Modelado Logit Generalizado Multinomial con PROC BGLIMM

El script crea un conjunto de datos 'school' que contiene preferencias de aprendizaje. Luego utiliza el procedimiento BGLIMM (Bayesian Generalized Linear Mixed Models) para ajustar modelos estadísticos en una variable de respuesta nominal ('Style') con una distribución multinomial y una función de enlace logit generalizada (glogit). Se prueban dos modelos: uno con interacción y otro sin interacción con estimaciones de contrastes específicos.

Análisis de datos

Type : CREATION_INTERNE

Los datos se definen directamente en el script mediante un DATA Step que utiliza DATALINES (conjunto de datos 'school').

1 Bloque de código

DATA STEP Data

Explicación :
Creación del conjunto de datos 'school'. La instrucción INPUT utiliza el símbolo ' @@' (doble @ final) para leer múltiples observaciones por línea de datos.

¡Copiado!

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 Bloque de código

PROC BGLIMM

Explicación :
Ejecución del procedimiento BGLIMM para ajustar un modelo que incluye los efectos principales 'School', 'Program' y su interacción 'School*Program'. La variable 'Count' se utiliza como variable de frecuencia.

¡Copiado!

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 Bloque de código

PROC BGLIMM

Explicación :
Segunda ejecución de PROC BGLIMM en un modelo sin interacción. Se añaden instrucciones ESTIMATE para calcular y probar contrastes específicos (comparaciones entre escuelas y entre programas) con la opción 'exp' para exponenciar los resultados (odds ratios) y 'bycat' para estimaciones por categoría de respuesta.

¡Copiado!

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;

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.

Retour à la liste