Inhaltsverzeichnis
Auf einen Blick
Deciphering the inner workings of sophisticated algorithms is essential for establishing trust in automated decisions. The bartScoreMargin action provides analysts with a powerful mechanism to conduct "what-if" scenarios by computing predictive margins from fitted Bayesian Additive Regression Tree models. By systematically holding selected variables constant across the dataset, users can evaluate the pure average effect of specific inputs, effectively stripping away confounding factors. To facilitate your use of these interpretability techniques, we have compiled a comprehensive FAQ section addressing syntax implementation, variable selection, and result interpretation.
Die Isolierung von Effekten in multivariaten Modellen ist eine zentrale Herausforderung in der fortgeschrittenen Datenanalyse. Mit der Aktion bartScoreMargin erhalten Anwender ein präzises Werkzeug, um prädiktive Ränder (Predictive Margins) auf Basis eines BART-Modells zu berechnen. Diese Methode erlaubt es, Ceteris-paribus-Betrachtungen durchzuführen, bei denen der durchschnittliche Einfluss einer Variablen ermittelt wird, während die restliche Datenstruktur unverändert bleibt. In diesem Bereich finden Sie detaillierte Antworten auf technische Fragen zur Durchführung dieser Simulationen und zur statistischen Einordnung der berechneten Ränder.
Beschreibung
Berechnet prädiktive Margen unter Verwendung eines angepassten Modells für Bayes'sche additive Regressionsbäume (BART).
| Parameter | Beschreibung |
|---|---|
| alpha | Gibt das Signifikanzniveau für die Erstellung aller gleichschwänzigen Kredibilitätsintervalle an. |
| casOut | Gibt die Einstellungen für eine Ausgabedatentabelle an. |
| differences | Gibt Differenzen von prädiktiven Margen an. |
| evtMargin | Gibt die prädiktive Marge des Ereignisses anhand ihres Namens an. |
| label | Bezeichnet die Differenz der prädiktiven Margen in den Ausgabetabellen. |
| name | Benennt die Differenz der prädiktiven Margen in den Ausgabetabellen. |
| refMargin | Gibt die prädiktive Referenzmarge anhand ihres Namens an. |
| display | Gibt eine Liste von Ergebnistabellen an, die zur Anzeige an den Client gesendet werden sollen. |
| marginInfo | Fordert eine Tabelle an, die die Variablen zusammenfasst, die die prädiktive Marge definieren, und die Werte, auf die sie gesetzt sind. |
| margins | Gibt eine prädiktive Marge an. |
| at | Gibt die Variablen an, die in einer prädiktiven Marge geändert werden sollen, und die Werte, auf die sie gesetzt sind. |
| value | Gibt den Wert an, auf den eine Variable in der prädiktiven Marge gesetzt wird. Für stetige Variablen wird ein numerischer Wert angegeben. Für Klassifikationsvariablen wird das formatierte Niveau angegeben. |
| var | Benennt eine Variable, die in einer prädiktiven Marge geändert werden soll. |
| model | Gibt ein binäres Tabellenobjekt aus einer vorherigen Modellanpassung an. |
| outputTables | Listet die Namen der Ergebnistabellen auf, die als CAS-Tabellen auf dem Server gespeichert werden sollen. |
| seed | Gibt einen Startwert für den Pseudozufallszahlengenerator an. |
| table | Gibt die Eingabedatentabelle an. |
Datenerstellung
Dieses Beispiel geht davon aus, dass ein BART-Modell bereits mit der Aktion `bartGauss` oder `bartProbit` trainiert und in der Tabelle `mycas.bart_model` gespeichert wurde. Die Aktion `bartScoreMargin` verwendet dieses gespeicherte Modell, um prädiktive Margen für eine neue Datentabelle, `mycas.score_data`, zu berechnen. Die Scoring-Tabelle muss alle im Modell verwendeten Variablen enthalten.
| 1 | /* Dieses Beispiel erfordert eine zuvor gespeicherte Modelltabelle. */ |
| 2 | /* Angenommen, 'mycas.bart_model' existiert und wurde mit Variablen wie x1, x2, x3 trainiert. */ |
| 3 | /* Erstellen einer Beispieldatentabelle zum Scoren */ |
| 4 | DATA mycas.score_data; |
| 5 | INPUT x1 x2 x3; |
| 6 | CARDS; |
| 7 | 1 2 3 |
| 8 | 4 5 6 |
| 9 | 7 8 9 |
| 10 | ; |
| 11 | RUN; |
Beispiele
Dieses Beispiel zeigt, wie die Aktion `bartScoreMargin` verwendet wird, um eine einzelne prädiktive Marge zu berechnen, indem die Variable `x1` auf den Wert 10 gesetzt wird. Es wird davon ausgegangen, dass ein BART-Modell bereits trainiert und in `mycas.bart_model` gespeichert wurde.
| 1 | PROC CAS; |
| 2 | bart.bartScoreMargin / |
| 3 | TABLE={name='score_data'}, |
| 4 | model={name='bart_model'}, |
| 5 | margins={{name='margin1', at={{var='x1', value=10}}}}, |
| 6 | casOut={name='scored_margins', replace=true}; |
| 7 | RUN; |
| 8 | QUIT; |
Die Aktion berechnet die prädiktiven Margen und speichert die Ergebnisse in der Ausgabetabelle `mycas.scored_margins`. Die Ergebnistabelle `Margins` wird ebenfalls angezeigt, die die zusammengefassten Statistiken für die berechnete Marge enthält.
Dieses Beispiel zeigt, wie zwei verschiedene prädiktive Margen (`margin_high_x1` und `margin_low_x1`) definiert und deren Differenz berechnet wird. Es werden auch die resultierenden Tabellen `Margins` und `Differences` angezeigt.
| 1 | PROC CAS; |
| 2 | bart.bartScoreMargin / |
| 3 | TABLE={name='score_data'}, |
| 4 | model={name='bart_model'}, |
| 5 | margins={ |
| 6 | {name='margin_high_x1', at={{var='x1', value=100}}}, |
| 7 | {name='margin_low_x1', at={{var='x1', value=1}}} |
| 8 | }, |
| 9 | differences={{name='diff1', evtMargin='margin_high_x1', refMargin='margin_low_x1'}}, |
| 10 | display={'Margins', 'Differences'}, |
| 11 | casOut={name='scored_margins_detailed', replace=true}; |
| 12 | RUN; |
| 13 | QUIT; |
Die Aktion erzeugt zwei Tabellen im Ergebnissatz: `Margins`, die die prädiktiven Margen für hohe und niedrige Werte von `x1` anzeigt, und `Differences`, die den Unterschied zwischen diesen beiden Margen zusammen mit einem Kredibilitätsintervall anzeigt. Die detaillierten Ergebnisse pro Beobachtung werden in der Tabelle `mycas.scored_margins_detailed` gespeichert.
Zugehörige Szenarien
Anwendungsfall
Analyse der Kampagneneffektivität durch Vergleich der Kaufwahrscheinlichkeit
Ein Einzelhandelsunternehmen möchte die Auswirkung einer neuen Werbeaktion auf die Kaufwahrscheinlichkeit von Kunden bewerten. Sie verwenden ein zuvor trainiertes BART-Modell, d...
Anwendungsfall
Volumentest zur Simulation von Kreditrisiken unter verschiedenen makroökonomischen Bedingungen
Eine Bank muss die Ausfallwahrscheinlichkeit ihres großen Kreditportfolios unter verschiedenen wirtschaftlichen Szenarien bewerten. Dieser Test simuliert die Auswirkung von Zins...
Anwendungsfall
Grenzfallanalyse zur Vorhersage des Behandlungserfolgs bei fehlenden Patientendaten
Ein medizinisches Forschungsinstitut analysiert die Wirksamkeit einer neuen Behandlung im Vergleich zu einem Placebo. Das Vorhersagemodell verwendet biometrische Messwerte. Dies...