Multinominale generalisierte Logit-Modellierung mit PROC BGLIMM

Das Skript erstellt einen Datensatz 'school', der Lernpräferenzen enthält. Anschließend wird die BGLIMM-Prozedur (Bayesian Generalized Linear Mixed Models) verwendet, um statistische Modelle an eine nominale Antwortvariable ('Style') mit einer multinomialen Verteilung und einer generalisierten Logit-Linkfunktion (glogit) anzupassen. Es werden zwei Modelle getestet: eines mit Interaktion und eines ohne Interaktion mit Schätzungen spezifischer Kontraste.

Datenanalyse

Type : CREATION_INTERNE

Die Daten werden direkt im Skript über einen DATA Step unter Verwendung von DATALINES (Datensatz 'school') definiert.

1 Codeblock

DATA STEP Data

Erklärung :
Erstellung des Datensatzes 'school'. Die INPUT-Anweisung verwendet das Symbol ' @@' (doppeltes nachlaufendes @), um mehrere Beobachtungen pro Datenzeile zu lesen.

Kopiert!

1	DATA school;
2	LENGTH Program $ 9;
3	INPUT School Program $ Style $ Count @code_sas_json/8_SAS_Intro_ReadFile_MultiCol_@@.json;
4	DATALINES;
5	1 regular self 10 1 regular team 17 1 regular class 26
6	1 afternoon self 5 1 afternoon team 12 1 afternoon class 50
7	2 regular self 21 2 regular team 17 2 regular class 26
8	2 afternoon self 16 2 afternoon team 12 2 afternoon class 36
9	3 regular self 15 3 regular team 15 3 regular class 16
10	3 afternoon self 12 3 afternoon team 12 3 afternoon class 20
11	;

2 Codeblock

PROC BGLIMM

Erklärung :
Ausführung der BGLIMM-Prozedur zur Anpassung eines Modells, das die Haupteffekte 'School', 'Program' und deren Interaktion 'School*Program' enthält. Die Variable 'Count' wird als Häufigkeitsvariable verwendet.

Kopiert!

1	PROC BGLIMM DATA=school seed=123 dic;
2	freq Count;
3	class School Program;
4	model Style(ref="class")=School Program School*Program / dist=multinomial
5	link=glogit;
6	RUN;

3 Codeblock

PROC BGLIMM

Erklärung :
Zweite Ausführung von PROC BGLIMM für ein Modell ohne Interaktion. ESTIMATE-Anweisungen werden hinzugefügt, um spezifische Kontraste (Vergleiche zwischen Schulen und Programmen) mit der Option 'exp' zur Exponentiierung der Ergebnisse (Odds Ratios) und 'bycat' für Schätzungen nach Antwortkategorie zu berechnen und zu testen.

Kopiert!

1	PROC BGLIMM DATA=school seed=123 dic;
2	freq Count;
3	class School Program;
4	model Style(ref="class")= School Program / dist=multinomial
5	link=glogit;
6	estimate 'School 1 vs 3' School 1 0 -1 / exp bycat;
7	estimate 'School 2 vs 3' School 0 1 -1 / exp bycat;
8	estimate 'Afternoon vs Regular' Program 1 -1 / exp bycat;
9	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.

Retour à la liste