Analyse les modèles de régression dans lesquels la variable dépendante prend des valeurs entières non négatives ou de comptage et représente généralement le nombre de fois qu'un événement se produit.
| Paramètre | Description |
|---|---|
| bayes | Spécifie les options à utiliser pour l'analyse bayésienne. |
| bounds | Impose des contraintes de bornes simples sur les estimations des paramètres. |
| class | Spécifie les variables de classification. |
| collection | Définit un ensemble de variables qui sont traitées comme un seul effet ayant plusieurs degrés de liberté. |
| display | Spécifie une liste de tables de résultats à envoyer au client pour affichage. |
| dispmodel | Spécifie les régresseurs liés à la dispersion qui sont utilisés pour modéliser la dispersion. Le type de modèle est supposé être soit Conway-Maxwell-Poisson, soit Conway-Maxwell-Poisson avec inflation de zéros. |
| extendparmlength | Lorsque défini sur True, imprime les étiquettes des paramètres sans les tronquer dans la table des estimations de paramètres. |
| freq | Spécifie la variable de fréquence d'observation. |
| groupid | Spécifie une variable d'identification. Disponible uniquement pour les modèles de panel à effets fixes et à effets aléatoires. |
| includeinternalnames | Lorsque défini sur True, ajoute une colonne supplémentaire à la table des estimations de paramètres qui montre les noms internes des paramètres. |
| initialvalues | Spécifie les valeurs initiales pour les paramètres dans l'optimisation. |
| model | Spécifie la variable dépendante et les variables de régression indépendantes pour le modèle de régression. La variable de comptage dépendante ne doit prendre que des valeurs entières non négatives du jeu de données d'entrée. |
| multimember | Utilise une ou plusieurs variables de classification spécifiées dans le paramètre vars de telle manière que chaque observation puisse être associée à un ou plusieurs niveaux de l'union des niveaux des variables de classification. |
| optimizer | Spécifie les paramètres qui contrôlent divers aspects du processus d'estimation des paramètres. |
| output | Spécifie les détails d'une table de données de sortie pour contenir les scores de diverses statistiques. |
| outputTables | Liste les noms des tables de résultats à sauvegarder en tant que tables CAS sur le serveur. |
| polynomial | Spécifie un effet polynomial. Toutes les variables spécifiées doivent être numériques. Une colonne de matrice de plan est générée pour chaque terme du polynôme spécifié. Par défaut, chacun de ces termes est traité comme un effet distinct pour la construction du modèle. |
| prior | Spécifie la distribution a priori. |
| restrictions | Spécifie les restrictions linéaires à imposer sur les estimations des paramètres. |
| selection | Spécifie la méthode de sélection de modèle. |
| spline | Développe les variables en bases de spline dont la forme dépend des paramètres spécifiés. |
| store | Stocke un modèle de régression dans un magasin d'éléments (item store). |
| table | Spécifie la table de données d'entrée. |
| tests | Spécifie les hypothèses linéaires sur les paramètres de régression qui sont spécifiés dans le modèle et les tests à effectuer sur les hypothèses (tests de Wald, du multiplicateur de Lagrange et du rapport de vraisemblance). |
| timingReport | Spécifie le type d'informations de synchronisation que vous souhaitez que l'action fournisse. |
| weight | Spécifie les détails de la variable de pondération d'observation. |
| zeromodel | Spécifie les régresseurs d'inflation de zéros qui déterminent la probabilité d'un comptage nul. Le type de modèle est supposé être soit Poisson avec inflation de zéros, soit binomial négatif avec inflation de zéros. |
Ce code crée la table `mycas.dm` qui contient des données sur le nombre d'articles produits par des machines. Ces données sont utilisées dans les exemples suivants pour modéliser le nombre d'articles en fonction du programme et du type de machine.
| 1 | DATA mycas.dm; |
| 2 | SET sashelp.dm; |
| 3 | RUN; |
Cet exemple montre comment effectuer une régression binomiale négative de base. Il modélise le nombre d'articles (`articles`) en fonction du programme (`program`) et du type de machine (`machinetype`).
| 1 | PROC CAS; |
| 2 | countreg.countregFitModel / |
| 3 | TABLE={name='dm'}, |
| 4 | model={ |
| 5 | depVars={{name='articles'}}, |
| 6 | effects={{vars={'program', 'machinetype'}}} |
| 7 | }, |
| 8 | modelOptions={modelType='NEGBIN2'}; |
| 9 | RUN; |
Cet exemple ajuste un modèle binomial négatif avec inflation de zéros. Le modèle principal prédit le nombre d'articles en fonction du programme, tandis que le modèle d'inflation de zéros utilise le type de machine pour prédire l'excès de zéros.
| 1 | PROC CAS; |
| 2 | countreg.countregFitModel / |
| 3 | TABLE={name='dm'}, |
| 4 | model={ |
| 5 | depVars={{name='articles'}}, |
| 6 | effects={{vars={'program'}}} |
| 7 | }, |
| 8 | zeromodel={ |
| 9 | effects={{vars={'machinetype'}}} |
| 10 | }, |
| 11 | modelOptions={modelType='ZINB'}; |
| 12 | RUN; |