Analysiert Regressionsmodelle, bei denen die abhängige Variable nicht-negative Ganzzahl- oder Zählwerte annimmt und typischerweise die Häufigkeit eines Ereignisses darstellt. Diese Aktion ist besonders nützlich für die Modellierung von Ereigniszähldaten, wie z.B. die Anzahl der Käufe eines Kunden, die Anzahl der aufgetretenen Fehler oder die Anzahl der Besuche auf einer Webseite. Sie unterstützt verschiedene Verteilungen wie Poisson, Negativ-Binomial und Conway-Maxwell-Poisson, einschließlich ihrer Zero-Inflated-Varianten.
| Parameter | Beschreibung |
|---|---|
| bayes | Gibt die Optionen für die Bayes'sche Analyse an. |
| bounds | Legt einfache Randbedingungen für die Parameterschätzungen fest. |
| class | Gibt die Klassifikationsvariablen an. |
| collection | Definiert eine Menge von Variablen, die als ein einziger Effekt mit mehreren Freiheitsgraden behandelt werden. |
| display | Gibt eine Liste von Ergebnistabellen an, die zur Anzeige an den Client gesendet werden sollen. |
| dispmodel | Gibt die dispersionsbezogenen Regressoren an, die zur Modellierung der Dispersion verwendet werden. |
| extendparmlength | Wenn auf True gesetzt, werden die Bezeichnungen für die Parameter in der Paramterschätzungstabelle nicht abgeschnitten. |
| freq | Gibt die Variable für die Beobachtungshäufigkeit an. |
| groupid | Gibt eine Identifikationsvariable an. Nur für Panel-Modelle mit festen und zufälligen Effekten verfügbar. |
| includeinternalnames | Wenn auf True gesetzt, wird der Paramterschätzungstabelle eine zusätzliche Spalte mit den internen Namen für die Parameter hinzugefügt. |
| initialvalues | Gibt Anfangswerte für Parameter in der Optimierung an. |
| model | Gibt die abhängige Variable und die unabhängigen Regressorvariablen für das Regressionsmodell an. |
| multimember | Verwendet eine oder mehrere Klassifikationsvariablen so, dass jede Beobachtung mit einer oder mehreren Ebenen der Vereinigung der Ebenen der Klassifikationsvariablen verknüpft werden kann. |
| optimizer | Gibt Parameter an, die verschiedene Aspekte des Parameterschätzungsprozesses steuern. |
| output | Gibt Details für eine Ausgabedatentabelle an, die Scores für verschiedene Statistiken enthalten soll. |
| outputTables | Listet die Namen der Ergebnistabellen auf, die als CAS-Tabellen auf dem Server gespeichert werden sollen. |
| polynomial | Gibt einen polynomialen Effekt an. Alle angegebenen Variablen müssen numerisch sein. |
| prior | Gibt die A-priori-Verteilung für die Bayes'sche Analyse an. |
| restrictions | Gibt lineare Restriktionen an, die den Parameterschätzungen auferlegt werden sollen. |
| selection | Gibt die Methode zur Modellauswahl an. |
| spline | Erweitert Variablen in Spline-Basen, deren Form von den angegebenen Parametern abhängt. |
| store | Speichert ein Regressionsmodell in einem Item-Store. |
| table | Gibt die Eingabedatentabelle an. |
| tests | Gibt lineare Hypothesen über die Regressionsparameter an und welche Tests (Wald, Lagrange-Multiplikator und Likelihood-Ratio) durchgeführt werden sollen. |
| timingReport | Gibt an, welche Art von Zeitinformationen die Aktion bereitstellen soll. |
| weight | Gibt Details für die Beobachtungsgewichtungsvariable an. |
| zeromodel | Gibt die Zero-Inflated-Regressoren an, die die Wahrscheinlichkeit einer Null-Zählung bestimmen. |
Erstellt eine Beispieltabelle 'artikelDaten' mit Daten über die Anzahl der von Autoren verfassten Artikel, unter Berücksichtigung ihres Bildungsprogramms und Geschlechts. Diese Daten eignen sich für die Zähldatenregression.
| 1 | DATA casuser.artikelDaten; |
| 2 | LENGTH program $ 12; |
| 3 | DO program = 'Allgemein', 'Akademisch', 'Beruflich'; |
| 4 | DO gender = 'M', 'F'; |
| 5 | DO i = 1 to 20; |
| 6 | articles = int(rand('POISSON', 2 + (program='Akademisch')*2 + (gender='F')*0.5)); |
| 7 | OUTPUT; |
| 8 | END; |
| 9 | END; |
| 10 | END; |
| 11 | RUN; |
Dieses Beispiel zeigt, wie ein einfaches Poisson-Regressionsmodell angepasst wird, um die Anzahl der Artikel (articles) basierend auf dem Programm (program) vorherzusagen.
| 1 | PROC CAS; |
| 2 | countreg.countregFitModel / |
| 3 | TABLE={name='artikelDaten'}, |
| 4 | model={depVars={{name='articles'}}, |
| 5 | effects={{vars={'program'}}} |
| 6 | }; |
| 7 | RUN; |
Dieses Beispiel passt ein komplexeres ZINB-Modell an. Es modelliert die Anzahl der Artikel (articles) in Abhängigkeit von 'program' und 'gender' und verwendet 'gender' auch zur Modellierung der exzessiven Nullen (Zero-Inflation).
| 1 | PROC CAS; |
| 2 | countreg.countregFitModel / |
| 3 | TABLE={name='artikelDaten'}, |
| 4 | model={depVars={{name='articles'}}, |
| 5 | effects={{vars={'program', 'gender'}}}, |
| 6 | modelOptions={modelType='ZINB'}}, |
| 7 | zeromodel={effects={{vars={'gender'}}}}; |
| 8 | RUN; |
Eine Kfz-Versicherungsgesellschaft möchte die Anzahl der Schadensfälle pro Kunde vorhersagen. Da die Mehrheit der Kunden (ca. 90%) keinen Unfall hat, gibt es ein Übermaß an Null...
Ein großer E-Commerce-Händler analysiert die Anzahl der Artikel im Warenkorb ('cart_items') basierend auf Millionen von Websitzungen. Das Ziel ist es, die Robustheit der 'countr...
In einer spezialisierten Fertigungsanlage werden selten auftretende Defekte an Präzisionsteilen analysiert. Da nur wenige Datenpunkte (Chargen) vorhanden sind, möchte der Qualit...