Beispiel 25 für PROC CALIS - Latentes Wachstumskurvenmodell

Das Skript beginnt mit der Erstellung eines Datensatzes 'growth' über einen DATA-Schritt mit integrierten Daten (Datalines), die wiederholte Messungen (y1 bis y5) darstellen. Anschließend werden zwei separate Analysen mit PROC CALIS durchgeführt. Die erste Analyse passt ein latentes Wachstumskurvenmodell mit einer Gleichheitsbeschränkung für die Fehlervarianzen an. Die zweite Analyse passt ein ähnliches Modell an, jedoch ohne diese Beschränkung, wodurch unterschiedliche Fehlervarianzen für jeden Messzeitpunkt geschätzt werden können. Ziel ist es, das Wachstum unter Verwendung eines latenten Interzepts (f_alpha) und einer Steigung (f_beta) zu modellieren.

Datenanalyse

Type : INTERNE_ERSTELLUNG

Die Daten werden im Skript selbst mittels eines DATA-Schritts und der 'datalines'-Anweisung generiert und sind darin enthalten, wodurch die Tabelle 'growth' erstellt wird.

1 Codeblock

DATA STEP Data

Erklärung :
Dieser DATA-STEP-Block erstellt die Tabelle 'growth', indem er 5 Variablen (y1 bis y5) aus direkt im Code über die 'datalines'-Anweisung integrierten Daten liest.

Kopiert!

1	DATA growth;
2	INPUT y1 y2 y3 y4 y5;
3	DATALINES;
4	17.6 21.4 25.6 32.1 37.7
5	13.2 14.3 18.9 20.3 25.4
6	11.6 13.5 17.4 22.1 39.6
7	10.7 11.1 13.2 18.2 21.4
8	18.7 23.7 28.6 31.5 34.0
9	18.3 19.2 20.5 23.2 25.9
10	9.2 13.5 17.8 19.2 21.1
11	18.3 23.5 27.9 30.2 34.6
12	11.2 15.6 20.8 22.7 30.4
13	17.0 22.9 26.9 31.9 35.6
14	10.4 13.6 18.0 25.6 29.3
15	17.7 19.0 22.5 28.5 30.7
16	14.5 19.4 21.1 28.8 31.5
17	20.0 21.4 28.9 30.2 35.6
18	14.6 19.3 21.7 28.5 32.0
19	11.7 15.2 19.1 23.7 28.7
20	;
21

2 Codeblock

PROC CALIS

Erklärung :
Dieser Block verwendet PROC CALIS, um ein latentes Wachstumskurvenmodell mittels Maximum-Likelihood (method=ml) anzupassen. Er definiert die linearen Gleichungen (LINEQS) für die beobachteten Variablen in Abhängigkeit von einem latenten Interzept (f_alpha) und einer Steigung (f_beta). Es wird eine Beschränkung auferlegt, dass die Varianzen der fünf Fehlerterme (e1-e5) gleich sein müssen (5 * evar).

Kopiert!

1	PROC CALIS method=ml DATA=growth nostand noparmname;
2	lineqs
3	y1 = 0. * Intercept + f_alpha + e1,
4	y2 = 0. * Intercept + f_alpha + 1 * f_beta + e2,
5	y3 = 0. * Intercept + f_alpha + 2 * f_beta + e3,
6	y4 = 0. * Intercept + f_alpha + 3 * f_beta + e4,
7	y5 = 0. * Intercept + f_alpha + 4 * f_beta + e5;
8	variance
9	f_alpha f_beta,
10	e1-e5 = 5 * evar;
11	mean
12	f_alpha f_beta;
13	cov
14	f_alpha f_beta;
15	fitindex on(only)=[chisq df probchi];
16	RUN;

3 Codeblock

PROC CALIS

Erklärung :
Dieser zweite PROC CALIS-Block passt ein ähnliches Modell wie der vorherige an, hebt jedoch die Beschränkung der Fehlervarianzen auf. Die Anweisung 'variance e1-e5;' ermöglicht die Schätzung einer separaten Varianz für jeden Fehlerterm, was dem Modell eine größere Flexibilität verleiht.

Kopiert!

1	PROC CALIS method=ml DATA=growth nostand noparmname;
2	lineqs
3	y1 = 0. * Intercept + f_alpha + e1,
4	y2 = 0. * Intercept + f_alpha + 1 * f_beta + e2,
5	y3 = 0. * Intercept + f_alpha + 2 * f_beta + e3,
6	y4 = 0. * Intercept + f_alpha + 3 * f_beta + e4,
7	y5 = 0. * Intercept + f_alpha + 4 * f_beta + e5;
8	variance
9	f_alpha f_beta,
10	e1-e5;
11	mean
12	f_alpha f_beta;
13	cov
14	f_alpha f_beta;
15	fitindex on(only)=[chisq df probchi];
16	RUN;

Dieses Material wird von We Are Cas "wie besehen" zur Verfügung gestellt. Es gibt keine ausdrücklichen oder stillschweigenden Garantien hinsichtlich der Marktgängigkeit oder Eignung für einen bestimmten Zweck in Bezug auf die hierin enthaltenen Materialien oder Codes. We Are Cas ist nicht verantwortlich für Fehler in diesem Material, wie es jetzt existiert oder existieren wird, noch bietet We Are Cas technischen Support dafür an.

Urheberrechtsinformationen : SAS SAMPLE LIBRARY

Retour à la liste