Affiche des informations détaillées sur un modèle de régression pour données de comptage qui a été préalablement sauvegardé dans un 'item store' via l'action `countregFitModel`. Cette action permet d'inspecter les caractéristiques, les paramètres et les statistiques d'un modèle sans avoir à le ré-exécuter, facilitant ainsi la validation et la gestion des modèles.
| Paramètre | Description |
|---|---|
| display | Spécifie la liste des tables de résultats à créer. Si omis, toutes les tables sont générées. |
| instore | Spécifie le 'item store' d'entrée contenant le modèle de régression à restaurer et visualiser. |
| outputTables | Spécifie la liste des tables de résultats à sauvegarder en tant que tables CAS. Si omis, aucune table n'est sauvegardée. |
| table | Spécifie la table de données d'entrée utilisée pour le modèle. Bien que le modèle soit stocké, la table est requise pour contextualiser certaines informations. |
| timingReport | Spécifie le type d'informations de chronométrage que l'action doit fournir (détaillé ou résumé). |
| viewOptions | Spécifie les rapports à afficher concernant le modèle de régression restauré (par exemple, `all`, `minimal`, `correlations`, `covariances`). |
Ce bloc de code crée une table CAS nommée `myCountData` contenant des données de comptage simulées. La variable `num_articles` représente le nombre d'articles publiés, et les variables `prog`, `math` et `gender` sont des prédicteurs.
| 1 | DATA mycas.myCountData; |
| 2 | SET sashelp.academic; |
| 3 | rename program=prog; |
| 4 | RUN; |
Cet exemple entraîne d'abord un modèle de régression de Poisson simple et le sauvegarde dans un 'item store' nommé `myModelStore`. Ensuite, `countregViewStore` est utilisé pour afficher les informations minimales sur ce modèle stocké.
| 1 | PROC CAS; |
| 2 | countreg.countregFitModel / |
| 3 | TABLE={name='myCountData'}, |
| 4 | model={depVars={{name='num_articles'}}, effects={{vars={'prog', 'math'}}}, |
| 5 | dist='POISSON'}, |
| 6 | store={name='myModelStore', replace=true}; |
| 7 | RUN; |
| 8 | |
| 9 | countreg.countregViewStore / |
| 10 | TABLE={name='myCountData'}, |
| 11 | instore={name='myModelStore'}, |
| 12 | viewOptions={minimal=true}; |
| 13 | RUN; |
| 14 | QUIT; |
Cet exemple entraîne un modèle binomial négatif (dist='NEGBIN') pour tenir compte de la surdispersion. Le modèle est sauvegardé, puis `countregViewStore` est appelé avec l'option `viewOptions={all=true}` pour obtenir un rapport complet, incluant les estimations initiales et finales, les matrices de covariance et de corrélation, et les détails de l'optimiseur.
| 1 | PROC CAS; |
| 2 | countreg.countregFitModel / |
| 3 | TABLE={name='myCountData'}, |
| 4 | class={'gender'}, |
| 5 | model={depVars={{name='num_articles'}}, effects={{vars={'prog', 'math', 'gender'}}}, |
| 6 | dist='NEGBIN'}, |
| 7 | store={name='myModelStore', replace=true}; |
| 8 | RUN; |
| 9 | |
| 10 | countreg.countregViewStore / |
| 11 | TABLE={name='myCountData'}, |
| 12 | instore={name='myModelStore'}, |
| 13 | viewOptions={all=true}; |
| 14 | RUN; |
| 15 | QUIT; |
Une compagnie d'assurance doit auditer son modèle de tarification basé sur la fréquence des sinistres automobiles (Loi de Poisson). L'audit nécessite de vérifier les estimations...
Une chaîne de distribution utilise un modèle Binomial Négatif complexe pour prédire les ventes quotidiennes et gérer les stocks. Pour la documentation technique annuelle, l'équi...
Dans le cadre d'un essai clinique comptant le nombre d'événements indésirables, les biostatisticiens doivent vérifier la stabilité du modèle. Ils s'intéressent spécifiquement à ...