrat, jak i AIC dla modeli regresji w SAS za pomoc\u0105 PROC REG<\/strong> z instrukcj\u0105 SELECTION<\/strong> .<\/span><\/p>\n Poni\u017cszy kod pokazuje, jak to zrobi\u0107:<\/span> <\/p>\n Dane wyj\u015bciowe wy\u015bwietlaj\u0105 dopasowane warto\u015bci R-kwadrat i AIC dla ka\u017cdego mo\u017cliwego modelu wielokrotnej regresji liniowej.<\/span><\/p>\n Z wyniku wida\u0107, \u017ce warto\u015b\u0107 o najwy\u017cszej skorygowanej warto\u015bci R-kwadrat i<\/em> najni\u017cszej warto\u015bci AIC to model regresji, kt\u00f3ry wykorzystuje wy\u0142\u0105cznie x3 i x4 jako zmienne predykcyjne.<\/span><\/p>\n Tym samym deklarujemy, \u017ce nast\u0119puj\u0105cy model jest \u201enajlepszy\u201d spo\u015br\u00f3d wszystkich mo\u017cliwych modeli:<\/span><\/p>\n y = b 0<\/sub> + b 1<\/sub> (x3) + b 2<\/sub> (x4)<\/span><\/p>\n Ten konkretny model regresji ma nast\u0119puj\u0105ce metryki:<\/span><\/p>\n Nale\u017cy zauwa\u017cy\u0107, \u017ce czasami model z najwy\u017csz\u0105 skorygowan\u0105 warto\u015bci\u0105 R-kwadrat nie zawsze ma r\u00f3wnie\u017c najni\u017csz\u0105 warto\u015b\u0107 AIC.<\/span><\/p>\n Je\u015bli chodzi o podj\u0119cie decyzji, kt\u00f3ry model regresji jest najlepszy, skorygowane R-kwadrat i AIC s\u0142u\u017c\u0105 jako sugestie, ale w prawdziwym \u015bwiecie konieczne mo\u017ce by\u0107 skorzystanie z wiedzy specjalistycznej w danej dziedzinie, aby okre\u015bli\u0107, kt\u00f3ry model jest najlepszy.<\/span><\/p>\n Rozs\u0105dne mo\u017ce by\u0107 tak\u017ce wybranie modelu oszcz\u0119dnego<\/a> , czyli takiego, kt\u00f3ry osi\u0105ga po\u017c\u0105dany poziom dopasowania przy u\u017cyciu jak najmniejszej liczby zmiennych predykcyjnych.<\/span><\/p>\n Uzasadnienie tego typu modelu wywodzi si\u0119 z idei brzytwy Ockhama<\/a> (czasami nazywanej \u201ezasad\u0105 oszcz\u0119dno\u015bci\u201d), kt\u00f3ra m\u00f3wi, \u017ce najprostsze wyja\u015bnienie jest prawdopodobnie w\u0142a\u015bciwe.<\/span><\/p>\n W odniesieniu do statystyk model, kt\u00f3ry ma niewiele parametr\u00f3w, ale osi\u0105ga zadowalaj\u0105cy poziom dopasowania, powinien by\u0107 preferowany w por\u00f3wnaniu z modelem, kt\u00f3ry ma mn\u00f3stwo parametr\u00f3w i osi\u0105ga jedynie nieco wy\u017cszy poziom dopasowania.<\/span><\/p>\n Poni\u017csze samouczki wyja\u015bniaj\u0105, jak wykonywa\u0107 inne typowe zadania w SAS-ie:<\/span><\/p>\n Jak wykona\u0107 prost\u0105 regresj\u0119 liniow\u0105 w SAS-ie<\/a> Regresja krokowa to procedura, kt\u00f3r\u0105 mo\u017cemy zastosowa\u0107 do zbudowania modelu regresji na podstawie zbioru zmiennych predykcyjnych poprzez stopniowe wprowadzanie i usuwanie predyktor\u00f3w w modelu, a\u017c do momentu, gdy nie b\u0119dzie ju\u017c statystycznie uzasadnionego powodu do wprowadzania lub usu\u0144 wi\u0119cej. Celem regresji krokowej jest utworzenie modelu regresji obejmuj\u0105cego wszystkie zmienne predykcyjne, kt\u00f3re s\u0105 statystycznie istotnie powi\u0105zane […]<\/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-4229","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n Przyk\u0142ad: wykonywanie regresji krok po kroku w SAS-ie<\/span><\/strong><\/h2>\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![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/pas-a-pas1.jpg\")
<\/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![\"regresja](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/pas-a-pas2.jpg\")
<\/p>\n\n
Uwagi dotycz\u0105ce wyboru \u201enajlepszego\u201d modelu regresji<\/strong><\/span><\/h2>\n
Dodatkowe zasoby<\/strong><\/span><\/h2>\n
Jak wykona\u0107 wielokrotn\u0105 regresj\u0119 liniow\u0105 w SAS-ie<\/a>
Jak wykona\u0107 regresj\u0119 wielomianow\u0105 w SAS-ie<\/a>
Jak przeprowadzi\u0107 regresj\u0119 logistyczn\u0105 w SAS-ie<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"