El proceso comienza con la creación de un conjunto de datos 'Fitness1' que contiene mediciones de condición física con valores faltantes introducidos voluntariamente. Luego, PROC MI se utiliza para generar múltiples conjuntos de datos completos mediante imputación múltiple. Se realiza un análisis de regresión (PROC REG) en cada conjunto de datos imputado. Finalmente, PROC MIANALYZE combina los resultados de estas regresiones para producir estimaciones y pruebas estadísticas válidas que tienen en cuenta la incertidumbre ligada a la imputación.
Análisis de datos
Type : CREACION_INTERNE
Los datos se crean directamente en el script a través de un paso DATA con una instrucción DATALINES. El conjunto de datos se llama Fitness1.
1 Bloque de código
DATA STEP Data
Explicación :
Este bloque crea la tabla 'Fitness1' a partir de datos internos proporcionados a través de 'datalines'. Se incluyen intencionalmente valores faltantes (representados por puntos '.') para las variables RunTime y RunPulse.
Este bloque crea la tabla 'Fitness1' a partir de datos internos proporcionados a través de 'datalines'. Se incluyen intencionalmente valores faltantes (representados por puntos '.') para las variables RunTime y RunPulse.
¡Copiado!
| 1 | DATA Fitness1; |
| 2 | INPUT Oxygen RunTime RunPulse @code_sas_json/8_SAS_Intro_ReadFile_MultiCol_@@.json; |
| 3 | DATALINES; |
| 4 | 44.609 11.37 178 45.313 10.07 185 |
| 5 | 54.297 8.65 156 59.571 . . |
| 6 | 49.874 9.22 . 44.811 11.63 176 |
| 7 | . 11.95 176 . 10.85 . |
| 8 | 39.442 13.08 174 60.055 8.63 170 |
| 9 | 50.541 . . 37.388 14.03 186 |
| 10 | 44.754 11.12 176 47.273 . . |
| 11 | 51.855 10.33 166 49.156 8.95 180 |
| 12 | 40.836 10.95 168 46.672 10.00 . |
| 13 | 46.774 10.25 . 50.388 10.08 168 |
| 14 | 39.407 12.63 174 46.080 11.17 156 |
| 15 | 45.441 9.63 164 . 8.92 . |
| 16 | 45.118 11.08 . 39.203 12.88 168 |
| 17 | 45.790 10.47 186 50.545 9.93 148 |
| 18 | 48.673 9.40 186 47.920 11.50 170 |
| 19 | 47.467 10.50 170 |
| 20 | ; |
2 Bloque de código
PROC MI Data
Explicación :
El procedimiento MI (Multiple Imputation) se utiliza para manejar los datos faltantes. Genera múltiples conjuntos de datos 'completos' reemplazando los valores faltantes con estimaciones plausibles. El resultado se almacena en la tabla 'outmi'.
El procedimiento MI (Multiple Imputation) se utiliza para manejar los datos faltantes. Genera múltiples conjuntos de datos 'completos' reemplazando los valores faltantes con estimaciones plausibles. El resultado se almacena en la tabla 'outmi'.
¡Copiado!
| 1 | |
| 2 | PROC MI |
| 3 | DATA=Fitness1 seed=3237851 noprint out=outmi; |
| 4 | var Oxygen RunTime RunPulse; |
| 5 | RUN; |
| 6 |
3 Bloque de código
PROC REG Data
Explicación :
Se ejecuta una regresión lineal (PROC REG) para modelar 'Oxygen' en función de 'RunTime' y 'RunPulse'. La instrucción 'by _Imputation_' fuerza la ejecución de una regresión distinta para cada conjunto de datos imputado por PROC MI. Las estimaciones de los parámetros de cada modelo se guardan en la tabla 'outreg'.
Se ejecuta una regresión lineal (PROC REG) para modelar 'Oxygen' en función de 'RunTime' y 'RunPulse'. La instrucción 'by _Imputation_' fuerza la ejecución de una regresión distinta para cada conjunto de datos imputado por PROC MI. Las estimaciones de los parámetros de cada modelo se guardan en la tabla 'outreg'.
¡Copiado!
| 1 | PROC REG DATA=outmi outest=outreg covout noprint; |
| 2 | model Oxygen= RunTime RunPulse; |
| 3 | BY _Imputation_; |
| 4 | RUN; |
4 Bloque de código
PROC MIANALYZE
Explicación :
El procedimiento MIANALYZE combina los resultados de las regresiones realizadas en los múltiples conjuntos de datos imputados. Lee las estimaciones de 'outreg' y produce una inferencia estadística final (estimaciones de parámetros, errores estándar, pruebas) que es válida teniendo en cuenta la variabilidad debida a la imputación.
El procedimiento MIANALYZE combina los resultados de las regresiones realizadas en los múltiples conjuntos de datos imputados. Lee las estimaciones de 'outreg' y produce una inferencia estadística final (estimaciones de parámetros, errores estándar, pruebas) que es válida teniendo en cuenta la variabilidad debida a la imputación.
¡Copiado!
| 1 | PROC MIANALYZE DATA=outreg edf=28; |
| 2 | modeleffects Intercept RunTime RunPulse; |
| 3 | test Intercept, RunTime=RunPulse / mult; |
| 4 | RUN; |
Este material se proporciona "tal cual" por We Are Cas. No hay garantías, expresas o implícitas, en cuanto a la comerciabilidad o idoneidad para un propósito particular con respecto a los materiales o el código contenidos en este documento. We Are Cas no es responsable de los errores en este material tal como existe ahora o existirá, ni We Are Cas proporciona soporte técnico para el mismo.
Información de copyright : S A S S A M P L E L I B R A R Y
