O objetivo da regress\u00e3o stepwise \u00e9 criar um modelo de regress\u00e3o que inclua todas as vari\u00e1veis preditoras que est\u00e3o estatisticamente relacionadas de forma significativa \u00e0 vari\u00e1vel de resposta<\/a> .<\/span><\/p>\n Para realizar a regress\u00e3o passo a passo no SAS, voc\u00ea pode usar PROC REG<\/strong> com a instru\u00e7\u00e3o SELECTION<\/strong> .<\/span><\/p>\n O exemplo a seguir mostra como realizar a regress\u00e3o stepwise no SAS na pr\u00e1tica.<\/span><\/p>\n Suponha que temos o seguinte conjunto de dados no SAS que cont\u00e9m quatro vari\u00e1veis preditoras (x1, x2, x3, x4) e uma vari\u00e1vel de resposta (y):<\/span> <\/p>\n Agora, suponha que queiramos determinar qual combina\u00e7\u00e3o de vari\u00e1veis preditoras produzir\u00e1 o melhor modelo de regress\u00e3o linear m\u00faltipla<\/a> .<\/span><\/p>\n Quando falamos sobre o \u201cmelhor\u201d modelo de regress\u00e3o, queremos dizer o modelo que maximiza ou minimiza certas medidas.<\/span><\/p>\n Existem duas m\u00e9tricas que normalmente usamos para avaliar qual modelo de regress\u00e3o \u00e9 melhor entre um grupo de modelos potenciais:<\/span><\/p>\n 1. R-quadrado ajustado<\/strong> : O valor de R-quadrado ajustado<\/a> nos diz a utilidade de um modelo, ajustado com base no n\u00famero de preditores em um modelo. O modelo com maior valor de R-quadrado ajustado \u00e9 considerado o melhor.<\/span><\/p>\n 2. AIC<\/strong> : O Crit\u00e9rio de Informa\u00e7\u00e3o de Akaike<\/a> (AIC) \u00e9 uma m\u00e9trica usada para comparar o ajuste de diferentes modelos de regress\u00e3o. O modelo com menor valor de AIC \u00e9 considerado o melhor.<\/span><\/p>\n Felizmente, podemos calcular os valores ajustados de R-quadrado e AIC para modelos de regress\u00e3o no SAS usando PROC REG<\/strong> com a instru\u00e7\u00e3o SELECTION<\/strong> .<\/span><\/p>\n O c\u00f3digo a seguir mostra como fazer isso:<\/span> <\/p>\n A sa\u00edda exibe os valores ajustados de R-quadrado e AIC para cada modelo de regress\u00e3o linear m\u00faltipla poss\u00edvel.<\/span><\/p>\n Pelo resultado, podemos perceber que o valor com maior valor de R quadrado ajustado e<\/em> menor valor de AIC \u00e9 o modelo de regress\u00e3o que utiliza apenas x3 e x4 como vari\u00e1veis preditoras.<\/span><\/p>\n Assim, declaramos que o seguinte modelo \u00e9 \u201co melhor\u201d entre todos os modelos poss\u00edveis:<\/span><\/p>\n y = b 0<\/sub> + b 1<\/sub> (x3) + b 2<\/sub> (x4)<\/span><\/p>\n Este modelo de regress\u00e3o espec\u00edfico possui as seguintes m\u00e9tricas:<\/span><\/p>\n Observe que \u00e0s vezes o modelo com o maior valor de R-quadrado ajustado nem sempre tamb\u00e9m possui o menor valor de AIC.<\/span><\/p>\n Quando se trata de decidir qual modelo de regress\u00e3o \u00e9 o melhor, o R-quadrado ajustado e o AIC servem como sugest\u00f5es, mas no mundo real pode ser necess\u00e1rio usar conhecimentos de dom\u00ednio para determinar qual modelo \u00e9 o melhor.<\/span><\/p>\n Tamb\u00e9m pode ser sensato escolher um modelo parcimonioso<\/a> , ou seja, um modelo que atinja um n\u00edvel de ajuste desejado usando o menor n\u00famero poss\u00edvel de vari\u00e1veis preditoras.<\/span><\/p>\n O racioc\u00ednio por tr\u00e1s deste tipo de modelo decorre da ideia da navalha de Occam<\/a> (\u00e0s vezes chamada de \u201cprinc\u00edpio da parcim\u00f4nia\u201d) que diz que a explica\u00e7\u00e3o mais simples \u00e9 provavelmente a correta.<\/span><\/p>\n Aplicado \u00e0s estat\u00edsticas, um modelo que possui poucos par\u00e2metros, mas atinge um n\u00edvel de ajuste satisfat\u00f3rio, deve ser preferido a um modelo que possui muitos par\u00e2metros e atinge apenas um n\u00edvel de ajuste ligeiramente superior.<\/span><\/p>\n Os tutoriais a seguir explicam como executar outras tarefas comuns no SAS:<\/span><\/p>\n Como realizar regress\u00e3o linear simples no SAS<\/a> A regress\u00e3o passo a passo \u00e9 um procedimento que podemos usar para construir um modelo de regress\u00e3o a partir de um conjunto de vari\u00e1veis preditoras, inserindo e removendo preditores passo a passo no modelo at\u00e9 que n N\u00e3o haja mais uma raz\u00e3o estatisticamente v\u00e1lida para inserir ou exclua mais. O objetivo da regress\u00e3o stepwise \u00e9 […]<\/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-4230","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n Exemplo: realizando uma regress\u00e3o passo a passo no SAS<\/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![\"regress\u00e3o](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/pas-a-pas2.jpg\")
<\/p>\n\n
Notas sobre a sele\u00e7\u00e3o do \u201cmelhor\u201d modelo de regress\u00e3o<\/strong><\/span><\/h2>\n
Recursos adicionais<\/strong><\/span><\/h2>\n
Como realizar regress\u00e3o linear m\u00faltipla no SAS<\/a>
Como realizar regress\u00e3o polinomial no SAS<\/a>
Como realizar regress\u00e3o log\u00edstica no SAS<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"