Logistische Regressionsmodell mit zufälligen Effekten

Das Skript beginnt mit der Erstellung eines Datensatzes namens 'seeds' über einen DATA-Schritt mit integrierten Daten (Datalines). Dieser Datensatz enthält Informationen über die Anzahl der Erfolge 'r' bei 'n' Versuchen sowie erklärende Faktoren 'seed' und 'extract'. Anschließend wird die MCMC-Prozedur aufgerufen, um eine Bayesisches Analyse durchzuführen. Das Modell spezifiziert eine logistische Regression, bei der die Erfolgswahrscheinlichkeit durch die Faktoren 'seed', 'extract' und deren Interaktion beeinflusst wird. Ein zufälliger Effekt 'delta' wird auf jeder Beobachtungsebene eingeführt, um nicht beobachtete Variabilität zu erfassen. A-priori-Verteilungen werden für alle Modellparameter (Regressionskoeffizienten 'beta' und Varianz des zufälligen Effekts 's2') definiert. Die MCMC-Simulation wird für 20000 Iterationen durchgeführt, und die Ergebnisse der A-posteriori-Verteilung werden in der Tabelle 'postout' gespeichert.

Datenanalyse

Type : CREATION_INTERNE

Die Daten werden vollständig innerhalb des Skripts über einen 'DATA'-Schritt und eine 'datalines'-Anweisung generiert, wodurch die Tabelle 'seeds' erstellt wird.

1 Codeblock

DATA STEP Data

Erklärung :
Dieser Codeblock erstellt einen SAS-Datensatz namens 'seeds'. Die Daten werden direkt aus dem Eingabestrom (Datalines) gelesen. Eine Variable 'ind' wird hinzugefügt, die als eindeutige Kennung für jede Zeile (Beobachtung) dient.

Kopiert!

1	DATA seeds;
2	INPUT r n seed extract;
3	ind = _N_;
4	DATALINES;
5	10 39 0 0
6	23 62 0 0
7	23 81 0 0
8	26 51 0 0
9	17 39 0 0
10	5 6 0 1
11	53 74 0 1
12	55 72 0 1
13	32 51 0 1
14	46 79 0 1
15	10 13 0 1
16	8 16 1 0
17	10 30 1 0
18	8 28 1 0
19	23 45 1 0
20	0 4 1 0
21	3 12 1 1
22	22 41 1 1
23	15 30 1 1
24	32 51 1 1
25	3 7 1 1
26	;
27	RUN;

2 Codeblock

PROC MCMC Data

Erklärung :
Dieser Block führt eine Bayesisches Analyse mittels der MCMC-Prozedur durch. Er definiert die Modellparameter (beta0, beta1, beta2, beta3, s2) und deren A-priori-Verteilungen. Ein hierarchisches Modell wird mit einem zufälligen Effekt 'delta' konstruiert, der einer Normalverteilung folgt. Die Wahrscheinlichkeit 'pi' wird durch eine logistische Funktion dieses zufälligen Effekts modelliert, und die Antwortvariable 'r' wird als binomialverteilt angenommen. Die Simulation generiert 20000 Stichproben aus der A-posteriori-Verteilung, die in der Tabelle 'postout' gespeichert werden.

Kopiert!

1	PROC MCMC DATA=seeds outpost=postout seed=332786 nmc=20000;
2	ods select PostSumInt;
3	parms beta0 0 beta1 0 beta2 0 beta3 0 s2 1;
4	prior s2 ~ igamma(0.01, s=0.01);
5	prior beta: ~ general(0);
6	w = beta0 + beta1seed + beta2extract + beta3seedextract;
7	random delta ~ normal(w, var=s2) subject=ind;
8	pi = logistic(delta);
9	model r ~ binomial(n = n, p = pi);
10	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 : S A S S A M P L E L I B R A R Y

Retour à la liste