Regresión de Poisson Zero-Inflated con PROC HPFMM

Este script demuestra varias facetas de PROC HPFMM. Comienza creando una tabla de datos 'catch' que contiene variables demográficas y una variable de conteo 'count'. Luego, aplica progresivamente modelos más complejos: un modelo de Poisson base, un modelo de mezcla de Poisson 'zero-inflated' para tener en cuenta un exceso de ceros, y finalmente un análisis bayesiano de este último modelo. El script también muestra cómo optimizar la ejecución (nthreads) y generar gráficos específicos (ODS Graphics).

Análisis de datos

Type : CREATION_INTERNE

Los datos son generados completamente y contenidos en el script a través de un paso DATA con una instrucción DATALINES.

1 Bloque de código

DATA STEP Data

Explicación :
Este bloque crea la tabla 'catch' a partir de datos internos. La instrucción 'input' lee las variables 'gender', 'age' y 'count'. El doble 'at' ( @code_sas_json/8_SAS_Intro_ReadFile_MultiCol_@@.json) indica a SAS que lea múltiples observaciones de la misma línea de datos.

¡Copiado!

1	DATA catch;
2	INPUT gender $ age count @code_sas_json/8_SAS_Intro_ReadFile_MultiCol_@@.json;
3	DATALINES;
4	F 54 18 M 37 0 F 48 12 M 27 0
5	M 55 0 M 32 0 F 49 12 F 45 11
6	M 39 0 F 34 1 F 50 0 M 52 4
7	M 33 0 M 32 0 F 23 1 F 17 0
8	F 44 5 M 44 0 F 26 0 F 30 0
9	F 38 0 F 38 0 F 52 18 M 23 1
10	F 23 0 M 32 0 F 33 3 M 26 0
11	F 46 8 M 45 5 M 51 10 F 48 5
12	F 31 2 F 25 1 M 22 0 M 41 0
13	M 19 0 M 23 0 M 31 1 M 17 0
14	F 21 0 F 44 7 M 28 0 M 47 3
15	M 23 0 F 29 3 F 24 0 M 34 1
16	F 19 0 F 35 2 M 39 0 M 43 6
17	;

2 Bloque de código

PROC HPFMM

Explicación :
Este bloque ejecuta un primer modelo de regresión de Poisson simple. La variable 'count' se modela en función de la interacción entre 'gender' y 'age'.

¡Copiado!

1	PROC HPFMM DATA=catch;
2	class gender;
3	model count = gender*age / dist=Poisson;
4	RUN;

3 Bloque de código

PROC HPFMM

Explicación :
Este bloque ajusta un modelo de mezcla de dos componentes, conocido como modelo de Poisson 'zero-inflated' (ZI). La primera instrucción MODEL especifica el componente de Poisson, y la segunda MODEL con 'dist=Constant' añade un componente que modela el exceso de ceros.

¡Copiado!

1	PROC HPFMM DATA=catch;
2	class gender;
3	model count = gender*age / dist=Poisson ;
4	model + / dist=Constant;
5	RUN;

4 Bloque de código

PROC HPFMM

Explicación :
Este bloque realiza un análisis bayesiano del modelo de Poisson 'zero-inflated'. La instrucción 'BAYES' solicita la inferencia bayesiana para los parámetros del modelo. 'PERFORMANCE NTHREADS=2' se utiliza para acelerar el cálculo usando dos hilos.

¡Copiado!

1	PROC HPFMM DATA=catch seed=12345;
2	class gender;
3	model count = gender*age / dist=Poisson;
4	model + / dist=constant;
5	performance nthreads=2;
6	bayes;
7	RUN;

5 Bloque de código

PROC HPFMM

Explicación :
Este último bloque vuelve a ejecutar el análisis bayesiano, pero activando la generación de gráficos a través de 'ODS GRAPHICS ON'. 'ODS SELECT TADPanel' filtra la salida para mostrar solo el panel de gráficos de diagnóstico bayesiano (Trace, Autocorrelation, Density).

¡Copiado!

1	ods graphics on;
2	ods select TADPanel;
3	PROC HPFMM DATA=catch seed=12345;
4	class gender;
5	model count = gender*age / dist=Poisson;
6	model + / dist=constant;
7	performance nthreads=2;
8	bayes;
9	RUN;
10	ods graphics off;

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

Retour à la liste