Beispiel 4 für PROC GENMOD

Schwierigkeitsgrad

Anfänger

Veröffentlicht am : 30/08/2020

Das Skript beginnt mit der Erstellung eines internen Datensatzes namens 'Icecream' über Datalines, der Informationen über die Anzahl der Beobachtungen ('count'), die Eismarke ('brand') und die Geschmackpräferenz ('taste', eine ordinale Variable) enthält. Anschließend wird die GENMOD-Prozedur aufgerufen, um die ordinale Antwortvariable 'taste' in Abhängigkeit von der kategorialen Variable 'brand' zu modellieren. Das Modell wird mit einer multinomialen Verteilung und einer kumulativen Logit-Verknüpfungsfunktion spezifiziert. Die Option 'aggregate=brand' wird verwendet, um die Beobachtungen nach Marke zu gruppieren, und die Option 'type1' fordert Typ-1-Tests für die Effekte des Modells an. Schließlich berechnen drei 'estimate'-Anweisungen die log-transformierten Odds Ratios (LogOR) zwischen verschiedenen Kategorien der Variable 'brand' und exponentiieren diese, um die Odds Ratios zu erhalten.

Datenanalyse

Type : CREATION_INTERNE

Der Datensatz 'Icecream' wird direkt im Skript mithilfe einer DATA-Anweisung und Datalines erstellt. Er enthält die Variablen 'count' (Häufigkeit), 'brand' (Eismarke) und 'taste' (ordinale Geschmackpräferenz: vg, g, m, b, vb).

1 Codeblock

DATA STEP Data

Erklärung :
Dieser DATA STEP-Block erstellt den Datensatz 'Icecream', der für die Analyse verwendet wird. Er definiert drei Variablen: 'count' (numerisch für die Häufigkeit), 'brand' (Zeichen für die Marke) und 'taste' (Zeichen für die Geschmacksstufe). Die Daten werden direkt im Skript über die DATALINES-Anweisung bereitgestellt, wodurch sie zu einer internen Datenquelle werden.

Kopiert!

1	DATA Icecream;
2	INPUT count brand$ taste$;
3	DATALINES;
4	70 ice1 vg
5	71 ice1 g
6	151 ice1 m
7	30 ice1 b
8	46 ice1 vb
9	20 ice2 vg
10	36 ice2 g
11	130 ice2 m
12	74 ice2 b
13	70 ice2 vb
14	50 ice3 vg
15	55 ice3 g
16	140 ice3 m
17	52 ice3 b
18	50 ice3 vb
19	;

2 Codeblock

PROC GENMOD

Erklärung :
Diese PROC GENMOD-Prozedur führt eine kumulative logistische Regressionsanalyse durch. Die Option 'rorder=data' behält die Reihenfolge der Kategorien der Antwortvariable bei, wie sie in den Daten erscheint. Die Anweisung 'freq count;' gibt an, dass 'count' die Häufigkeiten jeder Beobachtung enthält. 'class brand;' deklariert 'brand' als kategoriale Variable. Die 'model'-Anweisung definiert das Modell: 'taste' ist die abhängige Antwortvariable, modelliert durch 'brand'. Die Optionen 'dist=multinomial' und 'link=cumlogit' geben ein ordinales multinomiales Modell mit einer kumulativen Logit-Verknüpfungsfunktion an. 'aggregate=brand' aggregiert die Beobachtungen nach Marke für die Quasi-Likelihood-Berechnung. 'type1' fordert Typ-1-Quadratensummen an. Schließlich berechnen die 'estimate'-Anweisungen die log-transformierten Odds Ratios (und deren Exponentierungen) für Vergleiche zwischen den Eismarken.

Kopiert!

1	PROC GENMOD DATA=Icecream rorder=DATA;
2	freq count;
3	class brand;
4	model taste = brand / dist=multinomial
5	link=cumlogit
6	aggregate=brand
7	type1;
8	estimate 'LogOR12' brand 1 -1 / exp;
9	estimate 'LogOR13' brand 1 0 -1 / exp;
10	estimate 'LogOR23' brand 0 1 -1 / exp;
11	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

Zugehörige Dokumentation

Aucune documentation spécifique pour cette catégorie.